Sarah Guo, de Conviction: los investigadores de IA se sienten "desmotivados" a medida que la escala de cómputo eclipsa la contribución individual, mientras que los robots humanoides se despachan más rápido de lo esperado
Podcast Invest Like the Best, septiembre de 2026: la inversionista de capital de riesgo analiza la psicología de la carrera de investigación en IA, una apuesta sorpresa en robótica y por qué redobla su apuesta por los modelos de código abierto y la IA en biotecnología.
Sarah Guo, fundadora de la firma de capital de riesgo enfocada en IA Conviction, aprovechó su participación en un extenso podcast para exponer una visión del panorama de inversión en IA que se centra menos en qué laboratorio gana y más en el impacto que esa victoria está teniendo en las personas que construyen la tecnología. Su observación más llamativa no trata sobre la capacidad de los modelos, sino sobre la moral dentro de los laboratorios de vanguardia, donde afirma que un porcentaje cada vez mayor de investigadores ha concluido silenciosamente que sus contribuciones individuales ya no importan.
El costo psicológico de la IA a escala de cómputo
Guo describe el entorno actual como "un panorama ferozmente competitivo", más que en cualquier otro momento de los últimos tres años, y señala que la intensidad está generando una verdadera inseguridad entre las aproximadamente 250 personas que ella y su socio Mike consideran la verdadera vanguardia de la investigación y el emprendimiento en IA. Lo inquietante, según relata, es una creencia que se ha instalado en los últimos 12 meses: que el autoaprendizaje recursivo en los modelos de investigación de IA sitúa a la industria a uno o dos años de distancia de "algún tipo de inteligencia exponencial". Ella misma se encarga de señalar el escepticismo que esto merece, al recordar que Andrej Karpathy ha admitido con modestia que lleva aproximadamente una década creyendo que la AGI está a dos años de distancia.
Más relevante para los inversionistas, argumenta Guo, es el efecto que esta creencia está generando en el comportamiento de los investigadores. A medida que los laboratorios amplían sus plantillas y presupuestos de cómputo hasta alcanzar cientos de miles de millones de dólares, los científicos individuales sienten cada vez una de estas dos cosas: o bien el modelo terminará resolviendo el problema por sí solo, o la única variable que importa es la escala de cómputo. "Ambas ideas resultan algo desmotivadoras", afirmó, y añadió que esta dinámica plantea interrogantes reales sobre la motivación dentro de los laboratorios, incluso cuando las capacidades siguen en aumento. Se trata de un dato sutil pero importante para cualquiera que intente evaluar el riesgo de talento en los laboratorios de vanguardia, ya que la retención y el enfoque dependen en última instancia de si los mejores investigadores todavía creen que su trabajo es el que marca la diferencia.
Sunday Robotics: una velocidad de ejecución que sorprendió incluso a la inversionista
La información nueva más concreta de la conversación gira en torno a Sunday Robotics, una empresa de robótica humanoide en la que Guo y su socio Pranav invirtieron cuando sus fundadores, Tony Zhao y Cheng Chi, aún eran estudiantes de doctorado en Stanford y se habían formado en Toyota Research, DeepMind y Tesla. Guo señala que la empresa planea lanzar un robot semihumanoide de uso general en fase beta en los hogares antes de que termine este año, un cronograma que, según admite, ninguno de nosotros creía posible cuando la compañía comenzó hace menos de dos años. "Me sorprende que se pueda avanzar tan rápido, desde un montón de cartón en un sótano de Stanford hasta un desarrollo integral", indicó, destacando que el equipo ha fabricado su propio hardware y ha ejecutado cientos de iteraciones de modelos y ciclos de recopilación de datos aplicados a tareas del mundo real.
La tesis de inversión en sí misma ofrece una perspectiva útil sobre cómo Conviction evalúa las apuestas de tecnología profunda (*deep tech*) en robótica: en lugar de asumir que el sector necesita un "internet de datos de robótica" que todavía no existe, Zhao y Chi diseñaron un enfoque técnico para recopilar datos útiles de manera económica y eficiente, para luego transferirlos al aprendizaje del modelo. Guo señala que se comprometió tras una sola reunión, una decisión inusualmente rápida para una firma que suele someter sus convicciones a pruebas rigurosas durante días o semanas antes de comprometer capital.
Modelos de código abierto: "El secreto ya se ha revelado"
Sobre la polémica cuestión de los modelos de IA de código abierto —muchos de ellos chinos— que compiten en la frontera, Guo adopta una postura clara y relevante para las políticas públicas: restringir su uso dentro de Estados Unidos no detendría a los actores malintencionados, sino que perjudicaría a "las empresas estadounidenses respetuosas de la ley". Sostiene que la difusión de capacidades a través de modelos abiertos es tanto inevitable como deseable, dado que los modelos propietarios de vanguardia siguen siendo demasiado costosos, lentos o sensibles para una gran parte de los casos de uso en el mundo real. Su recomendación no es la prohibición, sino pruebas rigurosas, en particular ante el temor de que los modelos chinos de código abierto puedan albergar comportamientos ocultos (*backdoors*). "Lo que se debe hacer en realidad es aplicar un conjunto muy riguroso de pruebas de seguridad", afirmó, argumentando que no ha habido suficiente investigación real para justificar los actuales niveles de alarma. Preocupada por la visión de Sam Altman sobre una "inteligencia demasiado barata para tarificar", espera que esta sea provista en gran medida por infraestructura de código abierto y no solo por modelos propietarios de vanguardia, ya que las empresas y usuarios individuales inventarán casos de uso que ningún investigador de laboratorios de frontera podría anticipar.
La independencia en cómputo como el próximo campo de batalla estratégico
Guo plantea un argumento de competitividad nacional que debería resonar entre los inversionistas enfocados en infraestructura: cree que Estados Unidos corre el riesgo de perder su "independencia de cómputo" de la misma manera que ha batallado con su independencia energética, dado lo concentrados que permanecen los pasos críticos de la cadena de suministro de semiconductores en geografías inestables o inaccesibles. Cita una conversación con un líder de infraestructura en un gran proveedor de hiperescala (*hyperscaler*), quien le aseguró que "nada va a marcar una diferencia a escala suficiente antes de 2030", en alusión a los cuellos de botella físicos en la disponibilidad de gas natural y energía que limitan la expansión de los centros de datos, independientemente de la disponibilidad de capital. Guo enmarca esto explícitamente como un problema regulatorio y de alineación social, más que tecnológico o de capital, señalando que las disputas por permisos para centros de datos y plantas nucleares representan la principal limitación. Menciona la iniciativa de cadena de suministro Pacia, impulsada por Jacob Helberg, como un ejemplo del tipo de inversión necesaria en cada eslabón de la cadena, y destaca que Conviction ya ha destinado capital al sector laboral de centros de datos, energía nuclear y arquitecturas de chips alternativas como coberturas parciales, mientras que por ahora ha descartado las inversiones puras en financiación de centros de datos por quedar fuera de su mandato de inversión tecnológica.
Un giro de convicción sobre la IA en biotecnología
Quizás el cambio más cuantificable en el pensamiento de Guo sea respecto a la capacidad de la inteligencia artificial para crear valor duradero en la industria farmacéutica, un área que, según dice, observó con escepticismo durante más de cinco años antes de cambiar de opinión. El consenso anterior, en sus palabras, era que "la única forma de ganar dinero en biotecnología o prestando servicios a la industria farmacéutica es creando un fármaco", una estructura que recompensa a las empresas biotecnológicas de plataformas por poseer grandes participaciones accionarias en candidatos a fármacos en lugar de vender software. El primer cheque de Conviction para Chai Discovery, que hoy trabaja con varias de las diez principales empresas farmacéuticas para acelerar partes del proceso de investigación y desarrollo (I+D), marcó su ruptura con ese consenso. La inversionista se cuida de señalar que la industria todavía no ha tenido su momento decisivo —un nuevo medicamento o indicación cuya trayectoria haya sido claramente alterada por la IA—, pero espera que ese hito desencadene una ola de capital mucho mayor en el sector. "Creo que deberíamos ver una aceleración masiva en el desarrollo de curas", afirmó, al tiempo que reconoció que los plazos regulatorios y las pruebas de seguridad en el mundo físico siguen siendo factores limitantes que ninguna capacidad de modelos puede sortear.
Proceso de inversión: instintos rápidos, verificación lenta
Guo describe su propia toma de decisiones como visceral en cuanto a las personas y escéptica ante la ciencia que no le resulta familiar. Califica las nuevas oportunidades en una escala del uno al diez casi de inmediato basándose en el fundador y la idea, para luego pasar los siguientes días o semanas intentando encontrar los vacíos en su propio entendimiento antes de comprometer capital. Es enfática al señalar que el prestigio por sí solo no es una base suficiente para una gran apuesta de investigación, y critica a sus colegas que delegan su criterio en la reputación de un fundador sin tener una visión independiente de la tesis técnica subyacente: "El negocio, la teoría técnica y el negocio no me cuadran", recuerda haberle dicho a un conocido inversionista amigo, "y diría que la gente está haciendo apuestas de investigación a gran escala sin ninguna intuición al respecto". Cabe destacar que, a pesar de dirigir una firma pequeña de cinco socios, Guo afirma que solo evalúa entre cuatro y seis empresas nuevas a la semana, en un contraste deliberado con los cientos que revisaba al inicio de su carrera en Greylock, concibiendo la selectividad misma como una ventaja competitiva en un mercado inundado de capital que persigue etiquetas de IA.
Recaudación de fondos sin una narrativa pulida
Guo también ofrece un relato inusualmente sincero sobre cómo Conviction recaudó su primer fondo, admitiendo que rechazó el manual tradicional del capital privado (*private equity*) de construir una historia sumamente diferenciada y empaquetada previamente para los socios limitantes (*LPs*). En su lugar, les dijo a los prospectos de LPs que tenía la intención de descubrir la ventaja competitiva específica de la firma a través de la experimentación una vez que se hubiera recaudado el capital, un discurso que, según reconoce, le costó el apoyo de algunas instituciones que prefieren tesis claras y completamente desarrolladas. "Básicamente les di a las personas un documento de dos páginas sobre mis antecedentes y mi historial de inversión", comentó, apostando en su lugar a que su trayectoria identificando y respaldando a personas excepcionales se potenciaría con el tiempo. Cuatro años después, con la firma ubicada según los reportes entre los dos socios de capital de riesgo más codiciados en al menos una gran encuesta de LPs, ella sostiene que la lección tanto para fundadores como para administradores de fondos es que la ejecución puede sustituir a la perfección narrativa, siempre y cuando el criterio subyacente sea sólido.