Far Labs y Evolving Edge lanzan el ‘Airbnb’ de la inferencia

La propuesta: convertir tu laptop o GPU parada en dinero

Dos startups —Far Labs (Abu Dabi) y Evolving Edge (Austin, Texas)— están armando lo que algunos ya llaman el "Airbnb de la inferencia": una red mundial que alquila la capacidad de cómputo ociosa de laptops, PCs de escritorio y GPUs de particulares para correr cargas de inferencia de IA como alternativa distribuida a los centros de datos tradicionales, según recogió Diario Estrategia a partir de IEEE Spectrum.

La diferencia clave con el modelo hyperscaler (CoreWeave, Lambda, los grandes clouds) es el destino de la potencia: no se usa para entrenar modelos, que sigue requiriendo miles de GPUs físicamente contiguas y sincronizadas en un mismo edificio, sino para responder consultas a modelos ya entrenados —es decir, lo que pasa cada vez que un usuario escribe en ChatGPT, Claude o Gemini.

Por qué importa: la inferencia ya es el cuello de botella

Hasta 2023, la conversación giraba en torno al entrenamiento de modelos. En 2026, el centro de gravedad se desplazó: la inferencia es la fase que más electricidad, agua y presión regulatoria consume, porque corre 24/7 para millones de usuarios finales. Los centros de datos hyperscale —los que sostienen a OpenAI, Anthropic y Google— generan resistencia local por el alza de tarifas eléctricas, el estrés hídrico y el ruido que produce su construcción, como recuerda Diario Estrategia.

Ahí se inserta la propuesta de Far Labs y Evolving Edge: si la inferencia tolera mayor latencia que el entrenamiento, ¿por qué no fragmentar el trabajo entre miles de equipos domésticos aprovechando los millones de PCs y laptops que pasan varias horas al día sin hacer nada? El concepto no es nuevo —recuerda a las redes P2P y proyectos como SETI@home— pero ahora la oportunidad de mercado es enorme: la IA paga bien por cada ciclo de cómputo útil.

Cómo funciona cada plataforma

Far Labs lanzará en las próximas semanas su producto Far AI, una capa de software propia que promete a los anfitriones (dueños de los equipos) ingresos estimados de US$4,41 al mes por máquina y un retorno de hasta un 233% sobre el coste eléctrico, con una latencia objetivo de 100 ms o menos. La startup aún no está operativa y esas cifras son declaraciones de la propia compañía, no métricas auditadas.

Evolving Edge está más adelantada: ya tiene una beta abierta y se apoya en Ray, un framework open source muy usado en centros de datos convencionales para distribuir tareas. Su CEO, John Federico, presenta el proyecto como la alternativa "social" a los data centers: la red está diseñada para tolerar la caída de 100 de sus 250.000 nodos sin interrumpirse. También es open source, lo que reduce el riesgo de vendor lock-in para los participantes.

La seguridad se resuelve aislando cada trabajo en un sandbox con comunicación cifrada y límites estrictos de uso de CPU, GPU, memoria y almacenamiento. Es el mismo patrón que usa el navegador Chrome para ejecutar código no confiable, pero aplicado a cargas de IA.

El antecedente que enfría el entusiasmo: el caso Pearl

Tom's Hardware, citado por Diario Estrategia, recuerda que las promesas de redes de cómputo distribuido no siempre se cumplen. Pearl, un proyecto que ofreció convertir la minería de criptomonedas en trabajo útil de IA, terminó bajo sospecha: un estudio preliminar en arXiv concluyó que el equivalente a 320.000 tarjetas gráficas estuvieron haciendo cálculos sin utilidad real para los clientes que pagaron por la inferencia.

La moraleja para founders e inversores: mientras las plataformas no operen a escala y publiquen métricas auditadas, las cifras de latencia, ingresos por nodo y retorno energético son anuncios de marketing, no garantías. Cualquier due diligence sobre una startup de este segmento debe exigir evidencia de cargas reales corriendo, no de simulaciones.

Qué significa esto para tu startup

Si tu producto depende de llamar a un LLM caro (OpenAI, Anthropic, Google) para cada request, el coste unitario de inferencia es probablemente tu línea de gasto que más rápido crece. Esta categoría de proveedores —redes distribuidas de cómputo— apunta exactamente a ese punto de dolor.

Acciones concretas que podés tomar esta semana:

• Mapea tu coste de inferencia por usuario activo. Si estás pagando más de US$0,01 por request a un frontier model, una red distribuida como Evolving Edge (cuando esté en producción) podría ser 5-10x más barata para workloads no críticos. Modelos chicos y open source corriendo sobre estas redes ya son viables para chatbots de soporte, clasificación de tickets y RAG sobre documentos internos.
• Evalúa modelos chicos para workloads secundarios. Plataformas como Far AI apuntan a modelos pequeños y open source precisamente porque son los que mejor se fragmentan entre nodos heterogéneos. Si tu producto puede tolerar 200-500 ms de latencia en el 20% de las consultas menos críticas, ya tenés un caso de uso claro para probar.
• No bloquees tu roadmap esperando. Hasta que estas redes demuestren SLA auditados, usalas para cargas no críticas (batch processing, pre-procesamiento, embeddings) y mantené los proveedores hyperscaler para el camino crítico de cara al usuario. La diversificación, en infraestructura de IA, vuelve a ser una buena práctica.
• Si tu startup vende a desarrolladores, sumá la opción. Si tenés un SaaS técnico, exponer un toggle "usar cómputo distribuido" te posiciona como early adopter y te da material para contenido sin comprometer el SLA principal.

Conclusión

El "Airbnb de la inferencia" es una idea con la lógica económica correcta —hay capacidad de cómputo ociosa y hay demanda creciente de inferencia barata— pero todavía sin evidencia pública a escala. Mientras Far Labs y Evolving Edge demuestran que el modelo funciona fuera de simulaciones, la lectura práctica para founders es simple: diversificá tus proveedores de inferencia, empezá a probar modelos chicos en cargas no críticas y no apostés tu SLA principal a una red distribuida hasta que haya SLA auditado. La historia de Pearl es el recordatorio perfecto de que en infraestructura de IA, lo prometedor del pitch y lo que corre en producción pueden no ser lo mismo.

Fuentes

• El 'Airbnb' de la inferencia: 'startups' que pagan por alquilar el ordenador para IA cuando no se usa — Diario Estrategia