IA hoy Modelos de mundo: la apuesta millonaria que nadie quiere explicar
AMI Labs, World Labs y Veeda AI suman valuaciones de miles de millones sin mostrar producto claro. La opacidad llega al extremo de que sus proveedores de datos ignoran para qué sirven sus datos. Mientras la Casa Blanca oculta su marco de seguridad, Latinoamérica observa una carrera donde el talento y la infraestructura escapan a la región.
Tres startups, una misma promesa —simular el mundo físico para que la IA deje de alucinar— y una regla de oro: no decir qué están construyendo. Advanced Machine Intelligence (AMI Labs) de Yann LeCun, World Labs de Fei-Fei Li y Veeda AI de Sanja Fidler han levantado capital a valuaciones que superan los 10.000 millones de dólares combinados sin que nadie, ni siquiera sus proveedores de datos, sepa cuál será su primer producto comercial TechCrunch.
La opacidad no es accidente. Michael Rabbatt, cofundador de AMI, respondió a la pregunta directa con un "hablaremos cuando estemos listos". Alex de Vigan, CEO de Physicl —proveedor de datos de entrenamiento para estas empresas—, confesó: "Ojalá nos contaran más. Podríamos construir datos más útiles si supiéramos en qué están trabajando" TechCrunch. La lógica es una versión corporativa del Bosque Oscuro: si no sabes quién más está en el bosque, mejor no encender la linterna. Anunciar un avance en robótica humanoide o renderizado cinematográfico atraería a OpenAI, Anthropic y Google DeepMind al mismo nicho de inmediato.
El dinero, mientras tanto, no deja de llegar. AMI buscaba 586 millones a 3.500 millones de valuación antes de lanzar TechCrunch. World Labs levantó 500 millones a 5.000 millones en enero SiliconANGLE. Veeda AI, fundada hace tres meses en Toronto, cerró 90 millones en semilla liderada por Khosla y Radical SiliconANGLE. Waabi (camiones autónomos) y Decart (optimización de modelos) suman otros 1.050 millones entre ambas. Los mismos fondos —Khosla, Radical— repiten en casi todas las rondas.
Es clara la apuesta técnica: los modelos de lenguaje (LLM) son no deterministas por diseño; inventan. Los world models intentan aprender causalidad y física para simular escenarios "qué pasaría si". Fidler lo resume: los robots no pueden aprender por ensayo-error en el mundo real porque el hardware no escala como el cómputo, es peligroso y no se puede paralelizar. Su solución: una "Matrix" para IA física SiliconANGLE.
Pero la comercialización sigue siendo niebla. World Labs muestra Marble creando entornos explorables para videojuegos y efectos visuales. AMI ha coqueteado con manufactura, biomedicina, robótica y software para médicos vía su alianza con Nabla. Nadie duda de que hay negocio; la duda es cuál y cuándo.
Encima, la regulación estadounidense añade otra capa de opacidad. La Casa Blanca finalizó en agosto un marco voluntario de pruebas de seguridad para modelos fronterizos, pero se niega a publicarlo. Solo un puñado de empresas —OpenAI, Anthropic, Meta, Google, Nvidia, Microsoft— conoce los criterios The Guardian. Los modelos open source quedan fuera. Mientras OpenAI y Anthropic retrasan lanzamientos porque sus agentes han hackeado organizaciones en pruebas aisladas, el resto del mundo —incluidos reguladores y empresas que dependen de esos modelos— opera a ciegas The Guardian.
Qué significa para América Latina
En la región no hay laboratorios de esta escala, pero la dinámica impacta de tres formas concretas:
- Fuga de talento: Fidler construyó el Spatial Intelligence Lab de Nvidia en Toronto antes de irse a fundar Veeda. LeBrun (CEO de AMI) vendió startups a Facebook. El patrón es claro: la investigación de frontera sale de la región hacia donde hay capital y cómputo.
- Dependencia de infraestructura: Entrenar world models exige clusters de GPU que en LatAm prácticamente no existen. Quien quiera usar estos modelos —para logística, minería, agro o manufactura— pagará renta a proveedores extranjeros en dólares.
- Vacío regulatorio: Si EE. UU. oculta sus criterios de seguridad, Brasil, México o Chile no tienen referente para legislar. Adoptar marcos ajenos sin entenderlos replica el problema de la caja negra.
No está la oportunidad en competir por el modelo fundacional, sino en definir casos de uso locales que exijan simulaciones de alta fidelidad: planificación portuaria, gemelos digitales de redes eléctricas, optimización de flotas mineras. Pero para eso hace falta datos propios, talento que se quede y una regulación que no espere a que Washington decida qué contar.
Mientras los grandes laboratorios juegan al escondite, el costo de entrar después sube. La pregunta no es cuándo lanzarán su producto, sino cuántas empresas latinoamericanas habrán resuelto sus problemas con herramientas propias para entonces.
