Two Delta: startup israelí de IA con Ackman y Schmidt

Two Delta: menos de diez empleados y dos inversores de peso

Two Delta recaudó "decenas de millones de dólares" en una ronda semilla, según reveló el portal israelí Calcalist. La compañía fue fundada en 2025, tiene menos de diez empleados y no se conoce el monto exacto de la operación ni cuánto aportó cada inversor.

Detrás de la ronda están Bill Ackman, fundador y director ejecutivo del fondo Pershing Square, y Eric Schmidt, ex presidente ejecutivo de Google e inversor temprano en Anthropic. Los fundadores son Dvir Zeltzer y el investigador en IA Eli David.

El dato relevante para un founder no es el nombre de los inversores, sino qué están comprando: tiempo de cómputo. Two Delta investiga nuevas formas de hacer que los modelos de IA funcionen más rápido y aprovechen mejor los recursos.

¿En qué trabaja Two Delta? DCOCO y EvoWeb

La startup concentra su trabajo en dos frentes.

• DCOCO: busca que los modelos de IA generen más texto en menos tiempo. Según las pruebas que la empresa publicó en su sitio web, logró un rendimiento promedio de algo más del doble que la decodificación convencional y superó en 19,8% a DFlash, otro método de aceleración. Las pruebas se hicieron con el modelo Nemotron 3.5 Super VL de Nvidia y sobre diez conjuntos de datos.
• EvoWeb: pone a prueba a los sistemas capaces de crear aplicaciones a partir de instrucciones. Evalúa si pueden seguir agregando funciones sin romper lo que ya habían construido. Los resultados son menos alentadores: las pruebas de Two Delta mostraron que esos sistemas todavía tienen problemas para modificar aplicaciones sin estropear funciones que ya estaban operativas.

La diferencia entre ambos resultados es la parte más útil de la noticia. Acelerar la generación de texto ya muestra números concretos; mantener una aplicación viva mientras un agente la modifica sigue siendo un problema abierto.

Por qué la velocidad de inferencia se volvió un activo estratégico

Cada consulta y cada respuesta que genera un modelo consume infraestructura. La cantidad de aplicaciones que se ejecutan cada minuto requiere servidores que consumen enormes cantidades de electricidad y agua para la refrigeración, como señala el artículo original.

En una industria que invierte miles de millones de dólares en centros de datos y capacidad de cálculo, reducir ese consumo y aprovechar mejor los equipos puede marcar una diferencia decisiva en costos y rentabilidad. De ahí que inversores como Ackman y Schmidt apuesten por compañías que resuelven desafíos muy específicos: incluso mejoras graduales pueden abrir oportunidades de negocio enormes en un mercado donde acelerar los modelos y abaratar su operación define quién lidera.

Para el ecosistema hispanohablante hay una lectura directa. Es poco frecuente que una startup de la región entrene modelos fundacionales: no hay capital ni cómputo para eso. Lo que sí abunda son productos construidos sobre modelos de terceros. Ahí, cada punto de eficiencia que logre un proveedor de infraestructura termina reflejándose en el costo por token de quien construye encima.

Qué significa esto para tu startup

1. Mide tu costo por resultado, no solo tu factura de API. Si tu producto usa modelos de lenguaje, el costo de inferencia es una línea de tu cuenta de resultados que crece con el uso. Define una métrica simple —costo por usuario activo o costo por tarea completada— y revísala cada mes. Cuando lleguen mejoras de eficiencia al mercado, vas a poder capturarlas en lugar de descubrir tarde que tu margen se erosionó.

2. No dejes que un agente de código toque producción sin red de seguridad. El hallazgo de EvoWeb es una advertencia práctica: los sistemas que generan aplicaciones todavía fallan al agregar funciones sin romper las existentes. Si usas agentes para programar, exige una suite de pruebas que corra antes de cada cambio y versiona todo. La velocidad del agente no compensa un bug en producción.

3. Trata la latencia como característica de producto. Si un método como DCOCO logra duplicar el rendimiento de generación, el efecto visible para el usuario final es una respuesta que aparece antes. En productos conversacionales o de generación de contenido, esa diferencia se nota en retención. Vale la pena preguntar a tus proveedores de modelos qué están haciendo en decodificación y cuánto de esa mejora llega a tu capa.

4. Sigue la investigación aplicada, no solo los lanzamientos. Una startup de menos de diez personas publicó resultados medibles sobre un modelo de Nvidia y diez conjuntos de datos. Ese tipo de evidencia —metodología y comparación contra un baseline— es la que conviene leer antes de adoptar cualquier herramienta de optimización que prometa acelerar tus modelos.

Conclusión

Two Delta es un recordatorio de que la carrera de la IA no se gana solo con modelos más grandes. Una startup de menos de diez personas, fundada en 2025 y con el respaldo de Ackman y Schmidt, apuesta a que hacer lo mismo con menos recursos es un negocio en sí mismo. Los resultados de DCOCO muestran que ese camino ya da frutos medibles; los de EvoWeb, que la parte difícil —agentes que construyen software confiable— sigue abierta. Para un founder, la lección es doble: la eficiencia que otros investigan termina bajando tus costos, y la autonomía de los agentes todavía necesita supervisión humana.

Fuentes

• israeleconomico.com — La misteriosa startup israelí que capta millones para acelerar la IA (fuente original)

No se encontraron datos adicionales verificables en las búsquedas realizadas para esta nota.