El fondo en cuestión, "Activate", se enfoca en inversiones en etapa inicial, con cheques que oscilan entre los $500.000 y los $3 millones. Su tesis de inversión se desglosa en un ecosistema de IA de cinco capas, donde comprender a fondo el rendimiento y las capacidades de los modelos de frontera es crucial para anticipar qué aplicaciones y startups tendrán éxito. Esta aproximación subraya un cambio fundamental en el Venture Capital (VC): la due diligence ya no se limita a métricas financieras y de mercado, sino que se extiende a una comprensión técnica profunda de la tecnología subyacente. La capacidad de un pequeño equipo para generar un impacto masivo gracias a la IA es un factor clave, aunque el juicio humano sigue siendo irremplazable.
Contexto y Antecedentes: La Concentración de Capital en la IA
La estrategia de Activate no es un hecho aislado, sino un síntoma de una tendencia mucho más amplia y profunda: la "caza monomaníaca" de IA por parte de los VCs a nivel global. El capital de riesgo se está concentrando en el sector de la IA de una manera que no tiene precedentes. Goldman Sachs Research, por ejemplo, proyecta una inversión global en IA de $1 billón en 2026, con $581 mil millones solo en Estados Unidos. Por su parte, Morgan Stanley estima que la inversión en infraestructura de IA podría acercarse a los $3 billones para 2028. Este torbellino de financiación está impulsando un crecimiento exponencial, con el gasto mundial en IaaS (Infrastructure as a Service) optimizado para IA pronosticado a crecer un 96% en 2026, alcanzando los $42 mil millones.
Sin embargo, este crecimiento desmedido no está exento de desafíos y preocupaciones. Brad Conger, CIO de Hirtle Callaghan, ha expresado inquietud por la concentración sin precedentes de capital de riesgo en la IA, lo que, a su juicio, eleva el riesgo para los inversores y abre la puerta a posibles burbujas. Expertos como Alex Karp, CEO de Palantir, han criticado a los laboratorios de modelos de frontera como OpenAI, acusándolos de "extraer valor" de sus socios en lugar de generar retornos reales, abogando por un concepto de "AI soberana" que priorice el control local de los datos y arquitecturas de software seguras.
Dentro de este contexto, la "economía de los tokens" emerge como un factor crítico. Aunque los precios unitarios de los tokens están disminuyendo, el costo total de operar modelos de IA está aumentando drásticamente debido al incremento masivo en el volumen de uso, un fenómeno que se asemeja al "Paradox de Jevons". Las cargas de trabajo "agéneticas" –sistemas de IA autónomos que realizan múltiples pasos para alcanzar un objetivo– pueden consumir entre 5 y 30 veces más tokens que un chatbot estándar, y hasta mil veces más en tareas de codificación complejas. Esto está llevando a una reevaluación del enfoque de "token maxing" hacia una ingeniería más pragmática y a la implementación de prácticas de FinOps de IA para controlar costos. Un desarrollador senior, por ejemplo, cuesta entre $100 y $150 por hora, mientras que un día de trabajo agénetico puede consumir entre $30 y $80 en tokens, demostrando que un modelo de IA de vanguardia puede justificarse si ahorra tan solo 30 minutos del tiempo de un ingeniero al día.
Implicaciones Técnicas y la Evolución del Desarrollo en IA
Para los profesionales de la tecnología, como desarrolladores, ingenieros de machine learning y gerentes de producto, las tendencias actuales en IA conllevan implicaciones técnicas profundas. La gestión de costos se ha vuelto tan crítica como el rendimiento del modelo. La adopción de principios de FinOps de IA ya no es una opción, sino una necesidad. Esto implica optimizar el consumo de tokens, seleccionar los modelos adecuados para cada tarea y desarrollar arquitecturas que minimicen los gastos operativos sin comprometer la calidad o la velocidad.
El mercado se está inclinando hacia modelos de IA más pequeños, especializados y con un enfoque en la rentabilidad basada en el "valor por resultado", en lugar de depender únicamente del "rendimiento de tokens brutos". Esto significa que los ingenieros deben ser expertos no solo en construir y entrenar modelos, sino también en cómo desplegarlos de manera eficiente y escalable. La capacidad de evaluar críticamente los modelos de frontera y comprender sus limitaciones y costos inherentes es más valiosa que nunca. Además, la creciente importancia de la "soberanía de la IA", definida por Lila Tretikov (socia de NEA) como confianza y control, resalta la relevancia del software de código abierto. Este último no solo democratiza el acceso a la tecnología, sino que también garantiza un control distribuido y transparencia en el desarrollo de la IA, lo que es vital para la seguridad y la adaptabilidad a contextos específicos.
La posibilidad de que equipos pequeños logren resultados significativos con la IA es un motor de innovación, pero exige un alto grado de sofisticación técnica y estratégica. Los desarrolladores deben pensar más allá de la creación de prototipos y considerar todo el ciclo de vida del producto, desde la investigación de modelos hasta la optimización de costos en producción. La habilidad para integrar IA en procesos existentes y medir su impacto directo en la eficiencia se vuelve una competencia esencial, superando la mera implementación de APIs de modelos grandes.
Impacto en Latinoamérica: Regulación, Oportunidades y Liderazgo Regional
La vorágine global de la IA tiene repercusiones directas y significativas para Latinoamérica, posicionando a la región no solo como un adoptador, sino como un potencial líder en ciertos nichos. En materia regulatoria, América Latina está adoptando un modelo similar al de la Unión Europea (UE). La Ley de IA de la UE, que entró en vigor el 1 de agosto de 2024 (con la mayoría de las obligaciones aplicables a partir del 2 de agosto de 2026), tiene un alcance extraterritorial que afectará directamente a las empresas latinoamericanas que ofrecen servicios de IA en el mercado europeo. Países como Perú (con una ley de IA de 2023, actualizada en 2025), El Salvador (ley de IA en 2025), Chile (con un proyecto de ley en el Congreso) y Brasil (con legislación en desarrollo) están siguiendo este camino, estableciendo marcos que buscan equilibrar la innovación con la ética y la seguridad.
La región exhibe una notable tasa de adopción de IA: el 85% de las startups latinoamericanas ya utiliza IA generativa, y el 99% de las startups en la región emplea algún tipo de IA, con un impresionante 72% probando o desplegando agentes autónomos. Esta alta y rápida adopción confiere a América Latina una "oportunidad de salto", al tener una menor deuda técnica heredada y la agilidad para implementar tecnologías de vanguardia. Chile, por ejemplo, lidera la región con iniciativas como Latam-GPT, el primer modelo de lenguaje de IA de código abierto entrenado con datos específicamente latinoamericanos, lo que subraya un compromiso con la soberanía y la contextualización cultural de la IA.
El ecosistema de startups en Latam también está generando ejemplos de innovación destacados. Empresas como Edtools (Colombia, EdTech), Patagon AI (Ecuador, SaaS, que levantó US$1.1 millones), Bruna (Chile, IA Industrial, con una inversión de US$3.85 millones), Ainwater (Chile, utilities de agua) y Niko Energy (México, energía solar) demuestran la diversidad y el potencial de las aplicaciones de IA en la región. El capital de riesgo local está respondiendo a esta ola: Monashees, una destacada firma de VC brasileña, se asoció con Google para crear el Fondo Gama, co-invirtiendo hasta $2 millones en startups de IA y deep tech en Brasil, y está desplegando un fondo propio de $370 millones. Esto indica un fuerte interés y compromiso por parte de los inversores regionales para nutrir y escalar el talento local en IA.
