Olix: el chip de IA fotónico que hizo multimillonario a un británico de 25

¿Quién es James Dacombe y por qué importa?

A sus 25 años, James Dacombe se convirtió en el multimillonario hecho a sí mismo más joven de Europa gracias a Olix, una startup londinense de fabricación de chips de inteligencia artificial fundada hace apenas dos años. Su patrimonio estimado supera los mil millones de dólares derivado del 30% de participación que posee en la compañía.

La historia no es solo un caso de éxito juvenil — es un indicador estructural del mercado. Dacombe saltó al estatus multimillonario tras cerrar una ronda Serie B de US$312 millones en agosto de 2026, que triplicó la valoración de Olix hasta los US$3.300 millones en solo seis meses. Los inversores incluyen a Arm (el diseñador de arquitecturas de chips que cotiza en Nasdaq), el fondo cuantitativo Hudson River Trading, Reed Hastings (cofundador de Netflix), la firma neoyorquina Fundomo, y el fondo Sovereign AI del Gobierno británico.

Dacombe no abandonó la tecnología con Olix. Sigue dirigiendo de forma independiente a CoMind, su primera empresa de monitorización cerebral que fundó cuando dejó el instituto en 2017 y para la que obtuvo una beca Thiel cuatro años después. CoMind ha levantado US$102,5 millones en agosto de 2025, y Dacombe conserva un 12% de la compañía.

🤖 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

Es uno de los 11 multimillonarios hechos a sí mismos menores de 30 años en el mundo y uno de solo cuatro que no son estadounidenses. El siguiente europeo más joven en la lista es Arvid Lunnemark, cofundador de Cursor, con una fortuna estimada de US$2.400 millones tras la adquisición de su empresa por SpaceX por US$60.000 millones.

¿Qué hace diferente a Olix en el mercado de chips de IA?

La tesis central de Dacombe es contundente: no tiene sentido usar los mismos chips de NVIDIA para todo. Olix desarrolla aceleradores especializados para diferentes etapas de la fase de inferencia —cuando el modelo genera resultados— en lugar de depender de un único tipo de procesador.

Su enfoque tecnológico combina dos innovaciones:

Fotónica. Los datos viajan entre chips mediante luz en lugar de señales eléctricas. Esto reduce demoras y consumo energético significativamente. Olix describe su interconexión como "lenta y amplia" (slow and wide), capaz de mover datos directamente de die a die a ultra baja latencia, conectando hasta 10.000 chips en un dominio multi-rack para ejecutar modelos frontier.

Sin memoria HBM. Olix prescinde deliberadamente de la memoria de alto ancho de banda (HBM), el componente que actualmente escasea y encarece toda la infraestructura de IA. En su lugar, integra arquitectura SRAM con fotónica, lo que según la compañía ofrece mejor throughput por vatio y menor costo total de propiedad.

El primer producto, llamado DX-1, está diseñado para ofrecer "el mejor rendimiento de decode posible". La compañía planea entregar chips a clientes durante la segunda mitad de 2027. Olix creció de su equipo fundacional a más de 70 empleados y planea expandirse a más de 200 este año, con contrataciones en Londres, Bristol, Austin, San Francisco y Toronto.

Para dar credibilidad técnica al proyecto, Dacombe incorporó al board a Profesor Nick McKwoen (catedrático emérito de Ciencias de la Computación e Ingeniería Eléctrica de Stanford) y contrató a Matt Briers como CFO, ex director financiero de Wise.

¿Por qué ahora? El contexto del mercado de silicio personalizado

Lo que parece una apuesta arriesgada para una startup de dos años se inscribe en una tendencia macro que los analistas consideran irreversible. Según Bloomberg Intelligence, el mercado de aceleradores personalizados crece a un CAGR del 44,6% hasta 2033, más del doble del 16,1% de las soluciones basadas en GPU genéricas. El mercado total de aceleradores de IA alcanzará los US$604.000 millones para 2033.

La razón es simple: la inferencia ya representa aproximadamente dos tercios de todo el cómputo de IA, y esa proporción se inclina aún más a medida que los despliegues superan a los entrenamientos. Mientras que entrenar un modelo ocurre una vez, servirlo a millones de usuarios sucede miles de millones de veces al día, de forma continua y extremadamente sensible al costo.

Los hyperscalers lo saben y actúan. Google despliega su TPU v7 Ironwood con más de un millón de chips para Claude de Anthropic. Microsoft lanzó su Maia 200 con 140.000 millones de transistores optimizado para GPT. Amazon lanzó el Trainium 3 con reclamos de reducción del 50% de costos versus GPU. Meta opera tres generaciones de su chip MTIA. OpenAI invirtió unos US$10.000 millones en un ASIC personalizado con Broadcom con meta de 10GW para 2029.

NVIDIA mantiene entre el 80% y 85% del mercado general de chips de IA, pero New Street Research proyecta que su cuota específica en inferencia podría caer al 20-30% para 2028. El punto de inflexión ya llegó: los ASICs personalizados dejaron de ser experimentos para convertirse en alternativas a escala de producción.

Competidores directos de Olix

El espacio de chips de inferencia especializados se está llenando rápidamente. Entre los competidores más relevantes:

d-Matrix, respaldada por Microsoft, ya comercializa sus chips Corsair. Startups como MatX, Etched y la londinense Fractile han captado rondas importantes durante el último año. Groq, fundada por Jonathan Ross (quien trabajó en los primeros TPUs de Google), firmó en diciembre un acuerdo de licencia con NVIDIA por US$20.000 millones.

La competencia no es solo por tecnología sino por recursos humanos y capital. El sector de semiconductores es intrínsecamente intensivo en capital, y la carrera por talento especializado en fotónica y diseño de silicio se ha vuelto feroz. Todos los chips de la comparativa de 2026 fabrican en el proceso TSMC 3nm, cuya capacidad está al 100% con demanda tres veces superior a la oferta disponible.

Qué significa esto para tu startup

Si estás construyendo una empresa que depende de infraestructura de IA o considerando entrar al hardware, estos son los aprendizajes concretos:

1. La especialización vence a la generalización en inferencia. Si tu startup ejecuta modelos de IA en producción, evaluar aceleradores especializados (ya sean de startups como Olix o plataformas de hyperscalers como TPU v7 o Trainium 3) puede generar reducciones de costos del 40-65% respecto a GPUs genéricas de NVIDIA. El caso de Midjourney, que pasó de US$2,1 millones a US$700.000 mensuales migrando a TPUs, demuestra que la matemática es clara a escala.

2. El timing de adopción importa más que la perfección tecnológica. Olix no será la primera ni la única en fotónica aplicada a chips de IA, pero su ventaja competitiva real radica en haber entrado antes que la mayoría. Para founders que evalúen tecnologías emergentes de hardware, el riesgo de esperar a que la tecnología esté "madura" suele superar al riesgo de adoptar temprano con limitaciones conocidas.

3. La soberanía tecnológica atrae capital institucional y gubernamental. El respaldo del Sovereign AI británico a Olix no es casualidad. Países y regiones están invirtiendo activamente en cadenas de suministro de semiconductores domésticas. Si tu startup opera en infraestructura crítica de IA, alinear tu propuesta con objetivos de soberanía tecnológica puede abrir puertas a fondos gubernamentales que ya no existen como concepto marginal.

4. Las barreras de entrada del hardware siguen siendo enormes, pero los caminos alternativos se abren. Dacombe nunca trabajó en la industria de semiconductores antes de fundar Olix. Su experiencia previa en fotónica con CoMind le dio una ventaja diferencial. Para founders fuera del ecosistema tradicional de chips, la combinación de experiencia transversal con una tesis arquitectural clara sigue siendo un camino viable — aunque el capital requerido sea significativo.

La gran pregunta que queda abierta: ¿quién gana cuando la tecnología se imponga? Como declaró Dacombe al Financial Times, el premio económico por ejecutar modelos grandes de forma rápida y barata es tan enorme que compensa dividir el proceso y contar con silicio personalizado para cada etapa. Pero la historia de los semiconductores enseña que ganar no depende solo de tener la mejor idea — depende de escalarla primero.