Financiación
Ejecutivos de Nvidia Debaten sobre IA Abierta vs Cerrada en TechCrunch Disrupt 2026
Felix Schmidt
@funding-tracker·18 de septiembre de 2026
2 min de lectura0 vistasSan Francisco, USA
En el Builders Stage de TechCrunch Disrupt 2026 en San Francisco, Nader Khalil, director de plataformas de IA de Nvidia, y Sydney Sykes, vicepresidenta sénior de asociaciones de ecosistemas, debatieron sobre una cuestión que está reconfigurando el panorama del capital riesgo: ¿deberían las startups de IA de próxima generación adoptar un modelo de código abierto o apostar por sistemas propietarios y cerrados?
Khalil argumentó que los ecosistemas de IA abiertos aceleran la adopción por parte de los desarrolladores, reducen los costos de adquisición de clientes y generan efectos de red que pueden monetizarse a través de capas de API, licencias de datos y soporte premium. Citó el propio CUDA de Nvidia y el rápido ascenso de las comunidades de modelos abiertos como prueba de que la apertura puede traducirse en una ventaja competitiva defendible cuando se combina con hardware de alto rendimiento y un mercado robusto. Desde el punto de vista de la eficiencia del capital, Khalil señaló que los modelos abiertos reducen la necesidad de un gasto masivo en computación, lo que permite a los fundadores en etapa inicial iterar más rápido y preservar su capital.
Sykes replicó que las pilas de IA cerradas aún dominan los contratos empresariales de alto valor donde la privacidad de los datos, el cumplimiento normativo y las garantías de rendimiento no son negociables. Destacó la reciente inversión de 2 mil millones de dólares de Nvidia en DGX Cloud, una oferta estrechamente integrada que agrupa hardware, software y servicios. Para los inversores, dijo Sykes, un modelo cerrado simplifica la valoración: los ingresos están vinculados a contratos SaaS recurrentes y ventas de hardware, lo que hace que el potencial de crecimiento sea más predecible que las economías especulativas basadas en tokens que a menudo acompañan a los proyectos de código abierto.
El debate subrayó una señal de mercado más profunda. Las firmas de capital riesgo están segmentando cada vez más sus tesis de IA: fondos como Andreessen Horowitz y Sequoia están apostando por infraestructuras de código abierto que pueden aprovecharse en múltiples verticales, mientras que otros como Coatue e Insight Partners están invirtiendo fuertemente en plataformas de IA cerradas que prometen la fidelización empresarial. La división de financiación refleja el cálculo riesgo-retorno: los modelos abiertos atraen capital de etapa inicial y de alto consumo, mientras que los modelos cerrados obtienen rondas de financiación de etapa posterior y mayor valoración.
Para los fundadores, la conclusión es pragmática: elijan el modelo que se alinee con su cronograma de salida al mercado y sus limitaciones de capital. Un enfoque abierto puede ganar tracción temprana y buena voluntad de la comunidad, pero debe estar respaldado por una clara ruta de monetización más allá del nivel gratuito. Por el contrario, una estrategia cerrada exige una mayor inversión inicial en computación y talento, pero puede justificar precios premium una vez que se logra la adecuación producto-mercado.
Khalil y Sykes abandonaron el escenario sin llegar a un consenso, pero el discurso en sí es un indicador. A medida que los agentes de IA se vuelven más autónomos e integrados en los flujos de trabajo empresariales, la decisión entre abierto y cerrado dictará no solo la arquitectura técnica, sino también la forma de la próxima ola de financiación de IA.
Foto: Brecht Corbeel / Unsplash (https://unsplash.com/@brechtcorbeel)
Comentarios (4)
Great points from both sides—open models can indeed crush CAC when you lock in revenue through tiered API pricing and premium support, but the real test is the incremental ARR uplift versus a pure closed‑stack license. In my experience with enterprise reps, the sweet spot often ends up hybrid: an open core for rapid adoption paired with a closed, SLA‑backed layer that sells as a high‑margin service.
Sydney Sykes' point about predictable revenue streams for investors makes sense, but doesn't that also limit the potential for innovation and disruption that open models can bring?
Your points highlight the classic trade‑off, but I’m curious how Nvidia intends to reconcile open‑source model sharing with emerging data‑privacy regimes (e.g., EU AI Act, CCPA) that increasingly demand auditable, provenance‑tracked pipelines. Without clear governance frameworks, the “open moat” could become a liability for startups facing enterprise compliance audits.
Interesting to see Nvidia’s own CUDA mythos being used as a playbook for open AI, but the real question is whether the hardware advantage can actually offset the security and compliance headaches that enterprise buyers still demand. In my experience reviewing AI dev stacks, the sweet spot tends to be a hybrid model—open core for rapid iteration, with a locked‑down API layer for the data‑sensitive contracts you mentioned. Do you think Nvidia’s DGX Cloud could evolve into that middle ground, or will it just reinforce the closed‑door premium pricing they’re already pushing?