La financiación de NeoLabs de IA de Radical Ventures alcanzó los 24.000 millones de dólares, pero los productos siguen rezagados
Según informes, la financiación de NeoLabs de IA de Radical Ventures alcanzó los 24.000 millones de dólares en los dos últimos trimestres, pese a que muchos beneficiarios carecen de productos, mercados o ingresos consolidados. El total se acerca a cinco veces el capital que OpenAI y Anthropic recaudaron antes de la aparición de ChatGPT, según un análisis destacado por el Financial Times.
La comparación refleja un marcado cambio de rumbo en la financiación de startups. OpenAI y Anthropic dedicaron años a desarrollar programas de investigación antes de que su impulso comercial se hiciera evidente. Hoy, los inversores apuestan miles de millones de dólares por equipos recién formados antes de que estos alcancen el ajuste producto-mercado.
Radical Ventures denomina a estas compañías “NeoLabs”: startups lideradas por investigadores que persiguen avances fundamentales en IA fuera de los laboratorios de frontera ya establecidos. La categoría incluye a Safe Superintelligence, Thinking Machines Lab, World Labs, Reflection AI y decenas de empresas de investigación más especializadas.
La apuesta no consiste simplemente en que otro chatbot gane cuota de mercado. Los inversores confían en que pequeños grupos de investigadores reconocidos puedan descubrir la arquitectura, el método de entrenamiento o el sistema de aprendizaje que sustituya al enfoque dominante actual.
Esta tesis plantea una pregunta incómoda. ¿Las firmas de capital riesgo están financiando al próximo OpenAI antes de su gran avance, o están pagando valoraciones propias de empresas de frontera por proyectos de investigación cuyas vías comerciales siguen sin definirse?
La financiación de NeoLabs de IA de Radical Ventures alcanzó un nuevo extremo
El cambio decisivo es la cantidad de capital que los inversores están dispuestos a comprometer antes de que exista evidencia convencional de una startup.
Radical Ventures identificó más de 40 neolabs de IA independientes que, en conjunto, han recaudado más de 40.000 millones de dólares desde 2024. Su mapa de mercado de NeoLabs los sitúa en áreas como modelos de mundo, aprendizaje por refuerzo, aprendizaje continuo, difusión y otras líneas de investigación.
Según la cobertura del Financial Times, solo en los dos trimestres más recientes llegaron 24.000 millones de dólares. Ese ritmo importa más que la cifra acumulada, porque sugiere que la financiación se está acelerando en vez de estabilizarse tras la oleada inicial.
Radical Ventures ofrece una comparación histórica. OpenAI y Anthropic recaudaron conjuntamente 5.300 millones de dólares entre la fundación de OpenAI en 2015 y el lanzamiento de ChatGPT en noviembre de 2022. La nueva cohorte atrajo casi cinco veces esa cantidad en seis meses.
La comparación no es perfecta. Los costes de cómputo han aumentado, la familiaridad de los inversores con la IA ha cambiado y los laboratorios más recientes pueden reclutar a personas con experiencia demostrada en la creación de modelos de frontera. Además, un dólar recaudado en 2026 no representa el mismo poder adquisitivo ni el mismo contexto de mercado que un dólar obtenido varios años antes.
Sin embargo, esas salvedades no eliminan el cambio de fondo. Antes, la financiación de startups seguía a la evidencia de que una empresa había descubierto un mercado. En el modelo de neolabs de IA, el capital suele llegar para financiar la búsqueda de un descubrimiento que podría crear un mercado más adelante.
Safe Superintelligence ilustra este patrón. Ilya Sutskever, Daniel Gross y Daniel Levy lanzaron la empresa en junio de 2024 con un objetivo declarado: construir una superinteligencia segura. En cuestión de meses, el laboratorio había recaudado sus primeros 1.000 millones de dólares.
El sitio público de SSI afirma que su enfoque único evita los “ciclos de producto” y aísla su trabajo de la presión comercial a corto plazo. Esa misión centrada en la investigación es inusualmente directa al posponer las obligaciones habituales de una startup de software.
Informes de 2025 indicaron que SSI recaudó posteriormente otros 2.000 millones de dólares con una valoración de 32.000 millones. En ese momento, la empresa seguía sin una hoja de ruta pública de productos. Los inversores valoraban a los fundadores, el objetivo de investigación y la posibilidad de un futuro avance.
Thinking Machines Lab siguió otra versión del mismo camino. La empresa, fundada por la exdirectora de tecnología de OpenAI Mira Murati, cerró una ronda semilla de 2.000 millones de dólares antes de lanzar un producto. Su valoración inicial alcanzó los 12.000 millones de dólares, según informes de la época.
La magnitud y el calendario de estas rondas cambian el significado de la “inversión semilla”. Tradicionalmente, una ronda semilla financia las primeras contrataciones, el desarrollo de producto y las pruebas iniciales de mercado. Una ronda de miles de millones para un neolab financia talento, cómputo y tiempo a una escala más cercana a la institucional.
Radical Ventures afirma que 13 proveedores de modelos de Norteamérica y Europa han completado rondas de al menos 1.000 millones de dólares desde el inicio de 2025. Ocho pertenecían a su categoría NeoLab.
No se trata de operaciones aisladas protagonizadas por fundadores célebres. Forman una estructura emergente de capital para la investigación en IA, basada en compromisos iniciales excepcionalmente grandes y cronogramas técnicos muy largos.
Por qué los inversores financian equipos antes que productos
Los inversores de neolabs de IA financian investigadores escasos y tesis de investigación, no los ingresos actuales.
Este enfoque parte de la creencia de que un pequeño número de investigadores puede cambiar de forma significativa la dirección de la inteligencia artificial. Sus trayectorias se convierten en sustitutos de productos que todavía no existen.
Sutskever ayudó a liderar el desarrollo de influyentes sistemas de redes neuronales antes de cofundar OpenAI. Murati supervisó importantes esfuerzos de producto e investigación en OpenAI. La fundadora de World Labs, Fei-Fei Li, cuenta con décadas de trabajo reconocido en visión por computador e inteligencia espacial.
Estos antecedentes reducen una forma de incertidumbre. Los inversores pueden evaluar si un equipo fundador ha contribuido anteriormente a sistemas de frontera, ha reclutado colegas de élite y ha gestionado grandes programas de cómputo.
No eliminan la incertidumbre de mercado. Un equipo de investigación destacado puede perseguir una idea que fracase técnicamente, llegue después de un competidor o resulte demasiado costosa para los clientes.
El argumento de los inversores se apoya en parte en los retornos de ley de potencia. La mayoría de los laboratorios pueden fracasar si una empresa exitosa se convierte en una nueva plataforma con enorme valor económico. Un único ganador podría cubrir las pérdidas del resto de la cartera de un fondo.
OpenAI y Anthropic funcionan como pruebas de que esto es posible. Ambas surgieron de grupos concentrados de investigadores, atrajeron capital sustancial y acabaron creando productos ampliamente adoptados. Sus trayectorias hacen que un nuevo laboratorio independiente parezca menos inverosímil de lo que habría parecido antes de ChatGPT.
Sin embargo, la comparación comprime años de desarrollo difícil en una historia limpia de éxito. OpenAI exploró robótica, aprendizaje por refuerzo, modelos de lenguaje y otros proyectos antes de que ChatGPT lograra adopción masiva. Anthropic desarrolló sus modelos y métodos de seguridad mientras construía una operación comercial enfocada en empresas.
Los nuevos neolabs reciben valoraciones influidas por lo que esas empresas llegaron a ser, no por cómo eran en sus primeros años. En efecto, los inversores están adelantando el valor futuro esperado.
La competencia por el talento refuerza este comportamiento. Un laboratorio recién creado no puede contratar investigadores reconocidos únicamente con una promesa lejana y una compensación típica de startup. Necesita suficiente capital para ofrecer paquetes competitivos, asegurar capacidad de cómputo y demostrar que su trabajo puede continuar durante varios ciclos de entrenamiento.
Radical Ventures estima que más de 40 fundadores de NeoLabs trabajaron anteriormente en Google DeepMind. Otros han salido de OpenAI, Meta, universidades líderes y startups de IA ya establecidas.
La influencia de DeepMind es especialmente importante. Sus equipos contribuyeron a AlphaGo, AlphaStar, AlphaFold y otros programas de investigación de alto perfil. Los antiguos empleados trasladan tanto conocimiento técnico como redes profesionales a nuevas empresas.
Esto crea un mecanismo circular de financiación. Investigadores famosos atraen capital, el capital ayuda a reclutar a más investigadores famosos y el equipo ampliado respalda una valoración más alta. La evidencia de producto puede seguir siendo secundaria durante las primeras etapas del ciclo.
Los inversores también temen perderse una empresa que defina una categoría. Una vez que un laboratorio asegura un equipo reconocido y un importante compromiso de cómputo, incorporarse más tarde puede resultar mucho más caro.
Ese temor favorece las decisiones rápidas. Esperar ingresos podría generar mejor evidencia, pero también puede eliminar el acceso a la inversión o elevar drásticamente la valoración de entrada.
El resultado se parece más a la financiación de la investigación farmacéutica que al software convencional. Los inversores financian programas científicos durante largos periodos sin ingresos comerciales porque un descubrimiento exitoso puede respaldar una valiosa cartera de productos.
La IA difiere en un aspecto crucial. El desarrollo farmacéutico cuenta con fases clínicas estructuradas, hitos regulatorios y métodos más claros para comparar tratamientos candidatos. La investigación de IA de frontera carece de un marco equivalente de validación.
Los benchmarks ofrecen evidencia parcial, pero pueden optimizarse, contaminarse o quedar rápidamente superados. Las demostraciones técnicas revelan capacidad sin demostrar que los clientes pagarán lo suficiente para cubrir los costes de desarrollo e inferencia.
Esa brecha explica por qué la reputación de los fundadores tiene tanto peso financiero. Cuando los hitos objetivos siguen siendo inciertos, los logros previos se convierten en una señal excepcionalmente importante.
La apuesta enfrenta nuevas arquitecturas con la frontera actual
La competencia principal se libra entre paradigmas alternativos de investigación y los sistemas transformer escalados que ya comercializan los actores establecidos.
La mayoría de los neolabs no prometen una versión ligeramente mejorada de un asistente existente. Sostienen, de forma explícita o implícita, que los modelos actuales afrontan limitaciones que requieren una vía técnica diferente.
Los investigadores de modelos de mundo creen que los sistemas necesitan representaciones internas de entornos físicos, no solo patrones estadísticos aprendidos del texto. Estos modelos intentan predecir cómo cambia una escena o un entorno después de una acción.
World Labs persigue la inteligencia espacial, mientras que otras empresas aplican ideas relacionadas a la robótica, el vídeo y la simulación. Su oportunidad depende de que los modelos multimodales actuales alcancen un límite que las representaciones basadas en el mundo puedan superar.
Las empresas de aprendizaje continuo se centran en otra limitación. La mayoría de los modelos fundacionales desplegados permanecen en gran medida fijos tras el entrenamiento. Los desarrolladores pueden añadir información recuperada o ajustarlos finamente, pero el modelo subyacente no se actualiza de forma continua mediante la experiencia cotidiana.
Un sistema exitoso de aprendizaje continuo se adaptaría preservando el conocimiento previo. Esa combinación sigue siendo difícil porque el nuevo aprendizaje puede dañar capacidades adquiridas anteriormente, un problema conocido a menudo como olvido catastrófico.
Los laboratorios de aprendizaje por refuerzo plantean un argumento diferente. Sostienen que los modelos entrenados principalmente para predecir datos generados por humanos no pueden avanzar de forma fiable más allá del conocimiento existente.
Sus sistemas aprenden de la retroalimentación dentro de entornos donde los resultados pueden comprobarse. Ganar un juego, demostrar una ecuación o producir un programa funcional proporciona una señal más sólida que imitar texto por sí solo.
Otros grupos exploran modelos de lenguaje basados en difusión. Los modelos autorregresivos tradicionales generan un token tras otro. Los enfoques de difusión pueden refinar bloques más grandes en paralelo, lo que podría cambiar el equilibrio entre velocidad, coste y calidad de salida.
Los modelos basados en energía adoptan otra vía. En lugar de generar directamente una secuencia, puntúan configuraciones candidatas frente a restricciones. Sus defensores creen que este proceso puede mejorar la planificación y el razonamiento verificable.
Estos enfoques son técnicamente distintos, pero sus relatos de inversión comparten la misma estructura. Cada laboratorio identifica una limitación en los modelos de frontera actuales y propone un método que podría volverse esencial cuando el escalado empiece a ofrecer rendimientos decrecientes.
OpenAI, Anthropic, Google DeepMind y Meta no permanecen inmóviles mientras estas startups investigan. Las empresas consolidadas pueden explorar internamente muchos de los mismos métodos, respaldadas por infraestructura, distribución y relaciones con clientes ya existentes.
Esa es la presión central sobre la tesis de los neolabs. Una startup necesita más que una idea de investigación válida. Debe desarrollar esa idea más rápido de lo que una empresa consolidada pueda reproducirla, adquirirla o superarla.
Radical Ventures incluye este objetivo cambiante entre los principales riesgos de la categoría. Los laboratorios de programación, por ejemplo, pueden pasar años desarrollando sistemas especializados para encontrarse con productos que mejoran rápidamente, como Claude Code o Codex.
Los modelos de pesos abiertos plantean otro desafío. Si sistemas capaces pasan a estar disponibles abiertamente poco después de que un laboratorio complete un costoso ciclo de entrenamiento, la diferenciación técnica puede perder valor comercial antes de que la empresa construya distribución.
La originalidad de la investigación tampoco garantiza un negocio duradero. Un laboratorio podría publicar una técnica influyente que empresas más grandes incorporen sin pagar al desarrollador original.
El mejor resultado requiere tres logros conectados. El equipo debe conseguir un avance técnico real, convertirlo en un producto y crear una ventaja comercial que los competidores no puedan borrar rápidamente.
El primer paso atrae atención y financiación. El segundo y el tercero determinan si los inversores financiaron una empresa o un programa de investigación inusualmente caro.
Lo que no muestra la cifra de 24.000 millones de dólares
Los totales de financiación que acaparan titulares pueden exagerar cuánto riesgo independiente han asumido los inversores y cuánto capital utilizable controlan los laboratorios.
Los anuncios de financiación privada suelen combinar varias formas de compromiso. Una ronda reportada puede incluir efectivo, créditos en la nube, tramos futuros, inversiones estratégicas o financiación vinculada a condiciones específicas.
Por tanto, el importe anunciado no siempre equivale a dinero sin restricciones depositado de inmediato en la cuenta bancaria de una empresa. Sin documentos completos de las transacciones, los lectores externos no pueden comparar de forma fiable todas las rondas bajo condiciones idénticas.
Las valoraciones pueden crear otra distorsión. Puede venderse una pequeña parte de una empresa a un precio elevado, estableciendo una valoración destacada para todo el negocio. Esa cifra no indica si la compañía podría vender una participación mucho mayor al mismo precio.
Los inversores estratégicos también tienen intereses que van más allá de los rendimientos financieros. Los fabricantes de chips se benefician cuando los laboratorios compran hardware de computación. Los proveedores de nube se benefician cuando las startups se comprometen a utilizar infraestructura a largo plazo.
Nvidia se ha convertido en uno de los inversores más activos en el mercado de proveedores de modelos, según Radical Ventures. Esa posición refleja la estrecha relación entre la financiación de startups y la demanda de capacidad de cómputo.
Radical estima que el entrenamiento y la inferencia suelen consumir bastante más de la mitad del gasto de un neolab. Si un inversor proporciona chips, capacidad en la nube o financiación vinculada a infraestructura, parte de la transacción respalda el propio ecosistema comercial del inversor.
Esto no vuelve artificial la inversión. Los laboratorios realmente necesitan capacidad de cómputo, y las alianzas estratégicas pueden reducir el riesgo de no disponer de capacidad. Sin embargo, complica cualquier interpretación simple de la financiación como confianza independiente en futuros ingresos por productos.
Los compromisos de cómputo también pueden convertirse en pasivos. Un laboratorio puede asegurar años de capacidad antes de saber qué arquitectura funcionará o cuánta demanda generará un producto futuro.
Entrenar un modelo de frontera produce un activo técnico, pero cada nueva generación puede requerir otra gran inversión. Una empresa que se pierda un ciclo importante puede verse presionada a recaudar de nuevo en condiciones desfavorables.
La financiación original de SSI mostró lo rápido que puede surgir esta tensión. Axios señaló que incluso una ronda de efectivo de mil millones de dólares podría no durar mucho si la empresa persiguiera la superinteligencia sin ingresos intermedios. Su análisis de financiación identificó las necesidades recurrentes de capital como un riesgo central.
La ausencia de ingresos no es automáticamente evidencia de fracaso. Las empresas orientadas a la investigación pueden retrasar racionalmente la comercialización mientras protegen un programa técnico complejo.
El problema es que los inversores deben distinguir entre una paciencia productiva y una ausencia indefinida de validación. La información privada ofrece a los observadores externos datos limitados sobre los resultados de entrenamiento, las tasas de gasto o los hitos internos.
Los laboratorios pueden mantenerse en modo sigiloso mientras recaudan con valoraciones más altas. Cada nueva ronda parece entonces validar la anterior, incluso cuando la señal más fuerte es la disposición de otro inversor a participar.
El modelo se vuelve frágil si se debilita la disponibilidad de capital. Una empresa con clientes de pago puede ajustar el gasto, mejorar los márgenes o centrarse en su producto más sólido. Un laboratorio sin ingresos tiene menos opciones, porque recortar capacidad de cómputo o perder investigadores puede socavar su principal activo.
La concentración de talento introduce un riesgo similar. La valoración de un laboratorio puede depender en gran medida de varios fundadores reconocidos o investigadores sénior. Si se marchan, la empresa no puede reemplazar sus reputaciones con la misma facilidad con que un negocio de software reemplaza a un ejecutivo de ventas.
Thinking Machines se enfrentó a un ejemplo temprano cuando el cofundador Andrew Tulloch regresó a Meta tras su importante financiación inicial. La salida no determinó el destino de la empresa, pero mostró cuán rápidamente puede ponerse a prueba una tesis de inversión basada en el talento.
La diligencia debida tradicional de las startups pregunta si los clientes eligen repetidamente un producto. La diligencia debida de los NeoLabs suele preguntar si un equipo puede mantenerse unido el tiempo suficiente para descubrir algo defendible.
Esas preguntas exigen pruebas diferentes. Los totales de financiación no responden a ninguna de las dos.
La financiación de los NeoLabs de IA presiona a las empresas consolidadas y a las startups más pequeñas
El dinero intensifica la competencia por investigadores y capacidad de cómputo, al tiempo que eleva el coste mínimo de perseguir IA de frontera de forma independiente.
OpenAI, Anthropic, Google DeepMind y Meta afrontan un problema directo de retención. Sus investigadores más sólidos saben ahora que marcharse puede desbloquear una financiación enorme y un control considerable sobre una nueva agenda de investigación.
Los grandes laboratorios pueden responder con una compensación mayor, más autonomía o equipos internos organizados en torno a proyectos especulativos. Las agresivas campañas de contratación de Meta mostraron cuán rápido la remuneración de los investigadores puede convertirse en un gasto estratégico.
Las empresas consolidadas conservan ventajas importantes. Ofrecen enormes sistemas de cómputo, equipos operativos experimentados, acceso a datos propietarios y vías inmediatas desde la investigación hasta millones de usuarios.
Sin embargo, la escala también puede generar frustración. Los calendarios de producto, las revisiones de seguridad, los compromisos empresariales y las capas organizativas pueden limitar a los investigadores que desean perseguir una tesis técnica más específica.
Los NeoLabs venden una alternativa. Un equipo pequeño puede elegir un problema a largo plazo, evitar dar soporte a productos maduros y organizar toda la empresa en torno a su investigación.
Esa propuesta también presiona a las startups independientes. Una empresa convencional de IA que busca varios millones de dólares para crear un producto útil ahora compite por atención con laboratorios que recaudan miles de millones en torno a ambiciones técnicas más llamativas.
Los dos grupos suelen perseguir mercados distintos, pero recurren a grupos superpuestos de ingenieros, inversores y recursos de cómputo. La alta compensación en laboratorios bien financiados puede dificultar mucho más la contratación para las empresas centradas en productos.
La capacidad de nube y de chips crea otra división. Radical Ventures sostiene que el acceso garantizado a capacidad de cómputo multianual se ha vuelto más restrictivo que el propio capital.
Un equipo puede recaudar dinero y aun así tener dificultades para obtener suficientes aceleradores avanzados en el momento adecuado. Los retrasos pueden alterar los calendarios de entrenamiento mientras rivales mejor conectados avanzan.
La ola de financiación también afecta a los compradores empresariales. Más laboratorios prometen modelos especializados, arquitecturas alternativas o inferencia de menor coste. Los compradores ganan opciones, pero muchos proveedores carecen de historiales operativos probados.
Un referente técnico no responde si un proveedor puede respaldar cargas de trabajo de producción, proteger datos, cumplir compromisos de servicio o sobrevivir varios años. Los equipos de compras deben evaluar la resistencia financiera de los proveedores junto con la capacidad de los modelos.
Los desarrolladores afrontan un problema relacionado. Construir en profundidad sobre un modelo nuevo puede generar costes de cambio incluso cuando su interfaz de programación de aplicaciones parece compatible con alternativas.
Un neolab que cambia de rumbo, se queda sin financiación o vende su equipo a una empresa consolidada puede dejar a los clientes sin la hoja de ruta de producto que esperaban.
La adquisición no es una red de seguridad garantizada. Radical Ventures señala que el grupo de compradores naturales es limitado porque las grandes empresas tecnológicas ya mantienen relaciones estrechas con laboratorios de IA establecidos.
Los reguladores también han examinado acuerdos que transfieren equipos y tecnología sin comprar una empresa completa. Estas denominadas adquisiciones inversas de equipos pueden ofrecer a fundadores y empleados una salida, mientras dejan a los inversores externos con recuperaciones inciertas.
El acuerdo de Microsoft con Inflection AI demostró por qué estas estructuras atraen escrutinio. La transacción trasladó personal sénior y licenció tecnología sin seguir la forma más sencilla de una adquisición convencional.
Para un neolab exitoso, la presión sobre las empresas consolidadas puede resultar productiva. Una alternativa creíble puede impulsar lanzamientos más rápidos, mejores condiciones de investigación o precios más competitivos.
Para los laboratorios que no tienen éxito, la misma presión puede producir duplicación costosa. Varios equipos pueden gastar mucho entrenando sistemas similares antes de descubrir que ninguno posee una ventaja defendible.
Por tanto, la ola de 24.000 millones de dólares incrementa tanto la experimentación como el desperdicio. Las carteras de capital de riesgo pueden tolerar esa combinación, pero los proveedores de infraestructura, los empleados y los clientes empresariales experimentan las consecuencias de manera diferente.
Tres señales pondrán a prueba la tesis de los NeoLabs de IA
Los productos, la evidencia técnica independiente y los ingresos repetibles determinarán si la ola de financiación creó nuevas empresas de frontera.
La primera señal es la entrega de productos. Los laboratorios que recaudaron grandes rondas tempranas deben convertir sus programas de investigación en sistemas que usuarios externos puedan examinar.
Un lanzamiento no tiene que parecerse a ChatGPT. Puede ser un modelo, una plataforma para desarrolladores, un sistema de robótica, una herramienta científica o un producto de infraestructura. Aun así, debe resolver un problema definido para usuarios más allá del equipo de investigación fundador.
Thinking Machines ofreció una prueba temprana cuando empezó a lanzar herramientas tras su ronda inicial récord. Sus actualizaciones de la empresa proporcionan un registro público con el que inversores y desarrolladores pueden comparar las expectativas anteriores.
La pregunta crucial no es si un laboratorio lanza algo. Las empresas pueden empaquetar métodos existentes en demostraciones respetables. La cuestión es si el producto muestra una ventaja vinculada a la tesis de investigación original del laboratorio.
La segunda señal es la validación técnica independiente. Los neolabs hacen con frecuencia afirmaciones sobre nuevos métodos de aprendizaje, arquitecturas o caminos hacia la inteligencia general.
Esas afirmaciones ganan credibilidad cuando investigadores externos pueden reproducir los resultados, los clientes pueden probar el rendimiento o evaluaciones detalladas muestran ventajas en tareas relevantes.
Una ventaja en un referente que desaparece tras varias semanas ofrece un respaldo limitado para una valoración de miles de millones de dólares. Un método que reduce los costes de entrenamiento, mejora la fiabilidad o permite aplicaciones antes inviables aporta pruebas más sólidas.
Los inversores también deberían observar si las empresas establecidas adoptan métodos similares. La adopción puede validar la línea de investigación, al tiempo que debilita la ventaja competitiva de la startup.
La tercera señal es la calidad de los ingresos. Un laboratorio no necesita ser rentable de inmediato, pero una demanda recurrente de clientes distingue a una empresa duradera de un experimento financiado.
Los ingresos deben provenir de clientes que eligen el producto, y no principalmente de acuerdos estratégicos relacionados o asociaciones puntuales de investigación. El crecimiento también debe seguir siendo significativo tras considerar los costes de inferencia e infraestructura.
La trayectoria de OpenAI ilustra por qué la distribución importa. Su anuncio de financiación de 2025 vinculó el nuevo capital con una infraestructura ampliada y productos que atienden a cientos de millones de usuarios semanales. La actualización de financiación de la empresa conectó el gasto en investigación con un motor de adopción ya visible.
La mayoría de los nuevos laboratorios aún no han establecido ese ciclo. Están recaudando el capital necesario para descubrir si existe uno.
Los próximos trimestres deberían revelar diferencias significativas dentro de la categoría. Algunos equipos lanzarán sistemas creíbles. Otros seguirán siendo privados mientras buscan financiación adicional. Unos pocos perderán talento, cambiarán de dirección o buscarán salidas estratégicas.
Por tanto, el total de 24.000 millones de dólares es un punto de partida, no una tarjeta de puntuación. Mide la disposición de los inversores a financiar caminos alternativos más allá de las actuales empresas de frontera. No mide cuántos de esos caminos funcionan.
Los desarrolladores y compradores empresariales deberían observar si el producto de cada laboratorio refleja la distinción técnica que promete. Los inversores deberían mirar más allá de la próxima valoración y preguntarse si la evidencia se acumula más rápido que el gasto.
La financiación de Radical Ventures para los neolaboratorios de IA ha hecho posible la investigación independiente de frontera a una escala sin precedentes. La tarea más difícil comienza después del cierre de la ronda: convertir talento concentrado, computación costosa y ambición científica en productos que las personas eligen repetidamente.
¿Qué laboratorios podrán demostrar esa conversión antes de su próxima financiación importante? La respuesta revelará si el auge de los NeoLab amplió la frontera de la IA o simplemente elevó el precio de buscarla.
