Applied Compute (ex-OpenAI) negocia US$350M a US$3.250M

Applied Compute negocia una ronda de US$350M y duplica su valoración en cuatro meses

Tres exempleados de OpenAI menores de 25 años están a punto de cerrar una ronda Serie C de US$350 millones que valoraría a Applied Compute en unos US$3.250 millones, según confirmó la propia startup a Forbes. La operación, liderada por el inversor ángel Elad Gil y con la participación de los socios existentes Lux Capital y Kleiner Perkins, prácticamente duplica la valoración de la compañía en apenas cuatro meses, un ritmo que, según Forbes, supera al del unicornio que más rápido llegó a esa categoría en la historia de Y Combinator. La compañía advirtió que las cifras podrían ajustarse mientras se cierra la ronda.

El salto refleja un mercado en plena ebullición: según Dealroom, Applied Compute genera alrededor de US$50 millones en ingresos anualizados, casi cuatro veces más de lo que su CEO, Yash Patil, decía facturar en noviembre pasado. En el camino levantó US$160 millones en rondas previas con Kleiner Perkins, Benchmark, Sequoia y Lux, y se codea con clientes del calibre de DoorDash, Nvidia, Microsoft, Cognition y Mercor.

Por qué los fundadores dejaron OpenAI y qué ofrece la startup

El detonante fue DeepSeek R1, el modelo chino de código abierto que en enero de 2025 sacudió Silicon Valley. Patil, junto a Rhythm Garg y Linden Li —los tres investigadores del equipo de post-training de OpenAI que trabajaron en lo que después sería Codex— estaban esquiando en el lago Tahoe cuando se lanzó R1. Ese día, entre bajada y bajada, discutieron lo que luego se convirtió en el manifiesto de Applied Compute: los modelos abiertos no van a ser derrotados por un único supermodelo centralizado; cada empresa entrenará el suyo con sus propios datos.

Applied Compute entrena modelos personalizados de código abierto (partiendo de Qwen, de Alibaba, o Kimi, de Moonshot) para clientes empresariales, los ajusta con reinforcement learning y los ejecuta después en su propia nube. La propuesta, que la empresa llama Specific Intelligence, es “entrenar, servir y mejorar” modelos a medida sobre los datos internos del cliente, con ingenieros de la propia startup viviendo dentro del proyecto hasta que el agente queda en producción. Según Forbes, los modelos de Applied Compute pueden llegar a ser hasta 10 veces más baratos que los modelos frontera de OpenAI y Anthropic en determinados casos.

El producto estrella en producción es el desarrollo de agentes: DoorDash los usa para que los restaurantes generen menús automáticamente al darse de alta; Nvidia recurrió a la startup para el post-entrenamiento de sus modelos abiertos Nemotron; y la legaltech Harvey creó un agente de revisión de contratos y due diligence en menos de dos meses, un proyecto que antes, según su responsable de investigación aplicada Niko Grupen, habría requerido “varios meses o años” y un equipo de investigación dedicado. La semana pasada, además, la compañía lanzó AC2, una plataforma de autoservicio que permite a los clientes entrenar modelos con las herramientas internas de Applied Compute sin contratar consultoría a medida.

El contexto: el código abierto se come la frontera

La operación no ocurre en el vacío. Según un análisis del MIT Sloan sobre tráfico de OpenRouter entre mayo y septiembre de 2025, la inferencia en modelos abiertos promedió 23 centavos por millón de tokens, frente a US$1,86 por millón de tokens para los modelos cerrados. En la práctica, los modelos de frontera “pueden costar casi 40 veces más por millón de tokens que algunos modelos de código abierto”, como resume Forbes.

La tendencia se ha acelerado en 2026. Alibaba lanzó Qwen3.5 en febrero y, en julio, Qwen3.8-Max-Preview, un modelo multimodal de 2,4 billones de parámetros con planes de apertura de pesos. La familia Qwen ya había producido más de 100.000 derivados en Hugging Face en marzo de 2026, el mayor ecosistema de modelos de la plataforma, según un informe de la US-China Economic and Security Review Commission citado por eWeek. Meta, por su parte, presentó en agosto Muse Glimmer, un modelo de 30.000 millones de parámetros bajo licencia Apache 2.0 pensado para correr en GPU de consumo, y prometió abrir pronto los pesos de Muse Spark 1.2. Y DeepSeek V4 se posicionó como el modelo chino más capaz evaluado por CAISI en mayo, aunque todavía a unos “ocho meses” del nivel de la frontera estadounidense.

La consecuencia es directa: la capa de “modelos abiertos customizados” se está convirtiendo en una categoría de inversión propia, con Applied Compute como punta de lanza junto a otros nombres del sector como OpenRouter, Baseten o Fireworks, todos capturando el flujo de empresas que migran cargas de trabajo desde OpenAI y Anthropic para controlar costes y datos.

Qué significa esto para tu startup

El caso Applied Compute confirma tres palancas que cualquier founder debe revisar en su hoja de ruta de IA:

• El coste por token ya no es un argumento marginal. Pasar de US$1,86 a US$0,23 por millón de tokens cambia la economía unitaria de productos SaaS con IA en su núcleo. Si tu coste de inferencia supera el 20% del ARR, audita qué tareas podrían correr en un modelo abierto ajustado a tu dominio.
• Los datos propios son la nueva propiedad intelectual. OpenRouter, Baseten, Fireworks y ahora Applied Compute monetizan el gap entre “modelos buenos y baratos” y “modelos entrenados con tus datos”. Cuanto más sensible sea tu vertical (legal, salud, finanzas), más valor captura quien te ayuda a entrenar tu propio modelo sin entregar la IP.
• El modelo “AI engineer in-residence” vende. Applied Compute coloca ingenieros dentro del cliente hasta dejar el agente en producción; eso reduce proyectos de “varios meses o años” a entregas de menos de dos meses y abre un nuevo modelo de servicios para consultoras técnicas y agencias de IA especializadas.

Acciones concretas esta semana:

1. Mapea las llamadas a API de OpenAI/Anthropic de tu producto y clasifícalas en “razonamiento crítico” vs. “tareas estructuradas”. Las del segundo grupo son candidatas a migrar a un modelo abierto tipo Qwen3.5 o DeepSeek V4 con fine-tuning.
2. Si tu mercado es regulado (legal, salud, financiero), evalúa un piloto de self-hosting sobre Modal, Baseten o Fireworks antes de comprometerte con un proveedor cerrado; el coste de cambio baja si el modelo vive en tu infraestructura.
3. Si vas a levantar ronda en los próximos 12 meses, estudia el argumento Specific Intelligence de Applied Compute: posicionarte como “la capa enterprise del modelo abierto X” puede multiplicar tu múltiplo de revenue, como demuestra el salto de valoración de la propia Applied Compute en apenas cuatro meses.

Fuentes

• Ex-OpenAI crean Applied Compute, una IA más barata (Forbes España)
• Applied Compute in talks to double valuation to $3B on open-source demand (Dealroom)
• China’s Open-Weight AI Push Tests Enterprise Model Strategy (eWeek)
• What are ‘open’ AI models? (Computerworld)

Artículos relacionados:

Applied Intuition: la startup de conducción autónoma de US$ 15B Google-Anthropic: $40B en compute y qué significa para tu startup Anthropic invierte $10.000M en Volta: estrategia de compute IA en Noruega 2026 Labs de Python para Matemáticas Aplicadas y Automatización SambaNova $350M: ¿el próximo Cerebras en AI compute?