Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Un chatbot responde. Un agente hace recados.
Ahí está una de las fronteras más nítidas de la nueva fiebre por la inteligencia artificial. Elisenda Bou-Balust, fundadora de Cala, lo resume con una imagen cotidiana. Mientras el chatbot contesta y se detiene, el agente recibe un objetivo, lo parte en pasos, usa herramientas, revisa lo que ha hecho y corrige hasta terminar.
"Le haces una pregunta, te da una respuesta y ahí termina todo. Un agente funciona más como un organizador. Le das un objetivo y él mismo descompone la tarea en pasos, usa herramientas, evalúa los resultados y los corrige hasta completar la tarea". - Elisenda Bou-Balust, fundadora de Cala
Esa diferencia no cambia solo la interfaz. También cambia el tipo de empresas que empiezan a aparecer alrededor de la IA, porque ya no basta con generar texto o imágenes y esperar a que el usuario haga el resto. El valor empieza a desplazarse hacia quien prepara datos fiables, reduce costes de ejecución o resuelve cómo mantener la información dentro de casa, una preocupación que ya apareció en la seguridad de la IA agéntica.
Cala convierte registros dispersos en hechos que un agente puede consultar
Cala trabaja justo en esa capa menos visible. La empresa preprocesa información pública, desde registros mercantiles hasta filings regulatorios, sanciones o datos de mercado, y la transforma en hechos verificados y estructurados para que los agentes puedan consultarlos sin empezar cada búsqueda desde cero.
Visto de cerca, el problema no era solo tener muchos datos. El problema era que gran parte de esa información estaba disponible, pero desordenada, repartida en fuentes distintas y poco preparada para una máquina que debe actuar con criterio. Si el agente va a tomar decisiones intermedias, un dato mal contextualizado deja de ser una molestia y se convierte en un fallo operativo.
"Preprocesamos la información pública y procedemos a convertirlo en hechos verificados y estructurados, para que cualquier agente pueda consultarlos directamente". - Elisenda Bou-Balust, fundadora de Cala
Con esa lógica, la barrera de entrada para crear empresa también se mueve. Bou-Balust sostiene que la IA ha rebajado de forma drástica el tamaño mínimo necesario para intentar algo serio, porque hoy importa menos reunir grandes equipos desde el primer día y más conocer bien un problema concreto. Quien entiende un sector, añade, está mucho más cerca de construir una solución que antes habría parecido fuera de alcance.
Multiverse reduce hasta un 95 % del modelo sin tocar lo que importa
En otro extremo de la cadena aparece Multiverse Computing. Enrique Lizaso, CEO y cofundador de la compañía, afirma que sus modelos de IA reducen entre un 80 % y un 95 % el tamaño de modelos ya entrenados sin alterar de forma apreciable su rendimiento.
"Con nuestros modelos de IA, reducimos entre un 80 % y un 95 % el tamaño de modelos ya entrenados manteniendo prácticamente intacto su rendimiento. Esto permite ejecutar IA de forma más rápida y económica, incluso en dispositivos con recursos limitados o en infraestructuras propias". - Enrique Lizaso, CEO y cofundador de Multiverse Computing
La compresión no es un detalle técnico menor. Si un modelo ocupa menos, cuesta menos inferir, puede desplegarse más cerca del cliente y evita sacar datos sensibles fuera de la organización. En sectores regulados, industriales o de defensa, esa combinación pesa tanto como la precisión del propio sistema y conecta con debates recientes sobre mantener los datos dentro del cliente.
Lizaso sitúa además la ventaja de su empresa en un terreno poco visible en una demo. No habla de tener más capital que otros, sino de aplicar matemáticas de física cuántica y redes tensoriales a una pregunta muy concreta de ingeniería de software, cuánto puede reducirse un modelo sin perder lo esencial. A eso suma el conocimiento de sectores europeos con exigencias de soberanía de datos, como defensa, energía o banca.
El dinero ya no compra talento barato ni garantiza un negocio defendible
Durante años, parte del relato tecnológico europeo descansó en una idea cómoda, aquí el talento cuesta menos. Bou-Balust dice que ese argumento ya no sirve. El mejor talento compite en un mercado mundial y cobra a precio global, aunque la empresa esté en España y aunque necesite menos personas que antes.
Con la IA hacen falta menos perfiles, pero cada uno pesa mucho más. Esa mezcla cambia la forma de invertir y también la de equivocarse, porque una plantilla reducida no perdona fichajes mediocres ni modelos de negocio que dependan enteramente de terceros.
Lizaso identifica dos errores con bastante precisión. Uno consiste en no tener tesis de coste, de modo que el margen dependa por completo de lo que otro proveedor cobre por token. El otro pasa por ignorar la distribución, porque, en su diagnóstico, gana quien ya tiene relación con el cliente y no necesariamente quien presume del modelo más nuevo.
España atrae capital, pero todavía mira con cautela el riesgo técnico profundo
Mientras tanto, el dinero también cambia de mapa.
Bou-Balust observa más capilaridad geográfica del capital y cita rondas en empresas españolas lideradas por grandes nombres del venture capital global. Lizaso, sin embargo, introduce un matiz importante, algunos fondos distinguen ya entre una capa fina sobre un modelo ajeno y una ventaja técnica defendible, pero otros siguen valorando la IA por comparables de Silicon Valley sin mirar si el negocio tiene foso real.
Esa tensión atraviesa buena parte del sector español. El ecosistema, dice Lizaso, ha avanzado mucho en los últimos años, pero sigue siendo más conservador con proyectos de riesgo técnico profundo como el suyo que con aplicaciones fáciles de explicar en una reunión de una hora. Dicho de otra manera, resulta más sencillo vender una interfaz vistosa que una mejora matemática que abarata y encoge el modelo.
Europa depende de pocos modelos y ahí aparece la idea de soberanía
Al fondo de todo asoma una pregunta política.
Bou-Balust recuerda que los modelos fundacionales están concentrados en pocas empresas, casi todas de Estados Unidos y China. Esa concentración crea una dependencia estratégica, porque quien no controla la tecnología queda expuesto a las decisiones y a los precios de otros, justo cuando la IA deja de ser un asistente de conversación para convertirse en un sistema que actúa.
La demanda de soluciones soberanas crece cuando el control del modelo queda fuera. En ese punto convergen la preparación de datos públicos de Cala, la compresión de modelos de Multiverse y la presión de sectores regulados que no quieren entregar su información, su coste operativo y su margen de maniobra a un proveedor ajeno.
La paradoja es nítida. Cuanto más promete la IA reducir barreras para fundar empresas pequeñas, más visible se vuelve la dependencia de unas pocas compañías capaces de fijar precios, acceso y condiciones en la capa fundacional.