Conferencia de resultados del tercer trimestre de 2026, 18 de noviembre de 2026
Las primas de seguros emergen como una sólida señal de seguridad y costos
El nuevo dato más concreto de la llamada del tercer trimestre de Pony AI provino de una evaluación de terceros sobre su historial de seguridad. El presidente y director ejecutivo (CEO), James Peng, señaló que la compañía renovó recientemente el seguro de sus vehículos y que la prima anual por robotaxi de Gen 7 se situó en el 40% del promedio de los taxis conducidos por humanos, por debajo del 50% del año pasado. "Este es un claro indicador de nuestro superior historial de seguridad", afirmó Peng. El director financiero (CFO), Leo Wang, añadió que unos mayores costos de los vehículos normalmente habrían impulsado las primas al alza debido al incremento en los costos de reparación, pero el historial de seguridad "compensó con creces esta presión al alza". Describió el resultado como un ahorro estructural en los costos operativos de la flota. En la sesión de preguntas y respuestas, Wang indicó que la prima por vehículo de la flota Gen 7 ha bajado otro 19% este año.
PonyWorld: el postentrenamiento en simulación como el argumento técnico central
El director de tecnología (CTO), Tiancheng Lou, aprovechó la conferencia para exponer en detalle la tesis técnica de la compañía. La IA física, explicó, sigue las mismas dos etapas que los modelos de lenguaje de frontera: preentrenamiento y postentrenamiento. El preentrenamiento con datos multimodales construye habilidades básicas de conducción, pero está "delimitado por los datos de conducción humana, lo que deja sin resolver las alucinaciones de cola larga". Superar ese techo requiere aprendizaje por refuerzo en el postentrenamiento, donde, en sus palabras, "más del 90% al 95% del trabajo principal ocurre".
Ese es el rol de PonyWorld, al que Lou calificó de "autoescuela virtual de circuito cerrado". Indicó que ahora genera 10.000 millones de kilómetros de entrenamiento cada semana. El desafío central es la brecha entre simulación y realidad (sim-to-real): la distribución simulada de eventos debe reflejar la realidad, ya que los casos extremos que aparecen con muy poca frecuencia no se aprenden, y los casos extremos que se exageran vuelven la política de conducción excesivamente conservadora. Lou comentó que Pony construyó un conducto (pipeline) autoevolutivo en el que los casos extremos de las operaciones de flotas en vías públicas afinan automáticamente la fidelidad del simulador. Se refirió a la última iteración como PonyWorld 2.0 y afirmó que reduce el tiempo y el cómputo necesarios para entrenar el modelo mundial en un orden de magnitud.
Lou vinculó el sistema a cuatro resultados comerciales. Primero, la seguridad, utilizando lo que denominó enumeración de intenciones para generar todas las intenciones y trayectorias posibles de los usuarios viales circundantes y someter a pruebas de esfuerzo la política de conducción antes de su implementación. Segundo, la expansión geográfica sin reentrenamiento: allí donde las normas de tráfico y los estilos de conducción son coherentes, el modelo se generaliza sin necesidad de reentrenamiento, por lo que pasar de más de 1.000 kilómetros cuadrados en Guangzhou a "decenas de miles de kilómetros cuadrados" es "puramente una función de desplegar más vehículos". Tercero, la replicación internacional mediante el entrenamiento de interacción localizada, a lo cual Lou atribuyó el paso hacia operaciones sin conductor en Zagreb en cuestión de meses. Cuarto, la generalización multiplataforma, en la que los robotaxis y los camiones autónomos (Robotrucks) comparten una arquitectura central que se adapta a camiones pesados y ligeros a través del postentrenamiento.
Foso defensivo y cómputo: sin cuellos de botella y no destilable
Al ser consultado por Citi sobre las restricciones de chips, Lou afirmó que Pony "no tiene un cuello de botella en el cómputo de IA". En el vehículo, los robotaxis Gen 7 operan con chips de grado automotriz desde su lanzamiento en abril pasado, lo que, según dijo, reduce el costo de la lista de materiales (BOM) y el consumo de energía, además de extender la autonomía por carga. En cuanto al entrenamiento, señaló que los modelos integrados en los vehículos son mucho más pequeños que los grandes modelos de lenguaje, y la mayor parte del cómputo de postentrenamiento se destina a ejecutar la simulación dentro del modelo mundial, el cual requiere mucho menos cómputo que el preentrenamiento. Apuntó que Pony es la primera empresa en lograr una operación sin conductor de Nivel 4 (L4) con chips de grado automotriz, y lo contrastó con otros actores de L4 que dependen en gran medida del cómputo a bordo del vehículo, lo que sugiere modelos más grandes y mayor cómputo de entrenamiento. Lou añadió que Pony ha evaluado más de un chip de fabricación china para el entrenamiento de modelos y ha desplegado su pipeline de entrenamiento en ellos: "Si es necesario, podemos entrenar nuestros modelos en esos chips".
En respuesta a Bloomberg Intelligence sobre si los modelos de la clase GPT-6 conectados a la IA incorporada podrían convertir la conducción autónoma en un producto básico (*commoditize*), Lou respondió que la IA incorporada no ha alcanzado la implementación comercial a gran escala y que unos pocos minutos de demostración "no prueban nada sobre la seguridad operativa a escala". Argumentó que el lenguaje es "una representación intermedia lenta y con pérdidas para el control físico", y que el preentrenamiento de modelos fundamentales es "solo la línea de salida". Dado que los modelos de Pony operan dentro de un sistema de circuito cerrado en lugar de detrás de una API pública, explicó que no pueden ser destilados, por lo que un competidor necesitaría construir la infraestructura de postentrenamiento y un volante de inercia (*flywheel*) de datos de flotas del mundo real desde cero.
Financieros: ingresos al alza en un 75%, pérdidas que se reducen lentamente
Los ingresos totales aumentaron un 75% interanual hasta los $44,6 millones. Los robotaxis y los camiones autónomos representaron conjuntamente el 80% de los ingresos, frente al 66% de hace un año. Los ingresos por servicios de robotaxi alcanzaron los $17,8 millones, un incremento del 165% interanual y del 47% trimestral, representando el 40% del total frente al 26% de un año antes. Los ingresos por tarifas cobradas crecieron aproximadamente un 400% interanual. Los ingresos por camiones autónomos se situaron en $18 millones, un alza del 76% interanual y del 35% trimestral, impulsados por los servicios de carga con Sinotrans. Los ingresos por Soluciones Inteligentes se ubicaron en $8,9 millones, manteniéndose prácticamente planos.
La utilidad bruta creció un 69% hasta los $7,9 millones, lo que arroja un margen bruto del 17,8% frente al 17,5% del segundo trimestre. Los gastos operativos según los PCGA (GAAP) aumentaron un 3% hasta los $76,6 millones, mientras que los gastos operativos ajustados (non-GAAP) cayeron un 2% hasta los $66,2 millones. El margen operativo mejoró desde un negativo de 274% hasta un negativo de 154%. La pérdida operativa según los PCGA se redujo levemente a $68,7 millones desde los $69,7 millones, y la pérdida operativa ajustada disminuyó un 8% hasta los $58,3 millones. La pérdida neta según los PCGA fue de $136,3 millones, lo que incluye una pérdida no monetaria de $77 millones derivada de cambios en el valor razonable de valores negociables. La pérdida neta ajustada se redujo un 14% hasta los $48,9 millones....