La carrera por construir el modelo de inteligencia artificial más potente está dejando fuera a numerosas empresas que no pueden sostener el coste de entrenar sistemas frontera. En China, algunos antiguos directivos de los laboratorios que protagonizaron la primera oleada de grandes modelos empiezan a buscar otra vía: desarrollar IA especializada para sectores y procesos empresariales concretos.
Zhang Fan, antiguo director de operaciones de Zhipu AI y actual fundador y consejero delegado de Yoolee AI, sostiene que las compañías no siempre necesitan un modelo capaz de hacerlo todo. En una entrevista concedida al South China Morning Post durante la feria LEAP East de Hong Kong, defendió que los modelos generales han avanzado mucho, pero todavía son pocas las grandes empresas que han conseguido traducirlos en resultados económicos claros.
La nueva estrategia china de IA: las claves en 20 segundos
- Yoolee AI quiere centrarse en soluciones y modelos adaptados a sectores concretos.
- Su fundador, Zhang Fan, fue director de operaciones de Zhipu AI.
- La estrategia evita competir únicamente mediante parámetros, GPU y pruebas de rendimiento.
- El objetivo es integrar la IA en procesos empresariales donde pueda medirse su utilidad.
- Thinking Machines Lab aparece como referencia por combinar investigación y personalización.
- La empresa de Mira Murati sigue compitiendo a escala de modelos frontera.
- Tinker permite ajustar modelos abiertos sin gestionar directamente la infraestructura.
- Sus nuevos modelos de interacción procesan voz, vídeo y texto en tiempo real.
- Las startups chinas pueden competir en implantación, conocimiento sectorial y coste.
- El reto será convertir proyectos personalizados en productos que puedan repetirse y escalar.
El cambio no supone abandonar la investigación en grandes modelos. Plantea una distribución diferente de los recursos: utilizar modelos existentes, adaptarlos con datos propios y construir encima herramientas que resuelvan problemas de sanidad, finanzas, industria, logística o atención al cliente.
Esta vía puede ser más realista que intentar alcanzar a OpenAI, Google, Anthropic o Meta mediante una sucesión de entrenamientos multimillonarios. También obliga a demostrar algo que la carrera de los modelos generales ha dejado muchas veces en segundo plano: cuánto dinero ahorra la aplicación, qué tareas mejora y quién asume la responsabilidad cuando se equivoca.
Del modelo que sabe de todo a la IA que conoce una empresa
Un modelo general puede redactar, programar, analizar imágenes o responder preguntas sobre miles de temas. Esa amplitud resulta útil, pero no significa que comprenda los procedimientos internos de una aseguradora, las normas de mantenimiento de una fábrica o el catálogo de una distribuidora.
Las empresas necesitan que la IA trabaje con datos propios, respete permisos, cite la documentación utilizada y se conecte con sistemas que llevan años en producción. También esperan respuestas consistentes, costes previsibles y mecanismos para revisar las decisiones.
Ahí aparece la oportunidad de las compañías especializadas. En lugar de invertir la mayor parte del capital en entrenar un modelo desde cero, pueden concentrarse en la adaptación, la integración y la evaluación.
Una solución sectorial puede combinar un modelo abierto o comercial con búsqueda sobre documentación corporativa, herramientas de negocio y reglas que limiten qué acciones puede ejecutar. El valor no reside necesariamente en el modelo base, sino en el conjunto que permite utilizarlo de forma segura dentro de un proceso.
| Capa | Qué necesita una aplicación empresarial |
|---|---|
| Modelo base | Comprensión, generación y razonamiento general |
| Datos internos | Manuales, contratos, históricos y conocimiento operativo |
| Integraciones | ERP, CRM, bases de datos, correo y herramientas sectoriales |
| Permisos | Control de qué información consulta cada usuario |
| Evaluación | Pruebas adaptadas al trabajo que debe realizar |
| Supervisión | Revisión humana en operaciones sensibles |
| Trazabilidad | Registro de fuentes, decisiones y acciones |
| Operación | Costes, latencia, disponibilidad y actualizaciones |
El planteamiento de Zhang Fan parte de una observación razonable: superar un benchmark no garantiza que el sistema funcione dentro de una organización. Un modelo puede resolver problemas matemáticos complejos y fallar al interpretar una tabla interna, respetar una política comercial o distinguir dos códigos de producto parecidos.
La especialización también permite trabajar con modelos más pequeños. Cuando una tarea está bien delimitada y los datos son buenos, no siempre hace falta recurrir al sistema más grande disponible. Un modelo compacto puede ofrecer menor latencia, costes más bajos y más opciones para ejecutarse dentro de una nube privada o una infraestructura controlada por el cliente.
Esa ventaja tiene límites. Los proyectos sectoriales suelen requerir meses de preparación de datos, entrevistas con especialistas e integración con aplicaciones antiguas. Si cada cliente necesita una solución completamente distinta, la empresa termina comportándose como una consultora y le cuesta convertir su tecnología en un producto repetible.
Yoolee AI tendrá que demostrar que puede reutilizar sus componentes entre empresas de una misma industria sin perder la adaptación que justifica su propuesta.
Thinking Machines no ha abandonado la carrera de los modelos frontera
La comparación con Thinking Machines Lab necesita matices. La empresa fundada por Mira Murati no se ha retirado de la competición por crear modelos avanzados. Su propia presentación afirma que trabaja en sistemas frontera para ciencia y programación, además de herramientas que permitan adaptar la IA a las necesidades de cada usuario.
Thinking Machines combina dos estrategias. Por un lado, desarrolla investigación propia y dispone de recursos para entrenar modelos de gran escala. Por otro, ofrece una capa de personalización que permite a investigadores y desarrolladores modificar modelos existentes.
Tinker, su primer producto, es una API para ajustar modelos abiertos mediante LoRA. La plataforma gestiona la planificación, el uso de GPU y la infraestructura distribuida, mientras el usuario conserva el control sobre los datos, los algoritmos y los entornos de aprendizaje. Admite modelos de familias como Qwen, DeepSeek, Kimi y GPT-OSS.
Su segunda línea pública son los llamados modelos de interacción. En lugar de esperar a que el usuario termine de hablar o escribir, procesan flujos continuos de voz, vídeo y texto. Pueden escuchar y responder al mismo tiempo, reaccionar a señales visuales y delegar tareas largas en un modelo que trabaja en segundo plano. Thinking Machines presentó una versión de investigación en mayo de 2026.
La compañía cuenta además con una capacidad financiera e informática difícil de igualar por una startup china recién creada. Thinking Machines cerró una ronda de unos 2.000 millones de dólares que la valoró en 12.000 millones y firmó un acuerdo plurianual con Nvidia para desplegar al menos un gigavatio de sistemas Vera Rubin a partir de 2027. Esa potencia la sitúa dentro de la competición de los grandes laboratorios, no únicamente en la capa de aplicaciones.
Por eso Yoolee y otras nuevas firmas chinas no competirían con Thinking Machines en las mismas condiciones. Su oportunidad está en disputar una parte concreta de su propuesta: la adaptación de la IA a conocimientos, procesos y necesidades específicas.
Thinking Machines quiere ofrecer una infraestructura flexible que pueda utilizarse desde numerosos ámbitos. Las compañías sectoriales intentarán llegar al cliente con una solución ya preparada para su actividad, sus documentos y sus obligaciones.
El conocimiento del sector puede pesar más que otro modelo propio
Las startups chinas tienen algunos elementos a su favor. Pueden trabajar cerca de grandes empresas locales, conocer sus sistemas, operar en mandarín y adaptarse a requisitos de almacenamiento y tratamiento de datos propios del mercado chino.
También pueden apoyarse en la creciente oferta de modelos abiertos. La posibilidad de utilizar y ajustar modelos de DeepSeek, Qwen, Zhipu u otros desarrolladores reduce la necesidad de construir una base completa desde el principio.
El acceso al modelo deja entonces de ser la principal diferencia. La ventaja pasa a depender de los datos que la empresa pueda utilizar, su conocimiento del sector y la calidad de sus integraciones.
Una herramienta para revisar contratos deberá conocer la legislación aplicable y señalar el texto exacto que respalda cada respuesta. Un agente industrial tendrá que interpretar señales de sensores, consultar órdenes de mantenimiento y evitar que una recomendación incorrecta detenga una línea de producción. Un sistema financiero necesitará controles de acceso, registros auditables y límites claros sobre las operaciones que puede iniciar.
Estas exigencias son menos visibles que una prueba de razonamiento, pero deciden si una empresa continúa utilizando el producto después del proyecto inicial.
La propuesta sectorial también puede aliviar parte del problema económico. Entrenar un modelo frontera exige grandes cantidades de chips, electricidad y talento especializado. Construir una aplicación sobre modelos existentes requiere menos capital, aunque traslada el gasto hacia la preparación de datos, la ingeniería y el soporte.
El riesgo está en que los proveedores de modelos añadan directamente las mismas funciones. OpenAI, Google, Microsoft, Alibaba o ByteDance pueden ofrecer personalización, agentes e integraciones dentro de sus plataformas. Una startup necesita aportar un conocimiento o una tecnología que no resulte fácil copiar desde una API general.
La batalla será por los resultados, no por el número de parámetros
La nueva generación de empresas chinas tendrá que presentar pruebas más concretas que las habituales promesas de productividad. El mercado necesitará conocer cuánto tarda una implantación, qué porcentaje de tareas completa correctamente y cuánto cuesta mantenerla después.
También deberá quedar claro si el producto aprende de cada cliente sin mezclar información entre organizaciones, cómo corrige sus errores y qué ocurre cuando cambia el modelo de base.
El éxito no se medirá por alcanzar a Thinking Machines en financiación o capacidad de cómputo. Una empresa sectorial puede construir un negocio relevante sin entrenar el modelo general más avanzado. Basta con resolver mejor un conjunto de problemas por los que los clientes estén dispuestos a pagar.
La retirada parcial de la carrera frontera puede ser una decisión empresarial razonable. China ya cuenta con compañías capaces de desarrollar grandes modelos, pero no necesita que cada nuevo laboratorio repita el mismo esfuerzo.
Yoolee AI y las firmas que sigan ese camino intentarán convertir la experiencia acumulada en los primeros laboratorios chinos en productos más cercanos al trabajo cotidiano. La comparación con Thinking Machines será válida cuando puedan demostrar que sus sistemas no solo se adaptan a una empresa, sino que generan resultados repetibles y defendibles frente a las plataformas generales.
Preguntas frecuentes
¿Qué es Yoolee AI?
Es una startup fundada por Zhang Fan, antiguo director de operaciones de Zhipu AI, que pretende desarrollar modelos y soluciones de inteligencia artificial para sectores concretos.
¿Ha abandonado China la carrera de los grandes modelos?
No. Empresas como Zhipu, Alibaba, DeepSeek y otras continúan desarrollando modelos generales. La nueva tendencia añade una segunda vía centrada en aplicaciones empresariales.
¿Yoolee compite directamente con Thinking Machines Lab?
No en capacidad de entrenamiento. La competencia puede aparecer en la personalización de modelos y en las soluciones adaptadas a necesidades profesionales.
¿Por qué una empresa elegiría una IA especializada?
Porque puede integrarse mejor con sus datos y procesos, ofrecer respuestas más controladas y reducir el coste frente al uso permanente de un modelo general de gran tamaño.
vía: scmp
