Nvidia negocia comprar Reflection AI, valorada en US$25.000M

Nvidia y Reflection AI: qué se sabe de las negociaciones

Nvidia ya tiene cerca de US$800 millones invertidos en Reflection AI y ahora negocia comprar la startup completa o ampliar su participación, según reportó el Financial Times. Las conversaciones están en una etapa temprana, podrían cerrarse en las próximas semanas o caerse por completo.

Sobre la mesa hay cuatro escenarios distintos, de acuerdo con la información del FT recogida por Reuters: una adquisición total, un acqui-hire (Nvidia contrata al equipo clave y licencia la tecnología en lugar de comprar la empresa), un aumento de la participación accionarial, o un acuerdo de suministro de chips y capacidad de cómputo adicional.

La valoración de US$25.000 millones que Reflection alcanzó en su ronda anterior explica por qué el acqui-hire aparece como opción: comprar la compañía entera sería una operación de capital sustancial, con revisión regulatoria larga incluida. El acqui-hire esquiva buena parte de ese trámite, aunque no elimina la supervisión.

No sería la primera vez que Nvidia usa esa fórmula: el artículo original recuerda un movimiento de acqui-hire similar vinculado a Groq. Y las inversiones previas del fabricante de chips en OpenAI, Anthropic, Nebius y CoreWeave, más sus posiciones en óptica y optoelectrónica como Coherent y Lumentum, dibujan un patrón claro: Nvidia ya no se limita a vender GPU.

Qué es Reflection AI y por qué Nvidia la quiere

Reflection AI es una startup estadounidense fundada en 2024 por Misha Laskin y Ioannis Antonoglou, dos exinvestigadores de Google DeepMind, según Reuters. Su foco son los modelos de pesos abiertos: en vez de dejar el modelo encerrado detrás de una API, entrega los pesos para que las empresas lo desplieguen en sus propios servidores, lo ajusten con datos internos y mantengan el control.

Ese enfoque le sirve a Nvidia por dos vías. La primera es demanda de cómputo: quien corre un modelo de pesos abiertos en infraestructura propia necesita GPU, y esas GPU suelen ser de Nvidia. La segunda es la narrativa del AI factory que impulsa Jensen Huang, su CEO: instituciones y países construyendo su propio sistema de IA, entrenado con datos propios y montado sobre hardware del fabricante.

El cap table acompaña: además de Nvidia, en Reflection participan Sequoia Capital, DST Global, Lightspeed Venture Partners y 1789 Capital, según el artículo original. TechCrunch, citando datos de PitchBook, agrega que la compañía acumula alrededor de US$4.700 millones levantados desde su fundación.

Beam: el modelo que explica la jugada

El 5 de octubre de 2026 Reflection lanzó Beam, su primer modelo de pesos abiertos. Según TechCrunch, es un modelo de mezcla de expertos (MoE) de 501.000 millones de parámetros totales y 23.000 millones activos por token, entrenado sobre 23,8 billones de tokens y con una ventana de contexto de un millón de tokens.

La promesa comercial es eficiencia de inferencia: la compañía afirma que Beam iguala el rendimiento de GLM-5.2 de Z.ai en benchmarks de razonamiento avanzado usando entre 3 y 4 veces menos cómputo de inferencia. TechCrunch aclara que esas métricas no fueron verificadas de forma independiente.

Los primeros números publicados por Marktechpost, también reportados por Reflection y pendientes de validación externa, muestran 80,9 en SWE-bench Verified frente a los 70,7 de Nemotron 3 Ultra, y 80,1 en Terminal Bench v2.1, cerca del 81,0 de GLM-5.2. En esa misma tabla, DeepSeek V4.1 Flash (90,6) y Kimi K3 (88,3) siguen adelante.

El costo de entrenar eso da la medida de la apuesta: el preentrenamiento corrió en menos de cuatro semanas sobre 6.144 GPU NVIDIA GB300, y el entrenamiento por refuerzo usó 10.500 GPU GB300 durante cuatro semanas, según Marktechpost. Los pesos estarían disponibles bajo licencia Apache 2.0, con lanzamiento previsto para este mes.

Para sostener esa carga, Reflection firmó acuerdos de cómputo por más de US$7.000 millones con SpaceX y Nebius para acceder a chips GB300 hasta 2029, según TechCrunch. También prueba el concepto de AI factory soberana con Shinsegae Group en Corea del Sur.

Acqui-hire o compra total: qué cambia en cada escenario

Un acqui-hire le daría a Nvidia acceso rápido al equipo y a la tecnología de pesos abiertos, con menos presión financiera y menos riesgo de integración. Una compra total, en cambio, pone sobre la mesa los US$25.000 millones de valoración y un escrutinio regulatorio más estricto.

Hay un detalle incómodo que ninguna de las dos opciones resuelve: Nvidia le vende chips a los laboratorios de IA. Si compra un desarrollador de modelos, pasa a competir con algunos de sus propios clientes, una tensión estratégica que señala el análisis original.

La solidez financiera da margen. Al 26 de julio de 2026, Nvidia reportaba cerca de US$22.400 millones en efectivo y equivalentes, unos US$56.600 millones si se suman los valores negociables, y un flujo de caja libre de aproximadamente US$21.300 millones en el segundo trimestre de su año fiscal 2027.

¿Qué significa esto para tu startup?

El movimiento importa aunque nunca hayas pensado en modelos de pesos abiertos, porque redefine quién controla el costo de la capa de IA.

• Prueba un modelo abierto antes de renovar contratos de API. Con 23.000 millones de parámetros activos y licencia Apache 2.0 en camino, Beam está diseñado para autohospedaje. Si tu volumen de tokens creció y tu factura de API con él, vale la pena medir cuánto de tu tráfico real puede correr en un modelo propio sobre GPU alquilada.
• Diversifica tu proveedor de cómputo. Si Nvidia se queda con un laboratorio de modelos, la neutralidad del mayor proveedor de GPU deja de ser un supuesto. Negocia contratos de más de un año y evalúa neoclouds regionales: en el propio caso de Reflection, la compañía repartió cómputo entre SpaceX y Nebius en lugar de depender de un solo proveedor.
• Mide el costo por tarea, no por token. El argumento de Beam es la eficiencia en tareas agénticas, donde el consumo lo definen los pasos y las llamadas a herramientas, no la longitud del prompt. Arma un set de 20 a 30 tareas reales de tu producto y compara costo por tarea resuelta entre tu modelo actual y una alternativa abierta.

Lo que todavía no está confirmado

Nvidia no confirmó las conversaciones y Reuters advirtió que no pudo verificar el reporte de forma independiente; Reflection declinó comentar sobre la información del FT.

Del lado de Beam, las ventajas de rendimiento provienen de las afirmaciones de la propia empresa, tal como señaló el artículo original, y todavía necesitan verificación independiente y uso real de clientes. La startup está además en una etapa temprana de comercialización: entrenar e inferir estos modelos es caro, y la traducción a pedidos empresariales, ingresos por API o alianzas de cómputo a largo plazo todavía está pendiente.

Tampoco está claro qué forma tomaría el acuerdo ni cuánto tiempo llevaría. Las partes hablan de semanas, no de certezas.

Conclusión

La jugada de Nvidia con Reflection AI se entiende mejor como una apuesta por la demanda futura de cómputo que como una simple compra de talento. Si más empresas y gobiernos corren modelos de pesos abiertos en su propia infraestructura, más GPU se necesitan, y Nvidia quiere estar en la conversación sobre cómo se entrenan, se despliegan y se comercializan esos modelos.

Para un founder, la lectura práctica es doble. Los modelos abiertos competitivos ya no son un experimento de nicho: hay un competidor occidental respaldado por el mayor fabricante de chips del mundo, con licencia permisiva prevista. Y la consolidación avanza hacia la capa de modelos, lo que hace más valioso blindar tu independencia de proveedor antes de que el mercado se ordene.

Fuentes

• TradingKey (fuente original)
• TechCrunch
• Reuters vía Economic Times
• Marktechpost