Modal capta $750 millones con una valoración de $15,75 mil millones y alcanza $1 mil millones de run rate

Modal, una plataforma para ejecutar cargas de trabajo de IA, ha captado $750 millones en una ronda Series D con una valoración post-money de $15,75 mil millones. Accel ha liderado la ronda. Junto con el anuncio, la compañía ha declarado que ha superado los $1 mil millones de annualized run rate: desde la Series C han pasado cinco meses, en los que el uso se ha triplicado, y el crecimiento interanual supera las 15 veces. La aritmética es sencilla: la valoración equivale a unas 15,75 veces el ritmo anual actual de ingresos. Para una empresa de infraestructura con este crecimiento, no parece excesiva.

Kleiner Perkins también participa en la ronda. Todos los inversores actuales han vuelto a invertir: Menlo Ventures, General Catalyst, Redpoint, Lux Capital, Amplify Partners y Bain Capital Ventures. El equipo de Modal supera ya las 200 personas, repartidas entre Nueva York, San Francisco y Estocolmo.

Qué es lo que genera ingresos

El primer producto de Modal fue Functions: el usuario escribe el código y la plataforma lo ejecuta. Ha resultado útil para generar imágenes con modelos de difusión, música en Suno, inferencia con SGLang y vLLM, y entrenamiento de modelos. Pero el principal motor reciente es Sandboxes. Se lanzó en 2023, cuando se hizo evidente que mucha gente generaba código con LLM y que ese código tenía que ejecutarse en algún sitio de forma aislada. Hoy es un producto con $300 millones de run rate. La compañía ha lanzado casi 3 mil millones de sandboxes, y estos escalan hasta un millón de ejecuciones simultáneas.

La lista de clientes muestra la variedad de cargas. DoorDash lleva aplicaciones internas de los experimentos a producción. Cognition, Ramp, Linear y Hebbia construyen agentes en segundo plano. Runway genera vídeo en distintas regiones. Physical Intelligence, Generalist AI y 1X entrenan robots. Chai Discovery y Achira desarrollan fármacos, y los científicos ejecutan cálculos en la misma plataforma a través de Claude Science. Aparte, el fundador menciona Jev, de TypeSafe AI: en sus tres primeros días, el producto procesó 1 billón de tokens en Modal.

Por qué reescribir el stack

El argumento del fundador de Modal es este: cada cambio tecnológico genera sus propias herramientas. La nube trajo Docker, Kubernetes y Terraform. Con la IA, las fricciones son otras: las GPU escasean, los modelos son grandes y tardan en cargarse, y el código escrito por un LLM debe ejecutarse de forma aislada. Todo esto se puede montar también sobre el stack antiguo, pero el resultado son el «YAML hell» y el «GPU procurement purgatory», según expresión del propio autor.

Por eso Modal descartó la mayoría de las soluciones existentes y escribió desde cero el sistema de archivos, el container runtime, el planificador y la capa de red. Por debajo hay un pool de capacidad de más de 20 nubes.

Cifras clave del anuncio:

• Series D: $750 millones, valoración de $15,75 mil millones post-money, liderada por Accel.
• Annualized run rate: más de $1 mil millones.
• Crecimiento: el uso se triplicó en cinco meses y los ingresos crecieron más de 15 veces en un año.
• Sandboxes: $300 millones de run rate, unos 3 mil millones de sandboxes ejecutados, hasta 1 millón en paralelo.
• Pool de capacidad: más de 20 nubes.
• Equipo: más de 200 personas.

Qué viene en producto

El entrenamiento multinodo ya está en marcha: un solo decorador levanta un clúster con conexión RDMA completa, sin compromisos de reserva de capacidad. La compañía avanza hacia capas superiores del stack y prepara un conjunto de productos para RL y post-entrenamiento. En inferencia han aparecido Modal servers para servidores HTTP y funciones para servir LLM, como Endpoint Candidates. En Sandboxes, las máquinas virtuales ya están disponibles de forma general.

Qué deben tener en cuenta los equipos

La métrica de run rate es una estimación de la propia compañía y no cuenta con verificación independiente. Pero la dirección está clara: la ejecución de código generado se convierte en una capa de infraestructura propia, y no en una función secundaria del orquestador. Los equipos que construyen agentes o pipelines de RL deberían comparar el coste de una sandbox propia sobre Kubernetes con el de un servicio ya hecho, evaluar cómo se comportará la plataforma ante un pico de carga (el caso de Jev, con 1 billón de tokens en tres días, es un buen baremo) y planificar de antemano la portabilidad del código.

La cuestión de la dependencia del proveedor sigue abierta mientras las API de sandboxes y los decoradores no se conviertan en estándar.