Publicado: julio 17, 2026, 11:55 am
<![CDATA[
Estados Unidos concentra la mayor parte de la inversión mundial para el desarrollo de IA. ¿Cómo compiten entonces las startups mexicanas con menos recursos? La respuesta, señalan expertos, es crear un ecosistema propio a partir de aplicaciones de IA especializadas y modelos entrenados en lugar de construir modelos fundacionales como los OpenAI o Google. En 2025, Estados Unidos invirtió 404,000 millones de dólares, según datos del S&P Index, a través del gasto de capital de cinco gigantes tecnológicos compuestos por: Amazon, Alphabet, Microsoft, Meta y Oracle. En comparación, México invirtió 33,000 millones de pesos (1,891 millones dólares), correspondientes a la financiación específica realizada en Inteligencia Artificial (IA) en México. Estos recursos se distribuyeron en infraestructura, software y servicios de TI, según IDC. Asimismo, cifras arrojadas por el Latin America Venture Capital Report (LAVCA), señalan que México captó en 2025 más de 900 millones de dólares distribuidos en 86 rondas representando el 25.5% del total del capital de riesgo en Latinoamérica. Aunque las startups mexicanas dependen en gran medida de la infraestructura de empresas estadounidenses, esa realidad no necesariamente limita su capacidad de desarrollar aplicaciones de IA. En lugar de competir por construir grandes modelos fundacionales, el ecosistema nacional opta por arquitecturas híbridas que combinan infraestructura global con modelos entrenados sobre datos propios y sensibles; es decir, redefinir toda la estrategia.
De acuerdo con Gabriel Charles, General Partner en OBS y director regional de emprendimiento del Tec de Monterrey, “sí hay una dependencia importante de infraestructura global, pero existen alternativas como una arquitectura híbrida, donde lo sensible o soberano corre localmente y lo menos sensible puede ir a la nube con modelos generales”. En la práctica esto significa que las startups mexicanas no necesitan construir desde cero la infraestructura de inteligencia artificial que desarrollan las grandes empresas como Amazon, Microsoft o Google, sino que pueden utilizar estos modelos y centro de datos para las tareas generales, mientras reservan el procesamiento de información estratégica o confidencial en infraestructura propia o local. El especialista también destaca iniciativas para fortalecer la soberanía tecnológica en el país. “Modelos fundacionales propios tienen sentido solo en proyectos de mucho presupuesto y que involucren centros de investigación, fondos públicos y privados, como el proyecto Coatlicue, impulsado por el gobierno”. Entrenar a un modelo fundacional implica desarrollar desde cero un sistema de inteligencia artificial similar a GPT, Gemini o Llama y este proceso requiere cientos de millones de dólares en infraestructura, grandes volúmenes de datos e investigación. Por esto mismo estos proyectos se suelen concentrar en grandes empresas de tecnología o iniciativas respaldadas por los gobiernos y centros de investigación.
En este contexto, la oportunidad para desarrollar modelos especializados ya comienza reflejarse en el flujo de inversión. De acuerdo con la Asociación para la Inversión de Capital Privado en América Latina (LAVCA), el capital de riesgo se concentra en industrias donde la IA puede entrenarse con información propia y resolver problemas específicos. Solamente en 2024, las startups de tecnología financiera captaron 865 millones de dólares, mientras que el comercio electrónico recibió 87 millones; las de movilidad 86 millones; y las de servicios de TI datos y nube 68 millones. Así como explica Gabriel Charles, este escenario abre el espacio para desarrollar Small Language Models (SLM), o sea, soluciones enfocadas en sectores específicos como hospitalidad, vehículos, cobranza o asistencia financiera, donde el conocimiento del contexto y los datos propios representan una ventaja competitiva. Para Franco Palacios, fundador y CEO de Creai, la oportunidad con los Small Language Models se encuentra en que “son hiperespecializados, las empresas medianas y grandes en latinoamérica necesitan certeza, no creatividad y ahí un LLM genérico introduce un riesgo: la alucinación. Un SLM acotado a un dominio específico reduce ese riesgo drásticamente. Es una necesidad que el mercado aún no articula, pero que ya existe”. A diferencia de los Large Language models (LLM), los SML están entrenados para desempeñar tareas muy específicas dentro de un dominio determinado. Esa especialización reduce el consumo de infraestructura, abarata los costos de implementación y disminuye el riesgo de “alucinaciones” o respuestas incorrectas, aspecto importante para empresas que manejan información sensible.
Sobre el crecimiento de los sectores De acuerdo con el listado AI 100 Early Stage 2025, elaborado por Hi Ventures, en el ecosistema emprendedor el capital de riesgo se concentra en el crecimiento de las startups enfocadas en salud, finanzas, educación, comercio electrónico y atención al cliente. Gabriel Charles menciona que “prácticamente en cualquier industria hay oportunidades teniendo este enfoque. Los SLM permiten la verticalización de los datos y contexto local por lo que, la ventaja de un Small Language Model no es el tamaño, sino la especialización”. Por otra parte, menciona que la oportunidad de negocio de corto-mediano plazo hacia los fondos de capital de riesgo que invierten en tecnología, está en aplicaciones verticales, afirmó el especialista, es donde el retorno de capital es más factible y alcanzable con los recursos que existen hoy. Para que México deje de ser únicamente consumidor de IA, el especialista del Tecnológico de Monterrey considera que es necesario fortalecer el financiamiento a startups de deeptech y vincular de manera más estrecha a las empresas con centros de investigación y corporativos que concentran grandes volúmenes de información. Palacios coincide en que el reto no es únicamente conseguir más capital, sino cambiar la forma en que se evalúan las empresas de inteligencia artificial. “El foso real de una startup nunca está en el modelo, está en los datos propietarios del cliente y en la integración profunda con su integración”, concluye. En su opinión, las compañías que logren convertir esos datos en una ventaja difícil de replicar serán las que capturen mayor valor en la siguiente etapa de la IA.
]]>
