La pérdida de Meta, la ganancia de Thinking Machines

Una oleada de fichajes que cambia el tablero

Thinking Machines Lab (TML), una startup de inteligencia artificial que ya figura entre las más observadas del sector, ha intensificado su ofensiva para atraer talento de alto perfil. Los movimientos más recientes incluyen la llegada de Weiyao Wang, quien dejó Meta tras ocho años —su primer trabajo luego de la universidad—, y Kenneth Li, un PhD de Harvard que pasó diez meses en Meta antes de incorporarse a TML.

Estos fichajes no son aislados. Un repaso de perfiles públicos y reportes de prensa muestra una dinámica de contrataciones entre TML y Meta que corre en ambos sentidos: Meta ha captado a varios fundadores de TML, mientras que TML ha sumado a varios investigadores veteranos provenientes de Meta y otras grandes empresas tecnológicas.

¿Quiénes se han movido y por qué importa?

Entre los nombres más relevantes que ahora figuran en la nómina de Thinking Machines están Soumith Chintala, nombrado CTO y conocido por cofundar PyTorch, el framework de deep learning que ha sido fundamental en la investigación mundial de IA. Chintala trabajó en Meta por 11 años y dejó la compañía a finales de 2025.

También se han unido Piotr Dollár, otro veterano de 11 años en Meta y coautor del influyente modelo Segment Anything; Andrea Madotto, investigadora de la división FAIR de Meta que trabajó con modelos multimodales; y James Sun, ingeniero con casi nueve años de experiencia en proyectos de pre- y post-entrenamiento de grandes modelos de lenguaje (LLMs) en Meta.

Además, TML ha atraído talento de otras empresas y ámbitos: Neal Wu (medallista en la Olimpiada Internacional de Informática y cofundador de Cognition), Jeffrey Tao (con paso por Waymo, Windsurf y OpenAI), Muhammad Maaz (ex investigación en Anthropic), Erik Wijmans (procedente de Apple) y Liliang Ren (quien pasó dos años y medio en el equipo de Superinteligencia de Microsoft preentrenando modelos de OpenAI para código).

Estos movimientos subrayan que TML no solo compite por talento con gigantes como Meta, sino que también resulta atractivo para perfiles que provienen de OpenAI, Anthropic, Apple y Microsoft.

Infraestructura y dinero: la combinación que acelera el crecimiento

Más allá del reclutamiento, Thinking Machines ha dado pasos importantes en infraestructura. La compañía firmó un acuerdo multibillonario con Google Cloud que le da acceso a los chips Nvidia GB300 y la coloca entre las primeras startups en operar sobre ese hardware. El anuncio se hizo público en el marco de Google Cloud Next.

El trato con Google se suma a una asociación previa con Nvidia y posiciona a TML en una capa de infraestructura similar a la de empresas como Anthropic y la propia Meta. Contar con acceso directo a aceleradores de última generación es un factor clave para quien desarrolla modelos multimodales y aplicaciones que requieren enormes cantidades de cómputo.

En paralelo, el mercado de talento y las ofertas salariales siguen siendo un motor poderoso: Meta es reconocida por paquetes de compensación de siete cifras “sin ataduras”, y esa capacidad de oferta condiciona las decisiones de muchos investigadores. Frente a eso, TML presenta otras ventajas: promesa de impacto directo, participación en proyectos de punta y una valoración que atrae capital.

Valoración alta, expectativas altas

Thinking Machines está actualmente valorada en 12.000 millones de dólares, según el reporte. Ese nivel de valorización es notable para una compañía que, hasta ahora, solo ha lanzado un producto público. Para inversionistas y competidores, la combinación de capital, acceso a hardware y talento crea una narrativa de crecimiento acelerado, pero también eleva las expectativas sobre resultados concretos.

Es importante recordar que, aunque la infraestructura y las contrataciones son señales de fuerza, la transición de una startup con buena financiación a un jugador sostenible y con productos escalables requiere tiempo, clientes y métricas operativas sólidas.

Qué significa esto para América Latina

Para audiencias y empresas en América Latina, estos desarrollos son relevantes en varios frentes:

• Competencia por talento: la atracción de investigadores senior hacia startups bien financiadas y hacia grandes tecnológicas reaviva la guerra por talento en la región. Empresas latinoamericanas que compitan por ingenieros de IA tendrán que diseñar estrategias de retención más creativas que solo ofrecer salarios altos: cultura, impacto, oportunidades de liderazgo y participación accionaria pueden marcar la diferencia.

• Acceso a infraestructura: el acceso a chips de última generación y a acuerdos de nube preferentes repercute en costos y en la capacidad de desarrollar modelos avanzados. Empresas latinoamericanas que dependan de la nube para sus proyectos de IA deben vigilar los cambios en precios y disponibilidad, y considerar alianzas estratégicas o consorcios para compartir capacidad de cómputo.

• Oportunidades de colaboración: la expansión de actores como TML puede abrir puertas para colaboración en investigación aplicada, pilotos y transferencia tecnológica. Instituciones académicas y centros de investigación en la región podrían buscar acuerdos con estas empresas para acelerar adopción y formación.

• Riesgos de concentración: la concentración de talento e infraestructura en pocas empresas con altos recursos puede limitar la diversidad de desarrollos y encarecer el acceso a tecnologías punta. Los reguladores y actores públicos en la región deberían seguir estos movimientos para evaluar políticas de formación y competencia.

Riesgos y preguntas abiertas

Aunque el avance de TML es notable, quedan varias preguntas sin respuesta: ¿cómo traducirá la startup su talento y su acceso a infraestructura en productos escalables y clientes reales? ¿Podrá mantener la retención frente a ofertas millonarias de competidores? ¿Qué impacto tendrá la rotación de personal entre Meta y TML en la propiedad intelectual y en la dirección de investigación en el corto y mediano plazo?

Por ahora, la compañía ha preferido mantener silencio sobre estos movimientos y un portavoz declinó comentar para los reportes.

Conclusión

La dinámica entre Meta y Thinking Machines refleja un fenómeno mayor en la industria de la IA: la competencia por talento y por acceso a recursos computacionales de alto coste está redefiniendo quién puede liderar las próximas generaciones de modelos y aplicaciones. Para empresas y decisores en América Latina, este contexto implica tanto retos —en retención de talento y acceso a infraestructura— como oportunidades de colaboración y aprendizaje.

Seguir de cerca cómo TML convierte su capital humano e infraestructura en productos y clientes será clave para entender si su valoración y su capacidad de atracción se traducen en impacto tecnológico real y sostenido.