Multiverse Computing cierra $570M en Serie C: lecciones para founders

¿Qué está pasando con Multiverse Computing en julio de 2026?

Multiverse Computing cerró una Serie C de $570 millones (€500M) el 27 de julio de 2026, a una valoración pre-money de $1.700 millones (€1.500M). La ronda representa un salto de 5x respecto a su Serie B de 2025 y posiciona a la empresa de San Sebastián como uno de los unicornios deeptech más grandes de España.

Para founders que construyen con IA, esto señala un cambio estratégico: los inversores están apostando por eficiencia sobre escala. En lugar de financiar modelos más grandes, el capital fluye hacia tecnologías que reducen costos de inferencia manteniendo rendimiento.

¿Cuál es la trayectoria de funding de Multiverse Computing?

La empresa ha ejecutado una escalada de rondas agresiva en solo 28 meses:

🤖 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

Serie A (marzo 2024): €25 millones. Liderada por Columbus Venture Partners, con participación de Quantonation Ventures, European Innovation Council Fund, Redstone QAI Quantum Fund e Indi Partners. En noviembre de 2024, CDP Venture Capital se incorporó a esta ronda.
Serie B (junio 2025): €189 millones ($215M). Liderada por Bullhound Capital, con HP Tech Ventures, SETT, Forgepoint Capital International, CDP Venture Capital, Santander Climate VC, Quantonation, Toshiba y Capital Riesgo de Euskadi / Grupo SPRI.
Serie C (julio 2026): $570 millones (€500M). Co-liderada por Forgepoint Capital International, BNPP SIVF y Bullhound Capital. Participan también Santander Alternative Investments, Tikehau Capital, HP Inc., Orange Ventures, Scania Invest, NAventures, Qatar Development Bank, Zouk Capital, SETT, EIC Fund, Hazten Scale-Up Fund / Grupo SPRI y Kutxa Fundazioa.

El acumulado supera los $800 millones en menos de tres años, una cifra excepcional para el ecosistema europeo de deeptech.

¿Qué hace CompactifAI y por qué reduce costos de IA?

La tecnología central de Multiverse es CompactifAI, diseñada para comprimir modelos de lenguaje grandes (LLMs) hasta un 95% sin sacrificar rendimiento significativo. La propuesta ataca el problema económico más urgente de la IA generativa: el costo de inferencia.

En términos prácticos para empresas:

Reduce memoria y cómputo necesarios para ejecutar modelos
Disminuye el costo por consulta al hacer viable usar modelos más pequeños
Facilita despliegue on-prem o edge en entornos con restricciones de costo o latencia
Mantiene precisión comparable a modelos sin comprimir

La compañía se originó como una empresa de computación cuántica e inspirada en cuántica, con su plataforma Singularity para optimización y machine learning. CompactifAI representa la evolución comercial de esa base técnica hacia un problema de mercado masivo: la explosión de costos de inferencia de LLMs.

¿Quiénes son los competidores en optimización de LLMs?

Multiverse no compite en la categoría de "construir modelos fundacionales". Su posicionamiento es reducción de costos por modelo, lo que la pone en competencia con:

Groq: Aceleración de inferencia con hardware y software propios
Cerebras: Infraestructura para entrenamiento e inferencia a escala
NVIDIA TensorRT-LLM: Optimización, cuantización y despliegue de modelos
Microsoft ONNX Runtime / Azure AI optimization: Alternativas enterprise para eficiencia
Hugging Face Optimum: Herramientas open-source de pruning y cuantización
Deci y startups de inference efficiency: Modelos y tooling para inferencia más barata

La diferencia clave: Multiverse no fabrica GPUs ni ofrece hosting de inferencia. Su propuesta es comprimir modelos existentes con algoritmos propios, compitiendo por cost reduction per model más que por construir un modelo mejor.

¿Qué clientes o casos de uso tiene Multiverse Computing?

La empresa trabaja en sectores de finanzas, energía, manufactura, defensa, ciberseguridad, ciencias de la vida y química. Coberturas secundarias mencionan clientes o usuarios como Bank of Canada, Bosch e Iberdrola, aunque la información pública detallada sobre contratos específicos es limitada.

Los casos de uso declarados incluyen:

Optimización de portafolios y simulación de mercados financieros
Análisis de riesgo en instituciones financieras
Optimización energética y de recursos
Problemas de química y descubrimiento de materiales
Compresión de LLMs para despliegue empresarial eficiente

¿Qué significa esto para tu startup?

La ronda de Multiverse ofrece tres lecciones accionables para founders que construyen con IA:

1. La eficiencia es el nuevo diferencial competitivo

Durante 2023-2025, la narrativa dominante fue "modelos más grandes = mejor". Multiverse demuestra que el mercado valora reducir costos operativos tanto o más que escalar parámetros. Si tu startup usa LLMs en producción, prioriza optimización de inferencia desde el día uno. Pregúntate: ¿puedes comprimir tu modelo sin perder precisión? ¿Puedes ejecutar localmente en lugar de depender de APIs costosas?

2. El capital europeo está disponible para deeptech con tracción

Multiverse levantó más de $800M en 28 meses con inversores europeos y corporates. Esto contradice la narrativa de que "solo Silicon Valley financia rounds grandes". Si construyes tecnología profunda con IP defendible y casos de uso claros, el ecosistema europeo (España, Francia, Alemania, Reino Unido) tiene capital. La clave: demostrar reducción de costos o mejora de rendimiento medible.

3. Los corporates son inversores estratégicos en IA

La lista de inversores de Multiverse incluye HP Inc., Toshiba, Orange Ventures, Scania Invest, Santander Alternative Investments. Estos no son solo checks financieros: son socios potenciales de distribución y validación de producto. Si tu tecnología resuelve un problema empresarial concreto, aproxima corporates como inversores desde la Serie A. Su validación acelera ventas y abre puertas a pilotos.

Acciones concretas para implementar esta semana:

Audita tus costos de inferencia de IA: Calcula cuánto gastas mensualmente en APIs de LLMs (OpenAI, Anthropic, etc.). Si supera el 20% de tu burn rate, evalúa herramientas de optimización como CompactifAI, TensorRT-LLM o modelos open-source cuantizados.
Explora despliegue on-prem o edge: Para casos de uso con datos sensibles o latencia crítica, investiga ejecutar modelos comprimidos en infraestructura propia. Reduce dependencia de proveedores externos y mejora márgenes.
Prepara un caso de uso medible para corporates: Si buscas inversión estratégica, documenta cómo tu tecnología reduce costos o mejora rendimiento en términos que un CFO entienda (ej. "reduce 60% el costo por consulta", "disminuye latencia de 500ms a 50ms").

Conclusión

La Serie C de $570 millones de Multiverse Computing a una valoración de $1.700 millones no es solo una noticia de funding: es una señal de que el mercado de IA está madurando. Los inversores ya no apuestan ciegamente por escala; buscan eficiencia, reducción de costos y despliegue práctico.

Para founders hispanohablantes, esto abre una ventana: Europa tiene capital para deeptech, los corporates buscan innovación en IA eficiente, y la tecnología de compresión de modelos es un diferenciador defendible. La pregunta no es si la eficiencia importa, sino cuándo tu startup la priorizará.