La startup de inteligencia artificial de Silicon Valley se transforma a medida que evolucionan los modelos de gasto y gestión de tokens

El ingeniero de IA de Silicon Valley, Ma Peiyuan, basado en más de cuatro años de observación de la industria, plantea diez cambios significativos actuales: la contratación de talento pasa de especialistas a generalistas; la capacidad de utilizar herramientas de IA puede trascender la antigüedad profesional; la estructura organizacional tiende a volverse más plana, y los gerentes deben poseer habilidades técnicas, mientras el rol de people manager está desapareciendo; el uso de tokens pasa de una búsqueda ciega de cantidad a una concentración en eficiencia, y las grandes empresas están comenzando a reevaluar sus cuentas; la adoración por los modelos ha sido desafiada, y en Silicon Valley se está popularizando la combinación y programación de múltiples modelos económicos y de élite; nuevas infraestructuras de IA están emergiendo, y los agentes de IA verticales siguen teniendo valor de inversión porque resuelven problemas reales "no entrenables". Ma Peiyuan enfatiza que en el campo de la IA, un año es un período muy largo, y la mayoría de los juicios pueden ser refutados en un mes.

Autor y fuente del artículo: 36kr

Todos los consensos están expirando rápidamente

Todos están intentando formar juicios sobre la IA, pero todos los consensos se vuelven rápidamente obsoletos.

Entrevista | Ba Rui, Brisa del Mar

Artículo | Hai Feng, Liu Sijie

Editado por: Liu Sijie

Fuente de la imagen de portada | Fotografía proporcionada por el entrevistado

La fase de crecimiento salvaje ya ha terminado.

Este es el sentimiento más profundo de Ma Peiyuan recientemente, mientras está en la primera línea de las startups de IA en Silicon Valley.

En diciembre de 2021, tras graduarse de la licenciatura, ingresó a Quora, conocida como "la versión estadounidense de Zhihu", y posteriormente se trasladó a Poe, una plataforma de agregación de chatbots de IA, donde trabajó como ingeniero senior de IA. Hace dos meses, se unió a Cognition, la empresa emergente de agentes de IA más popular de Silicon Valley.

En mayo de 2026, esta empresa, fundada hace menos de tres años, anunció haber completado una ronda de financiación de más de 1.000 millones de dólares, elevando su valoración a 26.000 millones de dólares. Hace ocho meses, su valoración era de 10.200 millones de dólares.

Además de ingeniero, Ma Peiyuan tiene otra identidad: headhunter de inversiones (Venture Scout). Busca proyectos de startups de IA merecedores de inversión para instituciones financieras, con un presupuesto anual de 500.000 dólares.

En los más de cuatro años después de graduarse, pareció siempre actuar antes que el consenso de la industria de la IA: antes de que nadie hubiera definido claramente el término “agent”, su equipo ya había iniciado en secreto un proyecto relacionado. Cuando Anthropic aún era desconocida, se convirtieron en los primeros usuarios avanzados de Claude. Fue el primer ingeniero certificado en IA del equipo, el primer ingeniero de agentes de IA, y posteriormente transformó a todo el equipo de ingeniería en un equipo AI Native dedicado a la programación con IA.

La confirmación más interesante de esta anticipación cognitiva y acción ocurrió hace dos semanas, cuando mencionó casualmente durante una conversación con "Future Humans Lab" que "los gerentes de personas están desapareciendo", y poco después se confirmó con el anuncio de Tencent y ByteDance de la eliminación de los puestos intermedios.

Los cambios ocurren demasiado rápido; en Silicon Valley, hay que convivir constantemente con el cambio.

Durante las dos semanas entre las dos entrevistas, Ma Peiyuan se dio cuenta de que la lógica que había explicado anteriormente sobre Silicon Valley persiguiendo los modelos más caros y avanzados ya no sostenía. La práctica actual en Silicon Valley consiste en combinar y programar múltiples modelos económicos junto con los modelos de vanguardia.

Hablé con Ma Peiyuan durante casi cinco horas, y descubrimos que casi siempre está deshaciendo lo que dijo ayer, igual que en Silicon Valley. “No puedo decir todo, pero probablemente más del 60%. Un mes después, podría haberse invertido completamente.”

En los últimos años, la IA casi ha reescrito todas las reglas predeterminadas de Silicon Valley: qué tipo de personas tienen más probabilidades de destacar, qué tipo de organizaciones son más competitivas y qué gastos valen la pena.

Por supuesto, estos llamados "correctos" también están perdiendo validez rápidamente. En el campo de la IA, un año ya es un período muy largo, y muchos juicios pueden ser refutados en cuestión de un mes.

A continuación, los 10 observaciones sobre IA en Silicon Valley que Ma Peiyuan considera muy actuales:

Ma Peiyuan

El perfil profesional de Ma Peiyuan encaja perfectamente con el tipo de talento que las empresas de IA de Silicon Valley más valoran. No tiene un trasfondo tradicional en informática, no ha ganado medallas en competencias ni el prestigio de universidades de élite, e incluso en un momento dado no mostró interés alguno por la informática. Sin embargo, en los últimos cuatro años, pasó de trabajar en el equipo de publicidad de Quora hasta convertirse en ingeniero de IA en Cognition, y su trayectoria abarca cada una de las palabras clave que las empresas de IA de Silicon Valley buscan actualmente en sus candidatos. Su experiencia es tanto una historia de crecimiento personal como un ejemplo de los cambios en los criterios de contratación del sector.

Observación 1: Los polímatas superan a los especialistas

El perfil de talento más demandado en Silicon Valley ahora no es el experto más especializado en un campo, sino alguien que "es aceptable en todo y no tiene debilidades evidentes": la industria lo llama polyglot talent, o, dicho de forma más sencilla, "guerrero hexagonal".

En 2024, dentro de Poe se inició un proyecto de "agent" cuya definición aún no estaba clara en ese momento; me seleccionaron a mí, un novato, por una razón muy directa: "había trabajado antes en IA, así como en desarrollo full-stack y iOS". En ese momento, el resto del equipo provenía principalmente de antecedentes tradicionales en machine learning, búsqueda, publicidad y recomendaciones, y ninguno de ellos entendía código frontend, mientras que el agente precisaba precisamente alguien capaz de escribir interfaces frontend. Tras la salida de la persona que originalmente se encargaba del engineering de prompts de IA en la empresa, nadie más podía cubrir ese vacío; así que, como yo aprendía rápido, me encargué tanto del engineering de prompts para este agente como de escribir su código frontend, entre otras cosas.

Este conjunto de habilidades de “saber un poco de todo” se convirtió más tarde en mi capital más valioso al buscar trabajo. Si me das cualquier nuevo campo, puedo aprenderlo casi por completo en dos semanas. Y precisamente eso es lo que buscan las empresas emergentes en sus inicios.

Observación 2: Las habilidades nativas de IA pueden superar ampliamente la experiencia laboral en poco tiempo.

La capacidad de uso de herramientas de IA puede aplastar directamente la experiencia acumulada por años en el sentido tradicional.

Cuando pasé del grupo de publicidad de Quora al grupo de iOS, dije que quería salir de mi zona de confort, pero en ese momento no sabía nada de iOS, era completamente un "0 años de experiencia". En lugar de aprender poco a poco, utilicé a GPT-4 como mi compañero. A mi alrededor había ingenieros iOS muy experimentados que probablemente no creían en la IA. Como no sabía escribir código iOS ni Swift, empecé a pedirle a la IA que me ayudara a escribir código.

Como resultado, este novato de solo tres o cuatro meses en la industria logró igualar e incluso superar la velocidad de producción de ingenieros experimentados a mi alrededor, y en dos años alcanzé un puesto senior. En un sistema de promoción tradicional, esta velocidad es casi imposible. Anteriormente, en Facebook podrían haberse necesitado al menos cuatro a seis años para convertirse en ingeniero senior. Algunas personas en Google nunca llegarán a ser ingenieros senior en toda su vida.

En Cognition conocí a un entrevistador de 19 años. Al principio me sentí un poco frustrado: un hombre de 26 años siendo “interrogado” por alguien de 19, y muchas preguntas no supe responderlas. Luego me di cuenta de que esto era precisamente una señal de que la empresa realmente contrata talento sin importar la edad, y que la edad ya no es el estándar de Silicon Valley para evaluar el talento.

Observación 3: Los criterios de contratación se reescribieron por completo; las empresas de IA no usan la misma plantilla para entrevistas

Antes de dejar Quora, entrevisté cuidadosamente a casi 20 empresas, y si sumo las que me llamaron por teléfono, son entre 30 y 40. En el momento más ocupado, más de 30 reclutadores me contactaron en una sola semana.

He entrevistado en tantas empresas, y he notado que actualmente las empresas de IA no tienen una plantilla de entrevista unificada.

Pero hay varios cambios evidentes: la importancia de los problemas algorítmicos tipo LeetCode está disminuyendo, y las mejores respuestas sobre el diseño de sistemas de IA cambian cada mes.

La estructura de las entrevistas también está cambiando. Las pruebas escritas en línea + work trial se han convertido en una nueva combinación. El work trial es un "periodo de prueba" muy breve de entrevista: algunas duran 3 horas, otras 5 horas, y la máxima extensión es de uno o dos días. En una entrevista que tuve, me dieron directamente un repositorio de código y me pidieron que resolviera un problema real usando cualquier herramienta, incluyendo IA. Después de completarlo, tuve que presentar mi enfoque y los resultados. Todo el proceso ya es muy similar al trabajo real.

Lo más interesante es que la evaluación del uso de IA misma se divide en dos modos. Algunas rondas requieren el uso obligatorio de IA, para ver cómo lo haces "by code"; pero también hay rondas que prohíben explícitamente el uso de IA, como en debug, donde se evalúa si puedes encontrar errores sin la ayuda de la IA, lo que en esencia prueba tu nivel y gusto reales en ingeniería de software.

La entrevista también puede variar mucho. Por ejemplo, algunas empresas me piden realizar un análisis comercial para determinar en qué industria deberían adquirir.

La entrevista de comportamiento (behavior round) también cambió. Ya no son preguntas tradicionales como "tu mayor defecto y ventaja personal" o "cómo resolver conflictos con colegas", sino que se amplía el horizonte temporal para examinar la trayectoria de crecimiento de una persona, desde la escuela secundaria hasta la universidad, pasando por las prácticas y el trabajo, siguiendo el recorrido para evaluar tu "pendiente de vida" y determinar si eres alguien capaz de crecer exponencialmente.

Una ventaja inesperada de no tener una respuesta estándar es que nadie puede obtener una oferta memorizando preguntas. Incluso mi referido en Cognition me dijo directamente: “No te prepares, creo que no hay nada que preparar.”

En Silicon Valley, las personas más destacadas nunca pertenecen a una empresa en particular, sino a "la empresa más destacada de su época". Hace veinte años era Google, hace diez años eran Uber y Robinhood, hace cinco años era Coinbase, y ahora son las empresas de IA. Silicon Valley es "platos de plata que fluyen, soldados inamovibles". Estos talentos, filtrados por nuevos estándares, se quedan más por un sentido de misión que por "condiciones". Estas organizaciones que reúnen a las personas más destacadas también están experimentando grandes transformaciones bajo la reconfiguración de la IA.

Observación 4: Demasiada sed por lo "nativo de IA"

La demanda de empresas de Silicon Valley por soluciones nativas de IA supera con creces lo que yo imaginaba. Las empresas que entrevisté eran en su mayoría de las rondas A y B, y algunas incluso de semilla. Una pregunta muy frecuente era: ¿Qué herramientas de IA utilizas? Normalmente les entregaba directamente mi blog, y casi siempre quedaban atónitos.

Dirán que no solo quieren que desarrolle aplicaciones de IA, sino que también impulse la transformación de IA dentro de la empresa para hacer que el equipo sea más nativo de IA. Muchas empresas ya están desarrollando productos de IA, pero sus empleados aún no han establecido sus propios flujos de trabajo de IA. Además, también necesitan a alguien que pase mucho tiempo diariamente en Twitter, compartiendo oportunamente nuevos descubrimientos de IA o trucos para aumentar la eficiencia.

Esto es un poco contraintuitivo para mí. Algunas de mis antiguas “pasiones”, como jugar con nuevas herramientas como Claude Code todos los días o compartir formas de usar IA en Slack (una aplicación de oficina), se convirtieron en un nuevo rol organizacional.

Antes, en Quora, logré que todo el equipo de ingeniería usara Claude Code. Cada vez que encontraba a un ingeniero en la oficina, le preguntaba: ¿Has usado IA para programar? Recuerdo a un ingeniero especializado en ciberseguridad que al principio se resistía, creyendo que usar IA para escribir código era demasiado arriesgado. Más tarde, le sugerí que cambiara su enfoque: en lugar de escribir código, usara la IA para leerlo, comprender la base de código y realizar análisis de datos. Eventualmente, él también comenzó a usarla.

Observación 5: "Usar mejor la IA" es, en esencia, un problema de transformación organizacional.

Al trabajar en inteligencia artificial en Cognition, cada vez más me doy cuenta de un hecho: utilizar mejor la IA ya no es solo un problema de ingeniería, sino una cuestión de transformación organizacional.

Por ejemplo, en una empresa de internet con una estructura organizacional tradicional, un error desde su detección hasta su corrección suele pasar por varias etapas: evaluación de requisitos, programación de ingeniería, desarrollo, pruebas y lanzamiento. Usar realmente IA para escribir código podría tomar solo dos o tres horas, pero completar todo el proceso suele llevar un mes.

Antes, este proceso era razonable. Debido a que arreglar un error podía llevar a un ingeniero de tres a cinco días, el valor del proceso radicaba en coordinar diferentes equipos y asignar recursos. Pero la IA ha reducido este tiempo.

Ahora, con productos de ingenieros de software AI como Devin, lanzado por Cognition, podemos completar en dos o tres horas el trabajo que antes tomaba varios días. En Cognition, incluso podemos usar a Devin para identificar a la persona responsable de este error y luego hacer que Devin lo ayude a solucionarlo, eliminando muchos pasos de coordinación y transferencia innecesarios. En realidad, es la IA la que está impulsando la transformación de toda la estructura organizacional.

Observación 6: El gerente de personas está desapareciendo; los gerentes deben saber programar ellos mismos

Lo que se llama people manager es simplemente un engineering manager. En Estados Unidos, en los últimos años ha cobrado popularidad la idea de que, como gerente, debes centrarte en la gestión: encárgate de coordinar al equipo, facilitar la comunicación organizacional, atender las emociones de los empleados y brindar apoyo para su crecimiento, sin necesidad de tener habilidades técnicas muy avanzadas.

Pero al entrar en Cognition, descubrí que toda la estructura organizacional es extremadamente plana. Por ejemplo, mi supervisor directo era incluso el CPO, uno de los cofundadores. Él no se preocupaba por detalles de tu crecimiento personal; su rol era más bien definir la dirección general. Incluso se podría decir que, en el equipo de ingeniería de Cognition, que ahora cuenta con más de 60 personas, solo hay un verdadero manager de personas; los demás, incluido el CPO, son “gestores que también escriben código”. Esto es completamente diferente a mi experiencia anterior en Quora, donde un manager podía supervisar a cinco o seis ingenieros.

El equipo de Cognition se vistió de rojo en conjunto para celebrar el cumpleaños de un compañero que normalmente usa ropa roja.

Creo que esto podría ser un cambio organizativo traído por la IA. He observado que cualquier startup de IA con gran energía realmente funciona así: casi no hay gerentes que solo se encarguen de gestionar personas; si gestionan personas, también son muy técnicos.

Esta decisión no solo ocurrió en Silicon Valley; durante las dos entrevistas separadas por dos semanas, grandes empresas nacionales como Tencent y ByteDance también anunciaron la eliminación de puestos intermedios.

Los cambios observados por Ma Peiyuan no se limitan al nivel organizacional. También se están derrumbando a una velocidad visible a simple vista los juicios más macroscópicos sobre la industria: “¿Qué gasto en tokens es razonable dentro de las empresas de IA de Silicon Valley? ¿Qué modelos realmente son buenos?” Incluso las evaluaciones que él mismo hizo durante su primera entrevista no resistieron dos semanas.

La industria de la IA en Silicon Valley también se está autoderrumbando mensual o incluso diariamente; ninguna evaluación se mantiene fresca por mucho tiempo.

Observación 7: Token Maxxing ha mostrado divergencia; las grandes empresas están volviendo a centrarse en la eficiencia.

A principios de este año, en Silicon Valley estuvo de moda el “Token-Maxxing”. Empresas como Meta incluso llegaron a publicar ranking de uso de tokens. Quien más los usara, era considerado el representante de lo “nativo de IA”. Creo que esto es, en primer lugar, algo muy tonto: el volumen de uso de tokens de IA no puede equipararse a la eficiencia de los ingenieros.

Google y Meta me dijeron que en ese momento todos estaban en plena "gran salto adelante de la IA". Las empresas organizaban específicamente una "Semana de la IA", y todos tenían que dejar sus tareas para escribir habilidades de IA y presentar sus habilidades de manera espectacular.

Al principio, casi todas las empresas siguieron este enfoque: primero hacer que la gente use la IA lo más posible para ver hasta qué punto se puede utilizar.

Pero una vez que se vuelve un ranking público, el comportamiento humano se distorsiona. Los ingenieros usarán las herramientas solo para "usarlas mucho", e incluso surgen situaciones absurdas, como hacer que la IA recorra aleatoriamente tareas sin sentido cada noche, solo para aumentar la cantidad de uso. Esto es realmente similar a medir la capacidad de los estudiantes mediante el GPA: un solo indicador fácilmente se distorsiona.

Luego, muchos altos ejecutivos también comenzaron a darse cuenta de este problema. Más específicamente, se asustaron con las facturas. Por ejemplo, Uber agotó casi todo su presupuesto anual de IA para 2026 en los primeros cuatro meses. Muchas grandes empresas comenzaron a restringir nuevamente el uso de tokens. Los consejos de administración y los CEOs comenzarán a preguntarse: ¿vale realmente la pena este uso de tokens? ¿Realmente nos está aumentando tanto la eficiencia? ¿Un millardo de dólares gastados realmente generó un millardo de dólares en producción?

Esta ansiedad fue rápidamente convertida por Cognition en una respuesta comercial con precio claro. El 4 de junio, Cognition lanzó la "Garantía de Productividad de IA": si los clientes empresariales utilizan Devin (el producto de ingeniero de software de IA lanzado por Cognition) y no logran el nivel de mejora de eficiencia prometido, la compensación máxima será de 10 millones de dólares estadounidenses. El investigador detrás de este estudio es un colega mío que ha ganado tres medallas de oro en las Olimpiadas Internacionales de Informática; él analizó 233 casos reales de clientes, seleccionó aleatoriamente conversaciones entre clientes y Devin, y preguntó a los clientes: "Si no se hubiera utilizado Devin, ¿cuánto tiempo habría tomado realizar este trabajo manualmente?". Luego, con estos datos, entrenó un sistema predictivo que convierte cada conversación con Devin directamente en "horas equivalentes de ingeniero", y utilizando el salario por hora de un ingeniero, calculó cuánto dinero se ahorró realmente con este producto.

Pero muchas empresas de YC podrían seguir el modelo de “token maxxing”, ya que disponen de muchos cupones gratuitos de tokens con beneficios políticos, y al ser pequeñas, tal vez solo tengan tres personas, sin problemas de gobernanza de IA; los administradores pueden ver directamente si cada persona está usando IA para evadir el trabajo.

Observación 8: La adoración del modelo también está siendo desafiada

En el intervalo de dos semanas entre las dos entrevistas de este artículo, me di cuenta de que los argumentos que platicé la última vez ya no eran tan correctos.

Hace dos semanas, todavía hablaba sobre qué modelo era el más avanzado en la actualidad. Ahora, Cognition acaba de lanzar internamente una función sin nombre en chino aún, con el código fusion mode: combinar y programar de manera inteligente varios modelos económicos junto con los modelos de punta, en lugar de llamar ciegamente al más caro. ¿Acaso conduces tu Porsche todos los días a comprar víveres? Deberías usar tu Honda o un coche más económico para eso. La velocidad de iteración de los modelos en estas dos semanas también ha superado mis expectativas; ni siquiera me atrevo a afirmar con certeza quién es el “número uno”.

No puedo decir todos, pero podrías decir más del 60%; muchos podrían estar en la dirección opuesta un mes después.

Así es la ley de evolución de cualquier ola tecnológica: la caída del antiguo consenso suele ser el comienzo de un nuevo paradigma.

Cuando el mercado dejó de adorar ciegamente los modelos únicos y el gasto excesivo en poder de cómputo, surgió una demanda explosiva por “cómo hacer que la IA se implemente de manera estable y controlable” y “cómo resolver los problemas difíciles que los modelos grandes no pueden superar”. Observando desde una doble perspectiva de ingeniero y reclutador de inversiones, Ma Peiyuan notó que, en el silencio del consenso no mainstream de Silicon Valley, están brotando nuevas empresas que no dependen del “mito de los modelos grandes” y se enfocan en resolver problemas complejos del mundo real.

Observación 9: Está surgiendo nueva infraestructura de IA

En torno a “Token-Maxxing”, ya han surgido una serie de nuevas startups dedicadas a observar y monitorear el uso de IA por parte de los equipos, analizando dónde se están desperdiciando tokens.

El problema más profundo detrás de esto es que los agentes de IA son inherentemente frágiles; un pequeño cambio en el prompt puede provocar una disminución en el rendimiento del agente. Por ello, surgen nuevas infraestructuras de IA, como el sandbox (entorno de prueba), para aislar la ejecución del agente y evitar que acceda directamente a sistemas sensibles, como cuentas bancarias o datos de entornos de producción.

Al mismo tiempo, el propio acto de "observar" se ha vuelto más complejo. Los sistemas tradicionales se pueden monitorear simplemente cuando generan errores, pero los agentes no "generan errores". Pueden funcionar normalmente, pero aún así presentar problemas graves a nivel de salida, como sesgos, discriminación o experiencias negativas evidentes para los usuarios. Esto requiere un nuevo software capaz de detectar cuándo el agente "se ha dañado".

Observación 10: "Lo que no se puede entrenar" está convirtiéndose en un nuevo negocio

En el mundo de las inversiones, hay una tendencia cada vez más popular que afirma que los agentes verticales (vertical agents) han perdido su valor de inversión. Pero no estoy completamente de acuerdo.

El inversor de Silicon Valley Sarah Guo propuso un concepto: "lo no entrenable", es decir, "lo que no se puede entrenar". La idea central es que, en muchos sectores verticales, los modelos de lenguaje nunca podrán automatizarse por completo, ya que estos sectores contienen numerosos procesos complejos que no se pueden abstraer y que a menudo requieren intervención humana para resolverlos uno por uno.

Por ejemplo, en la declaración de impuestos en Estados Unidos, hay 50 estados con 50 impuestos diferentes que deben integrarse uno por uno; lo mismo ocurre en el ámbito legal: la ley de inmigración, la ley civil, la ley comercial, cada una con sus propios sistemas complejos, y un agente de IA no puede lograrlo de inmediato.

El valor de las empresas de agentes de IA vertical radica en descubrir más dolores reales a través de la interacción constante con clientes y FDE (Ingenieros de Despliegue Frontal). Estos elementos se graban en los productos de la empresa, y son precisamente lo que otras grandes empresas no pueden entrenar ni que los modelos generales puedan absorber.

Por lo tanto, tiendo a pensar que los agentes verticales aún tienen valor de inversión; simplemente, los retornos que generan probablemente no serán de 1000 veces, sino más bien retornos más estables y moderados, como 20, 50 o incluso 100 veces.