Una startup de dos meses levanta 1.100 millones de dólares y no ha dicho cuánto vale la empresa

River AI anunció el 11 de agosto de 2026 que ha levantado 1.100 millones de dólares. La empresa tiene dos meses de vida. No ha comunicado a qué valoración se ha cerrado la ronda y todavía no tiene un producto en el mercado del que se pueda hablar en pasado.

La lidera Igor Babuschkin, cofundador de xAI y antes ingeniero en DeepMind y en OpenAI. La ronda va encabezada por General Catalyst y AMP PBC, con dinero de Y Combinator y del fondo soberano singapurense Temasek. Y con un detalle que merece un párrafo aparte: han invertido Nvidia y AMD, a la vez, en la misma empresa.

Es la clase de operación que se lee de dos formas muy distintas según dónde te sitúes. O es la prueba de que hay un problema real y muy caro esperando a ser resuelto, o es el ejemplo de manual de lo que pasa cuando hay más capital buscando destino que empresas donde ponerlo.

Qué hace River AI

La idea de fondo es que dejes de pedirle cosas a un modelo de otro y empieces a entrenar el tuyo.

River ofrece una API para afinar modelos de pesos abiertos usando aprendizaje por refuerzo y LoRA, la técnica que permite ajustar un modelo tocando solo una fracción diminuta de sus parámetros. La propuesta explícita es sustituir a la ingeniería de prompts: en vez de escribir instrucciones cada vez más largas para que el modelo se comporte como quieres, lo entrenas para que se comporte así de fábrica.

Las cifras que da la empresa son las que hay que vigilar cuando salga el producto:

• Una tanda compleja de aprendizaje por refuerzo en 15 o 20 minutos.
• Sin necesidad de un equipo de infraestructura propio.
• Un coste entre dos y cuatro veces menor que el de las alternativas cerradas.

Son afirmaciones de la compañía, sin verificación independiente todavía. Si se sostienen, el argumento comercial es potente: hoy, montar un pipeline de aprendizaje por refuerzo decente exige gente cara y muy escasa, y eso deja el ajuste fino de modelos fuera del alcance de casi cualquier empresa que no sea un laboratorio.

La visión que vende Babuschkin es que tu IA trabaje enteramente para ti y esté alineada contigo, no con el proveedor. Traducido: modelos abiertos que controlas tú, frente a modelos cerrados donde el proveedor decide qué puede hacer el sistema, cuándo cambia y cuánto cuesta.

Nvidia y AMD, en la misma ronda

Este es el dato que menos titulares se ha llevado y el que más dice.

Nvidia y AMD compiten a muerte en el único mercado que importa ahora mismo, el de los chips para entrenar y ejecutar IA. Y las dos han puesto dinero estratégico en la misma empresa de dos meses.

Que dos rivales coincidan significa que ninguno se puede permitir no estar. Pero también describe una dinámica que lleva un año largo poniendo nerviosa a mucha gente sensata: los fabricantes de chips invierten en las empresas que después compran sus chips. El dinero sale del fabricante, entra en la startup, y vuelve al fabricante convertido en ingresos. Sobre el papel todo el mundo crece.

No estoy diciendo que esta operación sea eso. Estoy diciendo que es la estructura que se repite, y que es exactamente el mecanismo que analizamos al hablar de la burbuja de la inteligencia artificial: mientras el círculo gira, los números de todos parecen sanos.

Hay además una lectura industrial legítima. Si River consigue que entrenar modelos abiertos sea barato y rápido, se dispara la demanda de cómputo de una forma que a los dos fabricantes les conviene por igual. Y a AMD, en particular, le interesa cualquier cosa que rompa la dependencia del ecosistema de software de Nvidia. Ahí la inversión tiene sentido más allá de la moda.

Lo que no se ha dicho

Merece la pena listar lo que falta, porque en este tipo de anuncios lo que se omite suele ser lo relevante:

• La valoración. No se ha comunicado. Con 1.100 millones levantados, el rango razonable está en varios miles de millones, pero es una inferencia, no un dato.
• El producto. Hay una API descrita y unas cifras de rendimiento facilitadas por la propia empresa. No hay clientes públicos ni pruebas de terceros.
• La plantilla. Dos meses de vida dan para contratar bastante si vienes de xAI, pero no hay cifra oficial.
• El reparto entre semilla y serie A. Se describe como una ronda inicial, y la frontera entre las dos etapas hace tiempo que dejó de significar nada a estos importes.

Nada de esto es un escándalo: es lo normal en un anuncio de financiación. Pero es la diferencia entre "una empresa ha demostrado algo" y "unos inversores han apostado por alguien". Aquí estamos en lo segundo, y conviene decirlo con esas palabras.

Por qué se paga esto por un fundador

Porque lo que se compra en estas rondas no es la empresa, es la persona y la ventana temporal.

Babuschkin cofundó xAI y antes trabajó en DeepMind y en OpenAI. Es una de las pocas decenas de personas en el mundo que ha estado dentro de tres laboratorios punteros y sabe montar de cero la infraestructura de entrenamiento de un modelo grande. Ese perfil no se contrata: se financia.

Y la ventana importa tanto como el currículum. La tesis de River —modelos abiertos, afinados a medida, controlados por el cliente— es exactamente la apuesta contraria a la de OpenAI y Anthropic. Si los modelos abiertos siguen recortando distancia con los cerrados, hace falta alguien que ponga encima la capa de entrenamiento fácil, y ese hueco no va a estar libre dentro de dieciocho meses. Los fondos no están pagando por lo que River ha hecho: están pagando por llegar antes que el siguiente.

Contexto: qué es entrenar un modelo con refuerzo y por qué cuesta tanto

Un modelo de lenguaje se entrena primero leyendo cantidades enormes de texto: aprende a predecir la siguiente palabra. Eso le da conocimiento y lenguaje, pero no criterio sobre qué respuesta es mejor.

El aprendizaje por refuerzo es la fase siguiente: se le dan al modelo señales de recompensa —una respuesta buena suma, una mala resta— y se ajustan sus parámetros para que tienda a lo que puntúa alto. Es la técnica detrás de casi todo lo que hace que un modelo resulte útil en lugar de simplemente correcto: seguir instrucciones, razonar por pasos, usar herramientas sin liarse.

El problema es que es cara y frágil. Necesitas definir bien la recompensa, mucho cómputo y gente que sepa diagnosticar por qué el entrenamiento se ha ido al garete a las nueve horas. Por eso casi nadie fuera de los laboratorios grandes lo hace en serio.

LoRA es lo que abarata la fiesta: en vez de mover los miles de millones de parámetros del modelo, se entrenan unas matrices pequeñas que se suman a los pesos originales. El resultado se acerca mucho al ajuste completo con una fracción minúscula de memoria y de tiempo. Combinar LoRA con refuerzo y venderlo como una llamada a una API es, básicamente, la apuesta entera de River.

Que lo consigan es otra historia, y todavía no hay forma de saberlo. Con 1.100 millones en el banco, desde luego, no será por falta de intentos.

Fuentes: TechCrunch, el anuncio de la propia River AI, AIwire y Quartz.