Simplismart logró que la plataforma de generación de video con IA InVideo recortara 56% el costo de servir sus modelos en GPU. Ese resultado le alcanzó para cerrar una Serie B de US$14 millones liderada por Dallas Venture Capital, con Nvidia, Accel, Shastra VC y Micromax en la mesa.
Para un founder que hoy paga facturas de cómputo crecientes, la noticia no es el cheque: es que el mayor vendedor de chips del mundo está financiando software cuyo argumento de venta es que necesitas menos chips. Entender por qué lo hace dice bastante sobre hacia dónde se mueve la economía de la IA.
¿Qué hace Simplismart y por qué Nvidia se fijó en ella?
Simplismart no vende chips ni entrena modelos. Vende la capa que decide cómo se ejecutan esos modelos sobre el hardware que la empresa ya tiene.
¿Y esto cómo se aplica en tu negocio?
En CAR, dueños de empresa de Latinoamérica y España usan la tecnología para ser más rentables. Empiezas con una ruta de 7 días y terminas con un sistema funcionando en tu negocio.
👥 Probar 7 díasLa startup, con sede en Bengaluru, fue fundada en 2022 por Amritanshu Jain, ex ingeniero de Oracle y hoy CEO, y Devansh Ghatak, ex ingeniero de Google. Se conocieron estudiando en BITS Pilani. Hoy emplea a 58 personas y mantiene presencia en San Francisco, según consignó Crypto Briefing.
Su software se ubica entre el modelo y la infraestructura, y ajusta cómo se despliega y administra. La compañía afirma que puede optimizar cuánto tarda un modelo en responder, cuántas solicitudes procesa y cuánta capacidad de cómputo consume. En la práctica, eso significa exprimir mejor el stack de GPU existente en lugar de comprar más capacidad.
La plataforma es agnóstica al hardware y cubre modelos de lenguaje, reconocimiento visual y procesamiento de voz. Los clientes pueden desplegar en el entorno propio de Simplismart o dentro de su nube y su infraestructura on-premises. También incluye herramientas de fine-tuning, escalado automático de recursos y monitoreo, y permite que proveedores de nube construyan y operen sus propios servicios de inferencia sobre su software.
Los números de la ronda: US$14 millones y una valoración de US$100 millones
La Serie B fue íntegramente primaria, es decir, todo capital nuevo que entra a la compañía. Dallas Venture Capital lideró la inversión, con Nvidia, Accel, Shastra VC y Micromax como participantes. La operación valora a la startup en alrededor de US$100 millones, cifra que incluye el capital recién levantado.
Accel no es un inversor nuevo: ya había liderado la Serie A de US$7 millones en octubre de 2024, según Crypto Briefing.
Hay un detalle que conviene mirar con lupa. El diario indio The Economic Times había reportado que Simplismart estaba en conversaciones para levantar entre US$40 millones y US$50 millones a una valoración de US$300 millones a US$400 millones. Consultado por TechCrunch, Jain declinó comentar, dijo que la startup no estaba levantando capital activamente y aclaró que la Serie B ya está cerrada y no se extenderá. La ronda real es un tercio de lo que se especuló, y a una valoración bastante menor.
Sobre el negocio, Jain dijo a TechCrunch que el ingreso anualizado creció 14 veces en los últimos seis meses hasta una cifra de ocho dígitos. La compañía aclaró que ese número se basa en uso reciente de clientes y no en ingresos recurrentes contratados, y que excluye lo que se transfiere a proveedores de infraestructura. Más de la mitad de los ingresos viene de Estados Unidos, aunque la startup tiene más clientes en India.
El caso que mejor explica el producto: InVideo y el 56%
El argumento de venta de Simplismart se sostiene en un número concreto: InVideo redujo 56% sus costos de servir GPU con su software. La startup también trabaja con las compañías de video con IA HeyGen y Higgsfield, y con la startup de IA empresarial Ema. Además, el proveedor de nube indio Yotta usa su tecnología para alimentar el servicio de inferencia serverless dentro de su plataforma Shakti Studio. Según Crypto Briefing, entre sus clientes nombrados también figura Tata 1mg, una plataforma de salud online.
La tesis del CEO es contraintuitiva y vale la pena citarla textual: "Nadie necesita realmente la inferencia más rápida o la más barata". Lo que las empresas necesitan, sostiene, es correr modelos a velocidades y costos que tengan sentido para su aplicación específica. De ahí su posicionamiento: donde gana, dice, es donde el cliente tiene que ser estricto con sus SLA (acuerdos de nivel de servicio) y su TCO (costo total de propiedad).
¿Por qué Nvidia financia software que reduce el uso de sus chips?
Es la pregunta obvia y la respuesta oficial es razonable: si la inferencia se vuelve más eficiente, el hardware de Nvidia se vuelve más atractivo y más empresas se animan a desplegar aplicaciones de IA. El pastel crece más rápido de lo que se encoge la porción por cliente.
La relación tampoco empezó con este cheque. Simplismart participó temprano del Nvidia Inception Program, la red de apoyo de la chipmaker para startups, y ambas compañías colaboran en integraciones técnicas, incluido el software de inferencia Dynamo. Esa colaboración involucra a ingenieros de Simplismart y a arquitectos de soluciones de Nvidia, y la empresa también acercó a la startup clientes y socios potenciales, según contó Jain a TechCrunch.
El mercado donde compite: la pelea por el costo por token
Simplismart entra a un segmento cada vez más poblado. Compite con la propia Nvidia, con los hiperescaladores Amazon Web Services, Google Cloud y Microsoft Azure, y con una lista creciente de startups que persiguen el mismo objetivo: hacer que los modelos corran más rápido y más barato.
El contexto de mercado explica por qué hay tanto dinero persiguiendo ese objetivo. TrendForce proyecta que los envíos de chips personalizados para IA crecerán 44,6% en 2026, contra 16,1% de las GPU de propósito general, según reportó Tech Times. La misma nota cita estimaciones de SemiAnalysis y Bernstein según las cuales los circuitos integrados de aplicación específica (ASIC) ofrecen una ventaja de TCO de entre 40% y 65% frente al silicio de propósito general en despliegues de inferencia a gran escala y a varios años.
El caso más citado es el de Midjourney, que reportó haber bajado su costo mensual de cómputo de aproximadamente US$2,1 millones a US$700.000 tras mover cargas de inferencia a las TPU de Google, una reducción de 65%, de acuerdo con Tech Times. Y los analistas de Evercore, en investigación difundida en mayo de 2026, describieron el entorno actual como un "régimen liderado por la inferencia", donde los criterios de compra se corrieron del máximo rendimiento hacia el costo por token, la energía, la refrigeración, la utilización y el TCO.
El movimiento no es exclusivo de este segmento. Yahoo Finance reportó que Nebius, compañía respaldada por Nvidia, adquirió la startup de optimización de inferencia Inferize para reducir los costos de GPU ociosas durante los arranques en frío de los modelos, con términos no divulgados. Y CNBC informó que Samsung respaldó a la holandesa Euclyd, que diseña un chip para inferencia con una arquitectura distinta a la de las GPU, en una ronda de US$231 millones co-liderada junto a Somerset Capital Partners, Scaleup Europe Fund e Innovation Industries.
¿Qué significa esto para tu startup?
La lección no es "compra software de optimización". Es que el costo de inferencia dejó de ser un detalle de infraestructura y pasó a ser una variable de negocio que se gestiona con la misma seriedad que el precio de tu producto.
- Calcula tu costo por inferencia antes de escalar, no después. Si no sabes cuánto te cuesta cada consulta que procesa tu modelo, no puedes decidir si te conviene optimizar software, renegociar con tu proveedor de nube o cambiar de arquitectura. El caso de InVideo muestra que la diferencia entre un stack mal ajustado y uno optimizado puede ser de más de la mitad del gasto.
- Evalúa la capa de optimización antes de comprar más GPU. Antes de comprometer presupuesto en hardware nuevo, vale la pena testear si el cuello de botella está en la capacidad o en la configuración. Herramientas de escalado automático, fine-tuning y monitoreo atacan ese problema sin inversión de capital.
- Define tus SLA y tu TCO con números propios. El posicionamiento de Simplismart apunta justamente a empresas con requisitos estrictos de latencia y costo. Si tu producto no tolera picos de latencia pero tampoco puede pagar la configuración más rápida, ese punto medio es donde está tu margen.
- Mira el mercado de proveedores con ojos de comprador. Con hiperescaladores, la propia Nvidia y decenas de startups compitiendo en el mismo espacio, la presión competitiva juega a tu favor en precios. Compara al menos dos alternativas antes de firmar un contrato anual.
El dato que mejor resume el momento: Nvidia, la empresa que más gana cuando se consumen GPU, decidió poner dinero en una startup que ayuda a consumir menos. No es una contradicción, es una apuesta a que el cuello de botella de la próxima etapa no será cuántos chips hay, sino qué tan bien se usan.
Fuentes
- TechCrunch: Nvidia backs Indian startup helping companies run AI models with fewer GPUs
- Crypto Briefing: Nvidia backs Simplismart in $14M round to make AI models run leaner
- Yahoo Finance: Nvidia-Backed Nebius Acquires Inferize To Reduce Idle GPU Costs
- Tech Times: Custom AI Chips Outpace Nvidia GPU Growth in 2026
- CNBC: Samsung backs Nvidia AI chip rival in $230 million funding round
¿Y esto cómo se aplica en tu negocio?
En CAR, dueños de empresa de Latinoamérica y España usan la tecnología para ser más rentables. Empiezas con una ruta de 7 días y terminas con un sistema funcionando en tu negocio.
👥 Probar 7 días
