Ya conoces a OpenAI y Nvidia; estas son las empresas de IA que construyen todo lo demás

OpenAI, Anthropic, Google DeepMind y Nvidia han marcado la pauta en el panorama de la IA durante gran parte de los últimos cuatro años, y con razón. Los chips de Nvidia impulsan prácticamente todos los entrenamientos de IA importantes del mundo. ChatGPT de OpenAI se convirtió en la aplicación de consumo que más rápido alcanzó los 100 millones de usuarios. Anthropic ha transformado a Claude en una de las familias de modelos más fiables de la IA empresarial. AlphaFold de Google DeepMind resolvió un problema de plegamiento de proteínas que desconcertó a los científicos durante 50 años, un trabajo que le valió al CEO Demis Hassabis el Premio Nobel de Química en 2024. Pero estas empresas de IA no lo son todo.

Un ecosistema más amplio está construyendo la infraestructura, las capas de gobernanza y las plataformas de aplicaciones que hacen que la inteligencia artificial sea comercialmente viable. Estas empresas de IA no acaparan la atención mediática, pero la industria depende cada vez más de ellas.

Cuando DeepSeek sacudió los mercados el año pasado, la lección fue más allá de la eficiencia de los modelos. Fue un recordatorio de que el trabajo serio en IA ya no se limita a un puñado de empresas y laboratorios de investigación de renombre. A continuación, analizamos algunas de las empresas que están desarrollando el resto de la infraestructura de IA.

No hecho en Estados Unidos

Silicon Valley ha considerado durante mucho tiempo la inteligencia artificial de vanguardia como una invención propia. Mistral AI, una de las empresas de IA de mayor crecimiento en el mundo, con sede en París, está desafiando esta idea.

Fundada en abril de 2023 por Arthur Mensch, ex empleado de Google DeepMind, y Guillaume Lample y Timothée Lacroix, ambos ex empleados de Meta, Mistral forjó su reputación inicial con una afirmación audaz: los modelos de vanguardia no requerían los presupuestos de computación de las grandes empresas estadounidenses.

Sus modelos de ponderación abierta, disponibles para que cualquiera pudiera desarrollarlos, contribuyeron a demostrarlo. Los ingresos crecieron de aproximadamente 10 millones de dólares (mdd) en 2023 a más de 400 mdd en ingresos recurrentes anuales a principios de 2026. En septiembre de 2025, Mistral cerró una ronda de financiación Serie C de 1,700 millones de euros liderada por ASML, lo que elevó su valoración a 11,700 millones de euros.

Desde entonces, ha lanzado Vibe, una plataforma de agentes para investigación, redacción y despliegue de código, y está explorando su propio diseño de chips. “El control de la infraestructura física es tan importante como la calidad del modelo subyacente para capturar valor a largo plazo”, afirma Mensch.

Sakana AI, con sede en Tokio, está llevando la frontera aún más lejos. Fundada en 2023 por David Ha, quien dirigió el equipo de investigación de Google Brain en Japón, y Llion Jones, uno de los coautores del influyente artículo de investigación Attention Is All You Need (La atención es todo lo que necesitas), Sakana se construyó en torno a la idea de que los sistemas de IA podrían evolucionar como lo hace la naturaleza, a través de la inteligencia colectiva y la adaptación constante, en lugar de la simple escala.

En marzo de 2025, su sistema AI Scientist se convirtió en la primera IA en lograr que un artículo escrito de forma independiente fuera aceptado por revisores pares en una importante conferencia de aprendizaje automático. En noviembre, recaudó 135 mdd con una valoración de 2,650 mdd, respaldada por MUFG, Lux Capital e In-Q-Tel, el brazo de capital riesgo de la CIA. Ha ha argumentado que la verdadera oportunidad reside en la innovación basada en limitaciones, no en una capacidad de procesamiento ilimitada.

A principios de esta semana, Sakana lanzó Fugu y Fugu Ultra, que actualmente se encuentran en fase beta, para su disponibilidad general. El sistema distribuye las tareas entre un conjunto de modelos de IA de vanguardia en lugar de entrenar uno desde cero, todo a través de una única interfaz. La justificación de Sakana para este enfoque se basa en una reciente señal de alerta: el 12 de junio, el Departamento de Comercio de Estados Unidos emitió una directiva de control de exportaciones que obligó a Anthropic a cerrar Claude Fable 5 y Claude Mythos 5, tan solo tres días después de su lanzamiento. Al momento de escribir este artículo, ninguno de los dos ha sido restaurado.

“Depender de las API de una sola empresa para infraestructura crítica, finanzas o gobernanza representa una vulnerabilidad importante”, declaró la compañía en su anuncio de lanzamiento. “Este riesgo ya no es una posibilidad hipotética, sino una realidad”.

Las propias pruebas de rendimiento de Sakana comparan Fugu Ultra con Fable 5 y Mythos Preview, utilizando el que obtenga la puntuación más alta en cada prueba. Ninguno de los dos modelos forma parte del conjunto de agentes de Fugu, ya que ninguno es de acceso público. La comparación excluye a Mythos 5, el modelo más potente suspendido junto con Fable 5, cuyo rendimiento, según análisis independientes, supera al de Fugu Ultra en varias de las mismas pruebas de referencia.

La capa de infraestructura, poco atractiva

Lo que impulsa la IA empresarial a gran escala no es solo el modelo de vanguardia en la cima de la pila. Es también la infraestructura subyacente, la capa que determina si las aplicaciones de IA pueden acceder a los datos, analizarlos y actuar sobre ellos de forma que se generen resultados empresariales reales.

Para la mayoría de las empresas, este problema comienza incluso antes de escribir la primera línea de código de IA. A las organizaciones que incorporan IA a sus sistemas existentes a menudo se les pide que trasladen sus datos de las bases de datos relacionales, los sistemas tradicionales basados ​​en tablas en los que todavía se ejecuta la mayor parte del software empresarial, a una nueva infraestructura. En la práctica, esto puede significar proyectos de varios años. Al ritmo que avanza la IA, afirma Oren Eini, CEO de RavenDB, este plazo ya supone un inconveniente. “Al ritmo actual de la IA, un proyecto de dos años ya es demasiado tarde”, declara. Ya lo superó.

Con RavenDB, Eini afirma que los proyectos de IA que antes se extendían más de seis meses ahora se completan en semanas. El problema, argumenta, no suele ser el modelo de IA en sí, sino la infraestructura que lo rodea. La mayoría de las bases de datos empresariales nunca se diseñaron para que la IA buscara y analizara sus datos. Incluso las bases de datos que ofrecen un índice vectorial, que permite a la IA buscar por significado en lugar de por palabras clave exactas, solo resuelven parte del problema. “Si su base de datos solo proporciona un índice vectorial, toda la responsabilidad recae sobre ti”, explica.

RavenDB, fundada en 2009, ha dedicado los últimos dos años a integrar la búsqueda vectorial, los agentes de IA y las capacidades de IA generativa directamente en la capa de la base de datos. El objetivo es permitir que las empresas desarrollen sobre lo que ya utilizan en lugar de reemplazarlo. “No debería ser necesario reconstruir sus sistemas para usar IA”, afirma Eini.

Alation está resolviendo un problema similar en un nivel superior. Esta plataforma de inteligencia de datos cuenta con Truist Bank, Sallie Mae, Cisco y Daimler Truck North America entre sus más de 500 clientes. Su trabajo parte de una realidad básica: muchos Los proyectos de IA empresarial suelen fallar en la capa de datos. Gartner estima que 85% de los proyectos de IA fracasan debido a la mala calidad de los datos o a la falta de datos relevantes. “Un agente sin contexto empresarial es solo un chatbot inteligente”, afirma el CEO Satyen Sangani. “Puede responder preguntas, pero no puede generar un resultado que alguien de finanzas, operaciones o cumplimiento normativo apruebe”.

El modo de fallo que Sangani observa con frecuencia tiene un nombre: purgatorio piloto. S&P Global descubrió que 42% de las empresas abandonaron la mayoría de sus iniciativas de IA en 2025, frente al 17% del año anterior. El problema, de forma constante, es que las organizaciones comenzaron con la tecnología y luego buscaron problemas que resolver con ella. Las que lograron el éxito hicieron lo contrario.

“Cada acción del agente, cada corrección humana, cada producto de datos se convierte en conocimiento que mejora la siguiente decisión”, explica Sangani. “Las empresas que lo hacen bien se vuelven indispensables, porque su valor crece cuanto más tiempo las utilizan sus clientes”.

La capa de responsabilidad

La adopción de la IA en las empresas avanza más rápido que las estructuras de gobernanza diseñadas para contenerla. Entre 2023 y 2024, la cantidad de datos corporativos cargados o pegados en herramientas de IA aumentó 485%. Gartner proyecta que más del 40% de las filtraciones de datos relacionadas con la IA para 2027 se derivarán del uso no autorizado o inapropiado de la IA generativa.

Varias empresas están trabajando en la vanguardia de este problema de responsabilidad. Dos en particular, que operan en diferentes ámbitos, convergen en torno a la misma cuestión: la proliferación de la IA; es decir, qué sucede cuando las empresas implementan la IA más rápido de lo que pueden gestionarla.

Reco, una empresa israelí de seguridad de agentes y gobernanza de IA, se creó para resolver este problema. Su plataforma mapea la huella completa de los agentes de IA en entornos SaaS empresariales, mostrando qué se está ejecutando, a qué puede acceder y cómo se comporta. “Entre nuestros clientes, las organizaciones suelen descubrir aproximadamente diez veces más aplicaciones y cien veces más agentes de los que esperaban al conectarse por primera vez”, explica el CEO Ofer Klein a Fast Company.

Los líderes que están haciendo las cosas bien han dejado de preguntarse “¿qué herramientas de IA usan mis empleados?” y han empezado a plantearse una pregunta más compleja: cuando un agente tiene acceso simultáneo a datos de Salesforce, archivos de SharePoint y canales de Slack, ¿cómo se puede prevenir una brecha de seguridad antes de que se produzca?

La respuesta comienza por saber dónde reside realmente la IA dentro de la empresa. “La autonomía sin gobernanza supone una exposición a gran escala”, afirma Klein. “Cada plataforma principal que su empresa ya utiliza es ahora también una plataforma para agentes. Ahí es precisamente donde demostramos nuestro valor”.

Terzo está aplicando una solución similar a otra área de la infraestructura empresarial: los contratos, facturas y órdenes de compra que rigen el gasto de las grandes organizaciones. Según World Commerce and Contracting, las empresas pierden un promedio del 9.2% de sus ingresos anuales debido a una mala gestión de contratos, no por fraude, sino por descuentos no aplicados, vencimientos de precios y acuerdos con proveedores que no se supervisaban.

La plataforma de Terzo conecta contratos, facturas, obligaciones de compra y datos ERP, validando la actividad financiera con respecto a los términos contractuales en tiempo real. Según su director ejecutivo, Brandon Card, una empresa Fortune 50 ahorró más de 100 mdd tras gestionar sus relaciones con proveedores a través de la plataforma de Terzo.

A medida que los agentes de IA gestionan cada vez más los flujos de trabajo de compras y finanzas, su fiabilidad depende de la calidad de los datos con los que trabajan. Un agente de IA que trabaja con datos contractuales inexactos o no estructurados no solo comete errores, sino que los comete a gran escala. Terzo está creando la capa de información financiera clave para evitarlo.

“Las empresas que triunfen en la próxima década no solo contarán con modelos de IA”, afirma Card. “Serán dueños de la capa de inteligencia financiera que permite a los agentes autónomos mover billones de dólares de forma segura, precisa y automática en la economía global”.

Más allá del texto

A pesar de los avances de la IA en los últimos años, casi todos se han basado en texto: leerlo, generarlo y buscar en él. Sin embargo, mientras que el texto está estructurado y es fácil de introducir en un modelo, la voz y el vídeo no lo son. Son desordenados, se producen en tiempo real y, hasta hace poco, casi nunca se conservaban el tiempo suficiente para ser útiles.

Esta brecha ha sido enorme y, en su mayor parte, invisible. Cada año se realizan miles de millones de llamadas de atención al cliente, la mayoría se registran y se olvidan. Cientos de millones de cámaras de vigilancia operan en todo el mundo, y la mayor parte de lo que capturan nunca se visualiza. La información estaba ahí. Las herramientas para utilizarla no.

Esto está cambiando. Dos empresas están cerrando esa brecha: una en el ámbito de la conversación y la otra en el espacio físico.

PolyAI, fundada en Londres por Nikola Mrkšić, doctor en aprendizaje automático por la Universidad de Cambridge y primer ingeniero de VocalIQ, desarrolla IA de voz empresarial para organizaciones que gestionan grandes volúmenes de interacciones con clientes. La empresa cuenta con más de 100 clientes empresariales y gestiona más de 2,000 implementaciones en vivo en 45 idiomas y más de 25 países. Un estudio de Forrester reveló que sus clientes logran un retorno de la inversión (ROI) del 391%, con un ahorro promedio de 10.3 mdd. Deloitte la reconoció como la empresa de IA de mayor crecimiento en el Reino Unido en 2025.

En diciembre de 2025, recaudó 86 mdd en una ronda de financiación Serie D, con la participación del brazo de capital riesgo de Nvidia. “PolyAI comenzó con una idea simple: las empresas deberían sonar humanas”, declaró Mrkšić durante el anuncio. “Convertimos esa idea en realidad, y dio lugar a algo mucho más importante: el surgimiento de la empresa con agentes”. Ha afirmado públicamente que, en cinco años, 90% del trabajo de los centros de contacto estará automatizado, una afirmación que hace tres años habría parecido temeraria y que ahora suena como un plazo real.

Lumana está haciendo algo similar en el mundo físico. Su plataforma de IA transforma las cámaras de seguridad existentes, incluidas las de tiendas, centros de salud y fábricas, en sistemas de inteligencia en tiempo real sin necesidad de hardware adicional. “En lugar de grabar imágenes y esperar a que alguien las revise después, el sistema comprende lo que ve —los comportamientos, el contexto y las anomalías— y lo hace en tiempo real”, afirma el director ejecutivo de la empresa, Sagi Ben Moshe. “Una cámara ya no solo captura video, sino que genera información valiosa”.

En menos de 18 meses, la empresa con sede en California alcanzó una cobertura de más de 50,000 cámaras y afirma que su plataforma puede reducir las alarmas de control de acceso físico innecesarias hasta en un 95%. Más recientemente, ha ampliado su alcance más allá de la detección, incursionando en la IA con agentes especializados que pueden monitorizar entornos, investigar incidentes, verificar eventos e iniciar respuestas sin necesidad de que un operador humano revise continuamente las grabaciones de video.

Adam Scraba, director del ecosistema de IA física y agentes de visión de Nvidia, describe Lumana como la transformación de la infraestructura existente en “una fuerza laboral virtual perceptiva y altamente escalable de agentes de IA de análisis de vídeo capaces de comprender, verificar y resumir lo que sucede en el mundo físico”.

Esto significa que las cámaras dejan de ser un centro de costos pasivo y se convierten en un activo de inteligencia activa, que informa las decisiones sobre el comportamiento del cliente, la dotación de personal y la seguridad en el lugar de trabajo. A gran escala, esto podría hacer que el mundo físico sea tan legible para la IA como el digital.

La verdadera economía de la IA

La historia de la creación de valor de la IA que la mayoría de la gente cuenta es la siguiente: surgen modelos potentes, los desarrolladores los crean, las empresas los adoptan y, como consecuencia, se genera valor económico. Lo que esta historia omite es la capa intermedia o contextual: la infraestructura, la gobernanza, la seguridad y la inteligencia operativa que hacen que la adopción empresarial sea viable a gran escala.

McKinsey estima que la IA podría aportar hasta 4.4 billones de dólares anuales a la economía global solo a través de las mejoras en la productividad empresarial. Pero estas mejoras no se materializan simplemente porque una empresa firme un contrato con OpenAI. Estos modelos se materializan cuando los datos que los alimentan están controlados y son fiables, cuando los agentes que operan dentro de los sistemas empresariales son visibles y responsables, cuando los contratos se implementan en lugar de almacenarse, y cuando los entornos físicos y de voz se transforman en inteligencia procesable.

Ese es el trabajo que realizan las empresas mencionadas en este artículo. En ciclos tecnológicos anteriores, las empresas que triunfaron a largo plazo no siempre fueron las que tenían los productos más famosos, sino aquellas de las que esos productos eran indispensables. Si la historia sirve de algo, el ciclo de la IA no será diferente.