Una década de migración del talento de IA en China

En 2026, Moonshot AI lanzó Kimi K3 como modelo de código abierto. En varias pruebas se acercó o superó a los principales modelos cerrados de ese momento. También provocó un nuevo “momento Kimi” en Silicon Valley.

El impacto fue distinto al “momento DeepSeek” del año anterior. Hasta entonces, cuando se hablaba de modelos chinos fuera del país, los calificativos más frecuentes eran baratos, abiertos y de buena relación costo-beneficio. K3 planteó otra posibilidad: un equipo chino podía acercarse a la frontera de capacidad de los modelos y aun así optar por abrir el resultado.

El modelo se presentó en 2026. Las personas que lo hicieron posible no aparecieron de la nada.

Durante la última década trabajé en una compañía de visión por computadora, un instituto de IA y una firma de inversión. También participé en el financiamiento inicial de Moonshot AI. Algunos de los investigadores e ingenieros que conocí pasaron de Microsoft Research Asia, Baidu Research y laboratorios universitarios chinos a la primera generación de empresas emergentes de IA. Años después volvieron a moverse: de SenseTime, Megvii, Yitu y compañías similares hacia grandes empresas de internet, firmas de inversión cuantitativa y una nueva generación de equipos dedicados a modelos fundacionales.

Visto desde afuera, puede parecer que dos grupos distintos de emprendedores subieron al escenario uno después del otro. Desde dentro de la industria, se parece más a una migración que ya dura diez años. No solo migró el talento. También se desplazaron la confianza en la tecnología, las formas de hacer ingeniería y la cautela que queda cuando se derrumba un idealismo anterior.

Lo que la primera generación enseñó a su gente

Me incorporé a Yitu en 2016. Junto con SenseTime, Megvii y CloudWalk, formaba parte de un grupo al que los medios chinos llamaban los “cuatro unicornios de la visión por computadora”. Las cuatro compañías intentaban llevar el aprendizaje profundo más allá de los artículos académicos y los conjuntos de prueba, hacia ciudades, hospitales y otros entornos reales.

En mi segundo día, uno de los fundadores reunió en una sala pequeña a las tres personas que habíamos entrado esa semana y anunció que, desde ese momento, existía el equipo de producto. A cada uno nos asignó una línea de producto y nos dijo con qué investigadores e ingenieros trabajaríamos. Después nos dejó solos.

Los gerentes de producto no tenían responsabilidades claramente delimitadas. Hacíamos todo aquello que no hacían los investigadores ni los ingenieros. Nadie podía explicarnos cuál era el proceso estándar porque la propia compañía aún no lo sabía.

El primer año fue difícil. Cada proceso comenzó con un error. Un proyecto fallaba y así aprendíamos dónde agregar una revisión. Una colaboración se desviaba y en la siguiente ronda incorporábamos otra instancia de evaluación. Quien entraba a una gran empresa de internet podía aprender métodos ya maduros. Nosotros teníamos que chocar primero con el problema y después descubrir cómo resolverlo.

Dos años más tarde empecé a agradecer esa experiencia. Cuando un proceso te dice qué hacer, es fácil dejar de preguntar por qué. Cada paso que construimos surgió de una señal concreta, así que sabíamos qué problema debía resolver. Esa forma de aprender después pudo trasladarse a industrias y puestos completamente distintos.

Las compañías de IA de la primera generación también estaban dispuestas a confiar problemas enormes a personas muy jóvenes. En los equipos había universitarios que aún no se graduaban, participantes de concursos de programación e incluso estudiantes de preparatoria que habían comenzado temprano en laboratorios. Los fundadores no conocían la respuesta correcta. Simplemente creían que las personas inteligentes y curiosas debían tener la oportunidad de intentarlo.

Hoy se suele presentar a las compañías de modelos fundacionales como un tipo de organización completamente nuevo. Para quienes vivieron el ciclo anterior, su carácter resulta familiar: la dirección marca una orientación técnica amplia y los investigadores e ingenieros exploran con bastante libertad. Muchos sistemas no se diseñan por anticipado. Crecen poco a poco entre experimentos fallidos, caídas de sistemas y el trabajo de convertir modelos en productos.

La primera generación también encontró límites muy concretos. Un sistema de reconocimiento facial podía funcionar bien en una provincia y fallar en otra por diferencias de clima, iluminación, altura de las cámaras o ángulo de captura. El equipo tenía que reunir y etiquetar datos nuevos y entrenar otra vez el modelo.

Cuantos más clientes conseguía una compañía, más personal de investigación y entrega necesitaba. A diferencia del software de internet, estos sistemas no reducían continuamente su costo marginal al crecer. Algunos de los graduados en ciencia e ingeniería más costosos del país terminaban construyendo soluciones a la medida para un cliente tras otro. El negocio crecía, pero también crecían los costos y la complejidad de gestión.

Ese fue el límite compartido por la primera generación: cuando los modelos no podían generalizar, el negocio empezaba a parecerse a una consultoría tecnológica de alto nivel.

Esas compañías no se convirtieron en lo que muchos imaginaron al principio, pero formaron a una generación. Sus empleados aprendieron a trabajar con datos, convertir artículos académicos en sistemas y comprender la distancia entre una métrica técnica y una implementación real. También atravesaron un auge de financiamiento, una expansión acelerada de proyectos y el enfriamiento de la industria. Cuando comenzó la segunda ola de IA, llevaron consigo tanto la experiencia como la decepción.

Las redes de talento llegaron antes que las compañías

La cadena puede rastrearse aún más atrás.

Antes de que existieran los cuatro unicornios de visión por computadora, Microsoft Research Asia (MSRA), Baidu Research y los laboratorios universitarios ya habían formado a una generación de investigadores chinos en IA. Entre mis compañeros de universidad, muchos de los mejores estudiantes de ciencias de la computación hacían prácticas en MSRA. Una trayectoria parecida fue común entre quienes después fundaron o se incorporaron a las primeras compañías de IA.

Esas compañías formaron a la siguiente generación. Muchos fundadores y empleados clave de Moonshot AI, MiniMax, Zhipu AI y otros equipos de modelos fundacionales trabajaron o hicieron prácticas en empresas de la primera ola. Tal vez no coincidieron en el mismo momento, pero comparten una parte de la memoria de la industria.

Las universidades y los concursos de programación formaron otra capa de la red. Los laboratorios, programas de élite en ciencias de la computación y equipos de competencia de Tsinghua University, Peking University, Shanghai Jiao Tong University, Zhejiang University y otras instituciones permitieron que muchas personas conocieran desde temprano la forma en que sus pares resolvían problemas. Cuando se creaban nuevas compañías, los fundadores solían empezar con personas con quienes ya habían trabajado y discutido.

No era un mapa de talento diseñado de antemano. Cuando alguien decide investigar un problema sin recompensa clara, la confianza suele venir del contacto previo. Sabes qué le interesa de verdad a la otra persona y tienes una idea de cómo reaccionará cuando un experimento fracase o escaseen los recursos.

Por eso la composición de las compañías terminó siendo distinta. Los primeros equipos de Moonshot AI y MiniMax tenían más vínculos con la generación anterior de empresas de IA. Zhipu AI nació de un laboratorio de Tsinghua y podía llegar con mayor facilidad a estudiantes de la misma red académica. High-Flyer, la firma de inversión cuantitativa detrás de DeepSeek, conocía mejor a recién graduados de concursos de algoritmos y a ingenieros jóvenes.

Cuando busqué equipos chinos capaces de desarrollar modelos fundacionales de propósito general durante la primera mitad de 2023, no reparé en DeepSeek. Mi información provenía sobre todo de la generación anterior de profesionales de IA, mientras DeepSeek reclutaba gente más joven. Solo empecé a verlo cuando conocí a una nueva cohorte de investigadores.

Esto no significa necesariamente que las compañías tuvieran definiciones por completo distintas del talento excelente. El origen del equipo fundador determina a quién puede alcanzar primero y con mayor eficacia. El equipo que termina formándose es, en parte, resultado del radio social que ya tenían los fundadores.

¿Regresar después de haber fracasado una vez?

ChatGPT se lanzó a finales de 2022. Después de usarlo durante una semana, mis colegas y yo supimos que algo había cambiado.

Los sistemas anteriores de lenguaje natural solían resolver tareas específicas. ChatGPT mostró una capacidad de generalización mucho mayor. También hizo tangible, por primera vez, la idea de que el camino basado en arquitecturas de solo decodificador podía conducir hacia la inteligencia artificial general (AGI). Durante los dos o tres meses siguientes hablamos con casi todos los investigadores que pudimos encontrar.

No preguntábamos quién estaba preparando una empresa. Queríamos saber quién había creído en el escalamiento de modelos antes de que apareciera ChatGPT y quién estaba dispuesto a dedicar varios años a una pregunta sin retorno visible.

Yang Zhilin apareció muy pronto en la lista. Había trabajado en Transformer-XL y XLNet y llevaba tiempo formando parte de la comunidad china de investigación temprana en modelos fundacionales. Mi propia red estaba en el campo de la visión por computadora y tenía menos contactos entre los investigadores de lenguaje natural. Nos tomó unos cuatro meses conocerlo. Visité a otros miembros fundadores de Moonshot AI e intenté varias veces agregarlo en WeChat, sin éxito.

Al mismo tiempo, el equipo inicial de Moonshot AI necesitaba más ingenieros de sistemas e infraestructura. Empecé a llamar a amigos de la generación anterior de empresas de IA. Algunos seguían en sus antiguas compañías, otros se habían incorporado a grandes empresas de internet y otros trabajaban en finanzas cuantitativas. Les pregunté si querían regresar para construir modelos fundacionales.

Aproximadamente el 80 por ciento dijo que no.

Ya habían entregado a la IA algunos de los años de mayor energía profesional entre los veinte y los treinta. La primera ola no había producido las compañías que imaginaban ni había dado a todos el resultado financiero esperado. Después de vivir un ciclo completo, esperar al margen era una decisión razonable.

Una pequeña minoría quiso intentarlo otra vez. No comenzó calculando cargos ni remuneración; simplemente consideraba que valía la pena participar en el problema. Después de que varios ingenieros entraron a Moonshot AI, le hablaron a Yang del inversionista que llevaba tiempo intentando conocerlo. Finalmente nos agregaron al mismo grupo de WeChat y poco después volamos a Pekín.

Lo que más me llamó la atención al conocer a Yang fue su falta de pretensión. Hablaba de los problemas técnicos de manera directa y no presentaba el trabajo como algo misterioso. Más adelante, cuando se lanzaron el primer modelo y el primer producto Kimi, pregunté al equipo cómo había conseguido ese resultado. No había secreto, respondieron. Simplemente habían hecho con cuidado cada una de las partes necesarias.

En aquella reunión de 2023, Yang usó “LTV” para resumir tres áreas de interés: long context, es decir, contexto largo; truthfulness, o confiabilidad; y video, junto con los datos multimodales en un sentido más amplio. El contexto largo permitiría al modelo trabajar con más información. La confiabilidad respondía al problema de las alucinaciones. Los datos multimodales podían aportar capacidades más allá del texto.

En los negocios, LTV suele significar lifetime value, o valor del ciclo de vida del cliente. En esa conversación, las mismas iniciales se convirtieron en tres problemas técnicos.

El financiamiento de Serie A de Moonshot AI no partió de la certeza de que la empresa tendría éxito. La pregunta más grande era si una startup tenía siquiera derecho a participar en esa carrera. Según las leyes de escalamiento, la capacidad del modelo crece con los datos y la capacidad de cómputo, mientras la inversión necesaria puede no tener un límite claro. Las grandes compañías cuentan con flujo de efectivo, usuarios e infraestructura. Para una empresa emergente es difícil financiar al mismo tiempo un modelo de frontera y una aplicación de consumo masivo.

Dentro de Meituan no había una respuesta definitiva. Cerca del final de la discusión, Wang Xing dijo: “Creo que la probabilidad de que una startup construya tanto un supermodelo como una superaplicación es baja, pero estoy dispuesto a apoyar el intento”.

Esa frase ayudó a impulsar la inversión. La apuesta no era por un modelo de negocio ya demostrado, sino por la idea de que un grupo de personas merecía la oportunidad de seguir investigando.

Un experimento fallido con un GPT-2 en chino

Tener talento y recursos no garantiza que un equipo comprenda un cambio tecnológico. En 2019 trabajaba en el Sinovation Ventures AI Institute. En algún momento llegó a tener más de 200 personas. Su tarea era seguir nuevos avances académicos, crear prototipos de producto y decidir si alguno podía convertirse en una compañía.

Ese año decidimos entrenar un GPT-2 en chino.

Las condiciones parecían favorables. Mientras reorganizaba un centro de datos, un inversionista de Medio Oriente encontró varios cientos de GPU NVIDIA V100 sin usar y preguntó si Sinovation Ventures las necesitaba. El equipo ya contaba con un grupo de investigadores de lenguaje natural. Parecía que teníamos capacidad de cómputo, talento y datos en chino.

Dos meses después, el modelo estaba listo. Le pedí que escribiera un correo sencillo. Produjo tres comas seguidas.

Nos decepcionamos y al principio culpamos a la calidad de los datos en chino. Al revisar lo sucedido años después, creo que el problema principal era nuestro. No entendíamos de verdad las leyes de escalamiento y subestimamos la ingeniería de datos. El artículo académico describía la arquitectura del modelo, pero la calidad del entrenamiento dependía de recopilar, limpiar y organizar grandes cantidades de información. El equipo estaba formado sobre todo por investigadores y no asignamos suficientes personas para hacer bien ese trabajo.

Lo intentamos de nuevo en 2020. El nuevo equipo incorporó a más personas con experiencia en implementación e ingeniería y prestó mayor atención a los datos. Más adelante incubó a Langboat. Sin embargo, nuestra forma de pensar todavía pertenecía a la primera generación de IA: encontrar un sector empresarial vertical y venderle capacidad de modelo.

Para entonces yo ya dependía demasiado de las lecciones del fracaso. La primera ola de empresas emergentes me había enseñado que vender capacidad de modelo no era un buen negocio. La conclusión no era del todo incorrecta, pero me impidió ver a tiempo que un modelo de propósito general cambiaría la naturaleza misma del problema.

Solo después de la aparición de ChatGPT entendí que, en 2019, habíamos estado cerca de una dirección que luego transformaría la industria y que, para ese momento, habíamos contado con una cantidad de cómputo excepcional. Lo que nos detuvo no fue únicamente la falta de capacidad técnica. Seguíamos usando los marcos de producto y negocio de la generación anterior para explicar algo nuevo.

La experiencia puede heredarse, pero también puede volverse una carga. Esa es una parte de la migración del talento que suele pasarse por alto.

La escasez cambió la forma de trabajar de los equipos chinos

Entre 2023 y 2024, las empresas chinas de modelos fundacionales solían carecer de capacidad de cómputo. Algunos equipos norteamericanos ya tenían clústeres individuales con decenas de miles de GPU. Pocas compañías chinas podían alcanzar la misma escala. Construir un modelo general exige entrenamiento continuo, mientras atender a los usuarios genera un costo permanente de inferencia.

La competencia por los consumidores era especialmente intensa. Productos como Doubao, de ByteDance, y Qwen, de Alibaba, tenían detrás a grandes empresas de internet, y los usuarios chinos no habían adoptado el hábito de pagar una suscripción mensual de 20 dólares estadounidenses. Las empresas emergentes competían con productos gratuitos mientras intentaban convencer a los inversionistas de que aún merecían más recursos.

Kimi vivió esa tensión en 2024. Su capacidad de contexto largo produjo un periodo de crecimiento orgánico; después Moonshot AI aumentó la publicidad e intentó conseguir más usuarios. Desde afuera, esas decisiones podían parecer un alejamiento de la AGI. Yo las veo más bien como una forma de sobrevivir bajo restricciones de recursos. Más usuarios aportaban nuevas tareas y retroalimentación, y el crecimiento ayudaba a convencer a quienes controlaban los recursos de seguir invirtiendo.

El peligro es que las métricas de corto plazo pueden transformar el objetivo de investigación. La capacidad del modelo, el crecimiento de usuarios, los ingresos y el financiamiento no siempre apuntan en la misma dirección. Una startup debe decidir una y otra vez qué acciones están construyendo las condiciones para la siguiente etapa y cuáles están alejando al equipo de la pregunta original.

La capacidad de cómputo limitada también obligó a los equipos chinos a optimizar el entrenamiento y la inferencia. DeepSeek, Moonshot AI y Zhipu AI desarrollaron sólidas capacidades de ingeniería bajo esa presión. El bajo costo no fue un efecto secundario sin importancia: permitió que más personas usaran los modelos y dio espacio a las comunidades de código abierto para seguir construyendo.

Sin embargo, la “buena relación costo-beneficio” también limitó lo que el exterior imaginaba que podían llegar a ser los modelos chinos. Era fácil tratar a un modelo barato como sustituto con descuento de un producto estadounidense. Esto empezó a cambiar cuando DeepSeek-R1 apareció a principios de 2025. Permitió que usuarios técnicos y generales vieran el proceso de razonamiento del modelo y demostró que las mejoras del modelo y del producto podían traducirse directamente en adopción.

R1 también cambió el mercado de capital. Las compañías de modelos pudieron dedicar menos tiempo a responder “¿cuándo van a ganar dinero?” y devolver recursos a la investigación. Después llegaron Kimi K2, Kimi K2.5 y Kimi K3. A medida que crecieron el aprendizaje por refuerzo y el cómputo en tiempo de inferencia, la capacidad de los investigadores para definir tareas, diseñar recompensas y juzgar la calidad de una respuesta volvió a determinar el límite del modelo.

Lo que más me entusiasma de K3 es que un equipo chino ya no compite únicamente en precio. Se acercó a los modelos cerrados más potentes de su momento y después abrió el resultado.

El entorno de una compañía determina a quién puede reclutar

La migración del talento no consiste en mover currículums de una compañía a otra. La misma persona puede rendir de manera muy distinta en otro entorno.

Las compañías de IA de la primera generación tuvieron una apertura poco común. Los problemas eran nuevos y los directivos tampoco conocían las respuestas, por lo que la gente joven contaba con mucho espacio para explorar. Los modelos de propósito general todavía necesitan ese tipo de ambiente. Cuando la dirección se aleja demasiado de la investigación, las señales de recompensa que recibe el equipo pueden desplazarse poco a poco hacia los ingresos, la escala y los procesos internos.

En la oficina de Moonshot AI hay un piano blanco y discos de Pink Floyd. Las salas de reuniones llevan nombres de bandas de rock. Esos objetos no vuelven más capaz a un modelo, pero reflejan la misma preferencia que permite al equipo investigar cosas que “todavía no son útiles”. El resultado del escalamiento no puede predecirse por completo. Una compañía solo puede permitir que personas excelentes sigan experimentando y procurar que reciban con rapidez retroalimentación confiable.

Las grandes compañías ofrecen otro tipo de entorno.

ByteDance puede conectar contenido generado por modelos, consumo y distribución en plataformas. Un modelo de video produce contenido, los usuarios lo ven y responden, y plataformas como Douyin se encargan de distribuirlo. Es una capacidad de sistema desarrollada durante la era del internet móvil.

Alibaba entrena sus propios modelos, invierte en varias empresas emergentes y proporciona infraestructura de nube y capacidad de cómputo. Cumple parte de una función de infraestructura que permite que más equipos entren a la competencia.

Los modelos de Tencent quizá no estén en el primer nivel durante todas las etapas, pero WeChat ya forma parte de la comunicación, el trabajo y los servicios cotidianos de cientos de millones de personas. Ese entorno es difícil de reproducir. Si los modelos entran en él, las interacciones entre personas e IA generarán enormes cantidades de contexto y retroalimentación.

Una startup puede rediseñar su organización alrededor de un problema nuevo. Una gran compañía ya posee un entorno real y de alta frecuencia en el que actúan las personas. Ninguna sustituye de forma simple a la otra.

El modelo más potente solo compra tiempo

Todavía sostengo una opinión controvertida: a largo plazo, vender capacidad de modelo por sí sola difícilmente mantendrá márgenes elevados.

Durante periodos de avance rápido, el modelo líder sí tiene poder de fijación de precios. Cuando solo una compañía puede ofrecer cierta capacidad, puede obtener ganancias extraordinarias. El problema es que una ventaja técnica rara vez dura. Los competidores acortan la distancia, los precios de las API bajan y los modelos fundacionales se parecen cada vez más a una infraestructura estandarizada.

Un modelo líder compra tiempo. La compañía debe aprovecharlo para construir un entorno donde las interacciones entre usuarios e IA produzcan continuamente datos y retroalimentación, y donde el modelo y el producto mejoren en respuesta. Una vez que ese entorno existe, más tareas ocurren dentro de él y a los competidores posteriores les cuesta copiar el ciclo completo. Sin ese entorno, la ventaja original desaparece cuando otros alcanzan al modelo.

Las herramientas de programación con IA ya ofrecen un ejemplo. Un buen producto para programar no es un modelo colocado detrás de un cuadro de texto. Conoce el contexto del repositorio de código, puede invocar herramientas y también ejecutar y depurar programas. Un programador acepta, modifica o rechaza de inmediato una propuesta. Esas acciones generan señales de recompensa claras.

La “superaplicación” que espero se parece a esto: personas e IA producen continuamente nuevas capacidades mediante trabajo real. Una API de modelo, por sí sola, no basta.

Cuando una empresa adopta IA, las personas también forman parte del entorno. Los trabajadores del conocimiento pueden temer que, después de enseñar a la IA cómo hacen su trabajo, su puesto desaparezca. Un ingeniero de despliegue en campo —forward-deployed engineer, o FDE— debe comprender no solo la tecnología, sino también la organización y las inquietudes asociadas con cada función. Es un trabajo intensivo, pero puede ser una etapa necesaria para llevar la IA a compañías reales.

La migración continúa

A finales de 2025 dejé el mundo de la inversión y empecé a desarrollar mi propio producto de IA. La decisión nació de una frustración que llevaba años acumulándose: desde la primera vez que usé ChatGPT, a menudo me he sentido como un “ciudadano de segunda” en el mundo de la IA.

Quienes saben escribir instrucciones, construir ciclos de agentes y aprovechar experiencia de ingeniería pueden hacer que los modelos realicen tareas complejas de manera confiable. Un usuario común se encuentra con el mismo cuadro de texto vacío y no sabe cómo describir la tarea, revisar el resultado o corregir un error. Incluso cuando la IA construye software para mí, el código muchas veces resulta imposible de mantener.

Si un producto de consumo hace que una parte de su público se sienta poco inteligente durante años, la responsabilidad no puede recaer por completo en el usuario.

Ahora intento construir una herramienta para la comunicación entre personas. La comunicación humana no consiste en que una persona codifique un mensaje y otra lo decodifique. Quienes conversan crean un campo compartido y se acercan poco a poco a las intenciones del otro mediante respuestas y correcciones. La IA puede participar en ese proceso, pero no debería exigir que todas las personas se conviertan primero en ingenieros de instrucciones.

Por eso, después de observar una década de migración, volví a ser fundador. Las primeras compañías de IA me enseñaron a trabajar sin una respuesta y me volvieron cauteloso frente a los negocios basados en vender capacidad de modelo. Los modelos fundacionales me obligaron a revisar esas lecciones: cuáles siguen siendo válidas y cuáles son solo hábitos que dejó el fracaso anterior.

Las compañías chinas de IA ya han cambiado de generación dos veces. Muchos investigadores e ingenieros nunca abandonaron el problema de fondo; cambiaron de institución, función y herramientas. Personas formadas en los primeros institutos de investigación pasaron a la primera ola de startups. Algunas llegaron después a grandes empresas de internet o firmas cuantitativas; otras regresaron años más tarde a equipos de modelos fundacionales. Una generación más joven se incorporó desde universidades y concursos de algoritmos.

Esta migración no garantiza el éxito. Simplemente significa que la siguiente ola no empieza desde cero. Los métodos de ingeniería del ciclo anterior pueden reutilizarse. El recuerdo del fracaso insiste en que las ventajas técnicas desaparecen, los recursos influyen en la dirección y las organizaciones pueden llevar a personas inteligentes hacia resultados completamente distintos.

No sé qué compañía, si alguna, construirá la AGI ni qué clase de producto la llevará a la vida cotidiana. Pero durante la última década, incluso cuando algunas compañías cerraron, cambiaron de rumbo o perdieron su lugar en el centro de la industria, los investigadores y los ingenieros siguieron moviéndose. Llevaron lo aprendido a la siguiente parada. También llevaron consigo aquello que habían entendido mal, para volver a juzgarlo una vez más.