Titular e introducción
Meta está viendo cómo parte de su cerebro en inteligencia artificial se marcha a un laboratorio mucho más pequeño que, sin embargo, ya juega en la misma liga de infraestructura que los gigantes de Silicon Valley. Thinking Machines Lab (TML) ha fichado a veteranos clave de Meta y ha cerrado un acuerdo multimillonario con Google Cloud para acceder a los últimos chips de Nvidia. No es una simple noticia de fichajes: es una señal de cómo se está reconfigurando el poder en la IA. En este artículo analizo por qué Meta está perdiendo atractivo, qué está haciendo bien TML y qué significa todo esto para los mercados de habla hispana, tanto en Europa como en Latinoamérica.
La noticia en breve
Según informa TechCrunch, Weiyao Wang, investigador que llevaba ocho años en Meta trabajando en sistemas de percepción multimodal y proyectos de segmentación, dejó la compañía la semana pasada para unirse a Thinking Machines Lab. Su llegada coincide con un gran movimiento estratégico de TML: un acuerdo de computación en la nube con Google valorado en varios miles de millones de dólares.
Este acuerdo concede a Thinking Machines acceso anticipado a los chips GB300 de Nvidia y sitúa al laboratorio en una categoría de infraestructura similar a la de actores como Anthropic o la propia Meta. TechCrunch recuerda que el pacto se suma a una colaboración previa con Nvidia y convierte a TML en una de las primeras startups en trabajar sobre esta nueva generación de hardware.
En paralelo, se libra una intensa batalla por el talento. Basándose en información de Business Insider, TechCrunch señala que Meta ya ha fichado al menos a siete miembros fundadores de TML. Sin embargo, un repaso de perfiles en LinkedIn indica que TML está contratando a más investigadores procedentes de Meta que de cualquier otra empresa, incluyendo nombres como el de Soumith Chintala, cofundador de PyTorch y actual CTO del laboratorio. El equipo de TML ronda ya las 140 personas y su valoración se sitúa en torno a los 12.000 millones de dólares, pese a haber lanzado solo un producto al mercado.
Por qué importa
Podría parecer simplemente otra historia de empleados que cambian de empresa, pero en realidad apunta a algo más profundo: el fin de la idea de que solo los gigantes tecnológicos pueden jugar en la frontera de la IA. Lo que vemos es el surgimiento de una capa de laboratorios especializados, estrechamente aliados con proveedores de nube, que pueden competir casi de tú a tú con Big Tech.
Thinking Machines sale claramente beneficiada. El acuerdo con Google le da acceso estable y preferente a la materia prima más escasa del momento: cómputo de última generación. Con chips GB300 disponibles, el límite ya no es la infraestructura, sino cuántas buenas ideas y buenos equipos se pueden financiar. Al incorporar a veteranos de Meta con más de una década de experiencia operando sistemas masivos, TML compra tiempo y curva de aprendizaje.
Meta, por su parte, está descubriendo que los salarios millonarios sin grandes condiciones no son suficientes para retener a gente que quiere tener impacto y upside financiero. En un gigante valorado en cientos de miles de millones, incluso un paquete generoso de acciones tiene un recorrido limitado. En un laboratorio aún "barato" comparado con OpenAI o Anthropic, cada punto de participación puede multiplicarse si el laboratorio consigue posicionar uno o dos modelos de referencia.
Los perdedores son, de momento, las empresas que juegan en la segunda división de la IA. Startups con menos acceso a capital, corporaciones tradicionales en banca, seguros, retail o industria que intentan construir equipos fuertes… todos compiten en un mercado de talento donde un laboratorio de 140 personas puede ofrecer el mismo hardware que un hyperscaler y además una participación relevante en el capital. Esto concentra más poder en muy pocas manos y aumenta la dependencia del resto del ecosistema.
La foto grande
La evolución de TML encaja en una tendencia clara: los actores que dominan la frontera de la IA comparten un patrón. Primero, una alianza estratégica con un proveedor de nube (Microsoft, Google, Amazon u otro). Segundo, acuerdos privilegiados con Nvidia para asegurar cupos de GPUs de última generación. Tercero, un núcleo duro de científicos que ya pasaron por los departamentos de investigación de Big Tech.
En otras épocas, también vimos "olas" de talento similares: antiguos trabajadores de Google y Facebook dieron lugar a la hornada inicial de startups de deep learning; el llamado "PayPal Mafia" regó de fundadores el inicio de la Web 2.0. La diferencia ahora es que el coste de jugar esta partida se ha disparado. Una valoración de 12.000 millones de dólares para un laboratorio con un solo producto indica que los inversores están comprando una opción sobre el futuro, no el presente.
Meta se encuentra en una posición ambivalente. Ha sido y sigue siendo fundamental para la comunidad open source (PyTorch, modelos de visión, trabajos en multimodalidad), pero no ha logrado aún lanzar un producto de consumo masivo que capture la imaginación del público como lo hizo ChatGPT. Para muchos investigadores, la pregunta es dónde es más probable que nazca la "próxima gran plataforma": ¿en una megaempresa con múltiples prioridades, o en un laboratorio ágil que solo vive para la IA?
El ascenso de TML demuestra además que los supuestos "fosos" basados en el talento son mucho menos profundos de lo que los directivos creen. Meta dedicó más de una década a formar a parte de estas personas; un laboratorio con financiación fresca, discurso convincente y acceso a cómputo ha sido capaz de atraerlas en cuestión de meses.
El ángulo europeo e hispanohablante
Desde Europa, esto debería leerse como un toque de atención. Mientras Bruselas avanza con el Reglamento de IA de la UE, la realidad industrial es que la vanguardia de los modelos fundacionales se sigue concentrando en Estados Unidos, ahora también en forma de laboratorios independientes como TML estrechamente vinculados a los hyperscalers.
Europa tiene fortalezas: buena investigación académica, iniciativas de supercomputación pública, un marco regulatorio claro. Pero si no se acompaña de apuestas equivalentes en compute y en paquetes de compensación competitivos, el riesgo es convertirse en un continente que consume y regula modelos creados en otros sitios. Y en el mundo de la IA, quien define los modelos define también, en buena medida, los límites de lo posible.
Para España y para América Latina hay, sin embargo, algunas oportunidades interesantes. A medida que laboratorios como TML crecen, necesitan extender su base de talento más allá del área de la Bahía de San Francisco. Eso abre la puerta a equipos remotos en Madrid, Barcelona, Ciudad de México, Buenos Aires o Bogotá, trabajando directamente sobre modelos punteros sin abandonar sus países. Ya hemos visto algo parecido con hubs de empresas como Amazon, Google o Meta; la diferencia es que ahora hablamos de trabajar sobre el propio corazón de la tecnología, no solo sobre productos periféricos.
Al mismo tiempo, existe el riesgo de que el mundo hispanohablante quede relegado a "consumidor" de modelos entrenados principalmente con datos y prioridades anglosajones. Si los grandes laboratorios que controlan el cómputo no consideran el español y el portugués como idiomas de primera clase, toda la región saldrá perdiendo. Aquí Europa podría jugar un papel impulsando modelos multilingües abiertos con fuerte soporte para lenguas europeas y latinoamericanas.
Mirando hacia adelante
El gran interrogante es si Thinking Machines será capaz de transformar esta posición inicial —talento de élite y acceso a GB300— en una ventaja sostenible. La historia reciente está llena de startups con grandes fichajes y alianzas que nunca encontraron un modelo de negocio claro.
En los próximos 12–24 meses deberíamos observar varios movimientos.
Primero, una intensificación de la guerra por el talento. Meta seguirá intentando recuperar perfiles clave y atraer a nuevos investigadores desde otros laboratorios; TML, por su parte, seguirá pescando en las aguas de Meta, OpenAI, Anthropic y compañías de automoción o cloud. El sueldo será importante, pero el verdadero diferencial estará en la capacidad de influir en la agenda del laboratorio y en el paquete de acciones.
Segundo, un escrutinio mayor por parte de reguladores, especialmente en Europa. El Reglamento de IA de la UE introduce obligaciones específicas para modelos de propósito general considerados "sistémicos". Aunque TML sea estadounidense, si sus modelos se usan en servicios ofrecidos dentro de la UE, tendrá que cumplir con requisitos de transparencia, evaluación de riesgos y gobernanza. Eso puede convertirse en una barrera de entrada para algunos actores… o en un incentivo para tomarse realmente en serio la seguridad.
Tercero, una alineación aún más marcada entre laboratorios y proveedores de nube. El mensaje implícito del acuerdo entre Google y TML es claro: si tu modelo revoluciona el mercado, queremos que corra sobre nuestra infraestructura. Para empresas españolas y latinoamericanas que construyen productos sobre IA, esto significa que la elección del modelo condicionará también la elección de nube, con implicaciones en costes, lock‑in y soberanía de datos.
Para el ecosistema hispanohablante, la pregunta estratégica es si intentar jugar en la primera división de modelos fundacionales —algo extremadamente caro— o centrarse en capas superiores: datos, aplicaciones verticales, adaptación local de modelos globales.
En resumen
La salida de investigadores clave de Meta hacia Thinking Machines Lab, combinada con el acceso privilegiado de TML a los chips GB300 vía Google Cloud, marca un cambio en el centro de gravedad de la IA: ya no es solo cosa de los grandes conglomerados, sino de unos pocos laboratorios hiperconectados a la nube y al capital. Eso abre espacio para innovación rápida, pero también concentra mucho poder técnico y económico en muy pocas manos. Para España y Latinoamérica, la disyuntiva es clara: o se apuesta en serio por capacidades propias —aunque sea en nichos específicos—, o se acepta un rol principalmente dependiente de las decisiones que tomen unos pocos laboratorios en California.
