Lola Vision: la startup que compila IA para cualquier chip

El problema de las 200 horas que Lola Vision quiere eliminar

Configurar un modelo de IA en un chip nuevo lleva, según el fundador de Lola Vision Systems, «roughly 200 horas» solo para empezar a probarlo. No es un problema menor: es el cuello de botella que mantiene a equipos enteros atascados en tareas de portabilidad en lugar de entrenar y desplegar modelos.

Lola Vision Systems es una startup de infraestructura de IA fundada en 2024 por Tayo Adesanya en Washington, D.C., y ha sido seleccionada para el TechCrunch Battlefield 200, el programa de competidores de TechCrunch Disrupt 2026 que se celebra del 13 al 15 de octubre en San Francisco. En una categoría dominada por los módulos Jetson de NVIDIA —computadoras compactas para correr IA en dispositivos como cámaras o drones—, Lola Vision llega con un ángulo distinto: automatizar la traducción entre el modelo y el silicio.

El dato importa a cualquier founder que esté llevando modelos a producción en hardware restrictivo (batería, latencia, regulación): esas 200 horas son ingeniería que se repite en cada nuevo chip y en cada nuevo cliente.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Qué hace exactamente el compiler toolchain de Lola Vision

Un compiler toolchain (cadena de compilación) es el software que toma el código de un modelo de IA y lo reescribe en instrucciones que un chip específico puede ejecutar. En la práctica: el cliente entrega su modelo (propio u open source) y el hardware objetivo, y Lola Vision produce el binario optimizado.

El fundador describe el flujo actual con crudeza: «los modelos a menudo fallan o corren mal out of the box, así que los equipos gastan días o semanas solo en hacerlos correr, y luego más semanas depurando hasta que son usables». Adesanya añade que, aun cuando funcionan, el consumo eléctrico revienta los presupuestos de edge computing o la placa no entrega el cómputo necesario para modelos medianos o grandes, lo que provoca que los modelos de reconocimiento se queden por debajo de los objetivos o malinterpreten objetos.

Lola Vision también está desarrollando sus propios chips semiconductores, con el objetivo de automatizar todavía más el proceso. Mientras llegan, la compañía licenciará su software sobre hardware ya existente, una decisión de go-to-market que prioriza ingresos por encima del calendario de fabricación. Adesanya arrancó su carrera hace casi 12 años ayudando a grandes fabricantes a decidir qué chips usar en su hardware, lo que según le dio una visión anticipada de hacia dónde se movía la demanda en cómputo para IA.

Para los clientes de Lola Vision —sectores como aeroespacial y otras «empresas de misión crítica»— la velocidad es solo una parte. «La precisión y la fiabilidad no son opcionales. Determinan si un producto pasa la revisión regulatoria y si funciona de forma confiable en campo», dijo Adesanya a TechCrunch.

El mercado del edge AI: por qué importa ahora

La oportunidad de mercado es grande y creciente. Según el reporte «Edge AI Chips: Technologies, Markets, and Forecasts 2026-2036» publicado por ResearchAndMarkets y distribuido por Yahoo Finance, el mercado global de chips de edge AI superará los US$80.000 millones hacia 2036, con cinco segmentos tractores: automoción (asistencia y conducción autónoma), smartphones con IA, AI PCs, robots humanoides y sensores industriales para mantenimiento predictivo. El informe identifica como motores la menor latencia, la privacidad de datos, la reducción de ancho de banda y el procesamiento en tiempo real para sistemas autónomos y de seguridad.

Competir aquí no es para débiles. Según Business Insider, NVIDIA controla más del 80% del mercado de chips para centros de datos con sus GPU y la plataforma de software CUDA, y en el espacio de edge inference el ecosistema Jetson es la opción por defecto. Los rivales incluyen a AMD (bajo 15% en data center, con su serie Instinct MI350 y MI400 en camino), Qualcomm, Broadcom (que reportó cerca de US$8.400 millones en ingresos de semiconductores de IA en el primer trimestre de su año fiscal 2026, según datos que cita The Motley Fool), los ASICs de Amazon (Trainium) y Google (TPU), y un grupo creciente de startups como Cerebras, Groq, Positron AI, Sambanova y Tenstorrent.

Lola Vision no pretende reemplazar a NVIDIA en el data center: su mercado es el dispositivo. Ahí el cuello de botella no es el silicio sino la integración, y ahí es donde la startup cree tener una ventaja.

De software a chip propio: la estrategia de Lola Vision

La empresa ha recaudado, según Adesanya, poco más de US$1 millón en total hasta la fecha. Tiene una docena de cartas de intención de clientes corporativos y un cliente firmado, además de un partnership con SCALE, un programa de desarrollo de fuerza laboral en microelectrónica, para acceder a más laboratorios de semiconductores.

El plan es bifase:

Corto plazo: licenciar el software sobre chips ya existentes (NVIDIA Jetson y otros) para generar ingresos mientras madura el silicio propio.
Mediano plazo: entregar sus propios semiconductores a los clientes aeroespaciales y de misión crítica que ya firmaron las LOIs.

La selección para Battlefield 200 le da exposición a jueces como Janelle Teng Wade (Bessemer Venture Partners, que invierte en AI infrastructure), Puneet Agarwal (True Ventures), Benjamin Narasin (Tenacity VC), Leah Solivan (Precedent.vc) y Andrew Brackin (Gradient, el fondo seed de Google), entre otros. Los finalistas del programa —20 de los 200— presentan en vivo en el escenario principal de Disrupt por un premio de US$100.000 equity-free y la Disrupt Cup; los alumni de Battlefield han levantado en conjunto más de US$32.000 millones, según TechCrunch.

Qué significa esto para tu startup

Para founders que llevan modelos a producción en hardware de borde, la lectura es directa:

Audita el tiempo de portabilidad. Si tu equipo dedica más de una sprint a portar un modelo a un chip nuevo, tienes un cuello de botella que un compiler automatizado podría comprimir. Mide horas-hombre por modelo desplegado por chip antes de evaluar cualquier herramienta externa.
Considera el costo total, no el del chip aislado. The Motley Fool describe el AI system control share: quien vende la plataforma completa (hardware + software + arquitectura de referencia) captura más valor que quien vende solo el silicio. Si tu ventaja competitiva depende de un chip, evalúa quién controla el compilador y el toolchain asociado — porque ahí está el margen.
Piensa en edge como producto, no como infraestructura. El reporte de ResearchAndMarkets posiciona automoción, AI PCs, robots y sensores como los segmentos tractores de la próxima década. Si tu startup toca alguno, diseña el modelo con el dispositivo objetivo en mente desde el día uno, no como adaptación tardía del laboratorio.

Lola Vision es una apuesta temprana, con US$1M y un cliente firmado, en un mercado con un incumbent gigante. Pero su tesis —que el cuello de botella del edge AI se resolverá en software antes que en silicio— es una pregunta abierta que cualquier founder de AI infrastructure debería estar haciéndose, sobre todo si su roadmap depende de correr modelos fuera del data center.