Moshi: la IA que recomienda datos a traders de energía

Moshi: la IA que recomienda qué mirar en el mercado de commodities

En los cuatro segundos que toma decir una frase en voz alta, el sistema de Moshi ha procesado 300 cosas nuevas del mercado. Esa es la escala que la startup usa para explicar su promesa: filtrar un volumen de información que ningún trader puede leer por su cuenta y empujarle solo lo que afecta a su portafolio.

Anekha Sokhal, CEO y fundadora, presentó el proyecto en AI Engineer New York y lo explicó en el podcast Latent Space junto a swyx. Su historia es la de alguien que vivió el problema en primera persona antes de construir la solución: pasó años operando derivados de energía y ahora dirige la herramienta que le habría gustado tener entonces.

De JPMorgan a fundar una startup de datos

Sokhal estudió matemáticas, investigación operativa, estadística y economía en Warwick, en Inglaterra. Su primer objetivo era el trading, no el emprendimiento: consiguió una pasantía en banca de inversión y después entró a JPMorgan, donde arrancó en el escritorio de mercados emergentes y luego se movió a commodities, operando derivados de energía.

El giro llegó cuando detectó un patrón: los datos se movían antes que el mercado. Decidió que quería construir una empresa de datos y se planteó cómo llegar al ecosistema con más capital del mundo. La vía fue una beca Fulbright — una sola para todo el Reino Unido — que la llevó a Estados Unidos.

Allí se metió de lleno en investigación de machine learning: publicó en ICLR en colaboración con Stability AI y trabajó junto a NASA. De esa mezcla entre mercado, datos y modelos nació Moshi.

Qué hace Moshi exactamente

La empresa entrega insights en tiempo real para traders financieros, empezando por mercados de commodities, energía y macro. El proceso tiene varias capas de datos:

• Datos estructurados: la serie temporal del mercado de futuros y todo el análisis técnico asociado — indicadores estadísticos, medias móviles — que se actualiza de forma constante.
• Fundamentales: series de oferta y demanda, especialmente relevantes en commodities.
• Datos no estructurados: noticias, publicaciones en X y hasta audio de podcasts.
• Datos privados del usuario: los analistas que sigue, sus suscripciones y su información interna. Sokhal pone un ejemplo concreto: hay firmas que tienen a una persona dedicada a contar los buques de GNL que pasan por el estrecho de Ormuz.

Sobre esas capas el equipo hace limpieza y transformación, aplica estadística y machine learning, etiqueta la información, construye una ontología propia y la deposita en un grafo n-dimensional. El resultado es un software que empuja datos: cada vez que el trader abre Moshi ve algo nuevo relacionado con su portafolio, y también puede consultar y obtener en 30 segundos respuestas que antes tomaban días.

"Bloomberg, Claude y Netflix": por qué la recomendación es el producto

Cuando le preguntan si Moshi es "el nuevo Bloomberg", Sokhal evita la etiqueta. Su descripción favorita es otra: lo que saldría si Bloomberg, Claude y Netflix tuvieran un hijo. Datos de mercado, una interfaz para trabajar con ellos y un sistema de recomendación.

Ese último componente es el corazón del producto. La tesis es que un trader que mira un activo en realidad necesita ver los derivados de segundo y tercer orden que no le resultan obvios. El ejemplo que da: un operador de petróleo debería saber en el momento si una compañía de energía cotizada está haciendo algo que impacte de forma indirecta en el crudo. Eso no aparece en un feed de noticias; aparece en un grafo conectado.

Sokhal también describe cómo manejan la confianza en las fuentes. Los usuarios tienen sus voces de referencia — proveedores, operadores de infraestructura, analistas — y Moshi les asigna un puntaje de confianza. Pero hay un matiz interesante: cuando Reuters, Bloomberg y The Wall Street Journal dicen cosas distintas, esa divergencia es en sí misma un dato, porque puede señalar una oportunidad.

Vale la pena dimensionar el problema que atacan. En la misma entrevista, swyx —ex trader de opciones de divisas en Londres y luego en el lado comprador— recordó que acceder al flujo completo de publicaciones de X costaba del orden de US$300.000 al mes para un hedge fund. Pagar esa cifra y recibir ruido es exactamente el dolor que un motor de recomendación promete resolver.

Construir o comprar modelos: la decisión que define tu arquitectura

Para procesar PDFs desordenados, Moshi desarrolló su propio modelo de visión y lenguaje. La razón no es solo técnica. Sokhal lo plantea como una cuestión de confianza: si un cliente entrega sus datos, no quieren enviarlos a un tercero sin control sobre cómo se procesan.

Su criterio para decidir entre construir o comprar es directo: si no tienes equipo de ingeniería, comprar es una gran solución; si lo tienes, querrás construir. En su caso, buena parte del equipo pasó en algún momento por NASA, así que la balanza se inclina hacia desarrollar internamente. Es una decisión que muchas startups están tomando ahora mismo, y que conviene revisar cada vez que el equipo cambia de tamaño.

La presión de "tú eres el equipo"

Uno de los hallazgos más útiles de la conferencia no vino de una charla, sino de las conversaciones. Sokhal cuenta que muchos ingenieros de IA llegan agobiados porque su management les dice que ya no hace falta un equipo: "tú eres el equipo". El resultado es una persona intentando construir sola un sistema que normalmente requeriría diez.

El otro patrón que escuchó es igual de revelador: "construí el sistema, me dijeron que lo necesitaban, está en su correo y nadie hace clic". El problema dejó de ser de modelo y pasó a ser de interfaz y de flujo de trabajo.

¿Qué significa esto para tu startup?

La lección central de Moshi no es sobre commodities. Es sobre dónde vive el valor cuando todo el mundo puede construir software.

1. Diseña para el flujo de trabajo, no para el dashboard. Sokhal lo dice sin rodeos: hoy cualquiera puede armar su propio dashboard con un modelo. El desafío aparece cuando quieres que otra persona lo adopte. En ese momento ya no tienes un problema de datos, tienes un problema de interfaz. Antes de agregar funcionalidades, pregúntate si tu producto se inserta en algo que el usuario ya hace todos los días.

2. Habla con clientes antes de contratar. Moshi tenía una vacante abierta y la cerró a los cuatro días con 2.500 postulantes. Aun así, la prioridad declarada no era filtrar candidatos sino juntarse con clientes. Su razonamiento: hay gente que tiene el problema pero no quiere comprar, y gente que tiene el problema y sí quiere comprar; el trabajo del fundador es encontrar ese cruce. Si tu bandeja de entrada está llena de currículums y vacía de conversaciones con usuarios, el orden está invertido.

3. Trata el desacuerdo como señal. Si dos fuentes confiables se contradicen sobre el mismo hecho, no lo descartes como ruido. Puede ser el hueco de información donde está la oportunidad.

4. Decide construir o comprar según tu equipo y tus datos. Si tus clientes te confían información sensible, la pregunta no es solo cuánto cuesta la API, sino quién la procesa y con qué acuerdo.

Conclusión

Moshi todavía es una startup en etapa temprana y no aparecieron datos públicos verificables sobre su financiamiento al momento de esta publicación, así que la historia no se mide en rondas sino en tesis de producto y conversaciones con clientes. Lo que sí queda claro es el enfoque: en un mercado donde construir software se volvió barato, la ventaja se mueve hacia quien entiende el flujo de trabajo del usuario y sabe qué información es realmente relevante para él.

Para un founder hispanohablante que está construyendo B2B, el paralelo es directo. No importa cuántos datos proceses si el usuario no los incorpora a su rutina. La recomendación — qué mostrar, cuándo y por qué — pesa tanto como el modelo.

Fuentes

• The Recommendation Engine for Commodity Traders — Anekha Sokhal, Moshi (fuente original)