La ola de salidas en la empresa de la ex-CTO de OpenAI, Mira Murati, Thinking Machines, valorada en 12 mil millones de dólares, resalta la feroz competencia por profesionales calificados en IA.

Salidas clave sacuden a la startup de IA Thinking Machines

La competencia en Silicon Valley por captar a los mejores expertos en IA se intensificó esta semana, ya que tres miembros fundadores de Thinking Machines Lab, la startup de IA liderada por la ex CTO de OpenAI, Mira Murati, anunciaron su regreso a OpenAI. Los tres—Brett Zoph, Luke Metz y Sam Schoenholz—habían trabajado previamente en OpenAI antes de unirse a Thinking Machines.

Fidji Simo, CEO de Aplicaciones de OpenAI, dio la noticia el miércoles. Según Simo, Zoph le reportará directamente a ella, mientras que Metz y Schoenholz le reportarán a Zoph. Zoph y Metz fueron cofundadores en Thinking Machines, y Schoenholz también formaba parte del equipo original de investigación e ingeniería.

Controversia en torno a las salidas

Informes de Core Memory indican que Murati informó al personal sobre el despido de Zoph debido a una supuesta “conducta no ética”. Ni Zoph, ni OpenAI, ni Thinking Machines realizaron comentarios al respecto. Simo afirmó que el proceso de contratación llevaba varias semanas en curso. Bloomberg informó que Simo les dijo a los empleados de OpenAI que Zoph había notificado a Murati su intención de irse, lo que llevó a su despido inmediato. Simo también restó importancia a las preocupaciones sobre la conducta de Zoph.

Para el jueves, surgieron informes adicionales de que otros dos investigadores de Thinking Machines, Lia Guy e Ian O’Connell, también estaban dejando la compañía, y que Guy se sumaría a OpenAI. Estas salidas de alto perfil ponen de manifiesto los desafíos que enfrentan los nuevos laboratorios de IA para retener talento cuando compiten con gigantes establecidos como OpenAI, Anthropic y DeepMind. Si bien algunas startups chinas, como DeepSeek y Moonshot AI, han desarrollado modelos competitivos, no compiten por el mismo grupo de talento.

Desafíos de financiación y retención de talento

Thinking Machines obtuvo una financiación semilla récord de 2 mil millones de dólares en julio, valorando la compañía en 12 mil millones. Bloomberg reportó luego que la empresa buscaba nuevas inversiones con una valoración de 50 mil millones de dólares. A pesar de estos impresionantes logros en recaudación de fondos, la startup ha tenido dificultades para retener a sus investigadores de IA. Andrew Tulloch, otro cofundador, se fue el año pasado para unirse a la división de IA de Meta, conocida por ofrecer paquetes de compensación muy atractivos. Ahora, con las recientes salidas de Zoph, Metz, Schoenholz, Guy y O’Connell, la compañía enfrenta aún más inestabilidad.

De manera similar, Ilya Sutskever, ex científico jefe de OpenAI, recaudó 1 mil millones de dólares para su nuevo emprendimiento Safe Super Intelligence (SSI) a fines de 2024, solo para ver cómo Meta reclutaba a su cofundador Daniel Gross para sus propias iniciativas avanzadas de IA.

Por qué los nuevos laboratorios de IA luchan por competir por talento

Existen varias razones por las que los laboratorios emergentes de IA, a pesar de sus impresionantes rondas de financiación, encuentran difícil retener a los mejores investigadores:

• Limitaciones en la compensación: Estas startups a menudo no pueden igualar los altos salarios en efectivo—que a veces llegan a siete cifras—ofrecidos por empresas tecnológicas establecidas como Meta, Google DeepMind y OpenAI.
• Equity vs. efectivo: Si bien los primeros miembros del equipo pueden recibir acciones con potencial de alto valor futuro, esto suele ser menos atractivo que los generosos paquetes de efectivo inmediatos disponibles en las grandes empresas.
• Riesgo de las stock options: La equidad en empresas jóvenes y privadas es generalmente más riesgosa que las stock options de compañías públicas o laboratorios establecidos. Google y Meta, por ejemplo, ofrecen paquetes de acciones generosos con vesting rápido, permitiendo a los empleados cobrar antes. OpenAI y Anthropic también consideran salir a bolsa, lo que podría brindar grandes pagos a sus empleados a corto plazo—algo menos probable para startups más nuevas.

Un ex investigador de OpenAI, que mantiene contacto con empleados de Thinking Machines, sugirió que los incentivos financieros son la principal razón detrás de las salidas recientes, con algunos empleados tentados a regresar a OpenAI por ofertas excepcionalmente generosas. Esta persona también especuló que los esfuerzos de reclutamiento de Simo podrían haber estado destinados a interrumpir la recaudación de fondos de Thinking Machines, ya que los inversores desconfían cuando los miembros fundadores se marchan.

Acceso a poder de cómputo: otro obstáculo

Otro gran desafío para los nuevos laboratorios de IA es asegurar suficientes recursos de cómputo. Si bien los laboratorios establecidos suelen quejarse del acceso limitado a la capacidad de los centros de datos para entrenar y desplegar grandes modelos de lenguaje, han invertido miles de millones en construir su infraestructura. Su escala los convierte en clientes prioritarios para Nvidia, cuyos chips son esenciales para entrenar modelos avanzados de IA. Google ha desarrollado sus propios chips de IA (TPUs), reduciendo su dependencia de Nvidia, mientras que Meta, OpenAI y Anthropic han construido centros de datos dedicados y se han asociado con grandes proveedores de nube como Amazon Web Services y Microsoft. En cambio, los laboratorios más jóvenes pueden tener dificultades para adquirir los GPUs y el poder de cómputo que necesitan, incluso si sus requerimientos generales son menores.

Estrategias de producto y modelos de negocio poco claros

Muchos nuevos laboratorios de IA, incluyendo Thinking Machines, aún no han establecido ofertas de productos claras ni planes de negocio definidos. Thinking Machines solo ha lanzado un producto hasta ahora—una herramienta beta llamada Tinker, lanzada en octubre, que ayuda a investigadores y desarrolladores a afinar modelos de lenguaje open source para tareas específicas. La empresa también ha publicado investigaciones sobre la optimización del entrenamiento de modelos, pero no ha indicado cuándo podría emerger un producto ampliamente disponible o una fuente de ingresos.

Algunos empleados, según se informa, se frustraron por la falta de claridad en la dirección del producto, especialmente en comparación con el ritmo acelerado de los laboratorios más establecidos. Sin embargo, fuentes sugieren que algunas de estas preocupaciones han sido abordadas recientemente. Es notable que Zoph, Metz y Schoenholz reportarán a Simo, la jefa de producto de OpenAI, en vez de al jefe de investigación, lo que posiblemente indique su interés en un trabajo de IA más aplicado.

Otros laboratorios nuevos enfrentan desafíos similares. Por ejemplo, SSI de Sutskever no ha revelado sus planes de producto ni lanzado un modelo, aunque comentarios recientes sugieren que un lanzamiento podría estar próximo. Sutskever ha afirmado previamente que SSI podría esperar un gran avance en la seguridad de la IA antes de lanzar cualquier producto.

Este artículo fue publicado originalmente en Fortune.com.