Los profesores de Stanford lanzan el laboratorio de IA Noeri con 110 millones de dólares de Nvidia
La mayoría de los modelos de IA dejan de aprender una vez terminado su entrenamiento, y las empresas se ven obligadas a elegir: pagar de más por el modelo más potente o conformarse con peores resultados a cambio de uno barato. El laboratorio Noeri, fundado por los profesores de Stanford Yejin Choi y Carlos Guestrin, ha captado 110 millones de dólares para cambiar esta situación. Su sistema estudia los datos del cliente y reajusta por sí mismo la tarea, mientras una persona aprueba los cambios como en una revisión de código. Para los equipos que dependen de APIs caras, es una vía para ahorrar.
Procesado por IA desde TNW; editado por Hamidun News
Casi todos los que han puesto la IA en producción se han enfrentado a la misma encrucijada: usar el modelo más potente y pagar por cada consulta, o ahorrar y obtener un resultado claramente peor. El nuevo laboratorio Noeri propone una tercera vía. Lo fundaron este año los profesores de Stanford Yejin Choi y Carlos Guestrin, y en su arranque ha captado 110 millones de dólares.
La ronda fue liderada por Menlo Ventures. En ella participaron Madrona Venture Group, Kindred Ventures, Wing Venture Capital y NEA. Los inversores estratégicos son Cisco Investments, Nvidia y Snowflake. Bloomberg fue el primero en informar sobre el acuerdo. Noeri no ha revelado su valoración.
Cómo quiere Noeri enseñar a un sistema a aprender en el trabajo
La idea de partida es sencilla. La mayoría de los modelos dejan de incorporar conocimiento nuevo una vez terminado su entrenamiento, mientras que los sistemas de Noeri, según la compañía, siguen mejorando durante su uso.
El mecanismo funciona así. La IA estudia los datos y los flujos de trabajo de una empresa concreta. Después modifica no solo el modelo, sino también todo lo que lo rodea: las instrucciones, el conjunto de herramientas, la elección de modelo para cada paso y, si compensa, los propios modelos. Pensemos en un centro de atención telefónica. El sistema puede detectar que las consultas sencillas las resuelve sin problemas un modelo pequeño y barato, y que solo conviene derivar a uno caro los casos complejos. Entonces reescribe los prompts y redistribuye los pasos.
Cada cambio va acompañado de una explicación, y lo aprueba una persona, como en una revisión de código. Este detalle es importante: la optimización automática sin control inquieta a quienes responden por la fiabilidad. Aquí el ingeniero ve qué ha cambiado y por qué, y puede rechazar la modificación.
El sistema funciona tanto con modelos cerrados como con modelos de pesos abiertos. Los datos, los flujos de trabajo y los modelos construidos siguen siendo propiedad del cliente.
Un modelo pequeño que dirige a otros grandes
La idea surgió en parte del trabajo con un equipo de microbiólogos e inmunólogos de Stanford. Necesitaban usar los modelos de OpenAI a menor coste. Choi contó a Bloomberg que su pequeña IA aprendió a utilizar otros modelos y, en las tareas de ese equipo, superó a GPT-5. Eso sí, recurrió a GPT-4 y no a GPT-5: según ella, Stanford tiene muy poco dinero para estar usando constantemente el modelo más nuevo.
Por ahora es el relato de la fundadora, no un benchmark publicado. En los comunicados no hay cifras verificables sobre cuánto ahorra el sistema o cuánto mejora la calidad.
La segunda parte de los planes de Noeri está ligada a la ciencia. La compañía quiere que la IA trabaje junto a los científicos: que formule hipótesis, diseñe experimentos y aprenda de los resultados. Los ejemplos de tareas son nuevas moléculas, proteínas y sistemas técnicos complejos. Según la empresa, los modelos pequeños y especializados hacen que esa exploración sea asequible.
Quién está detrás del proyecto y qué significa para los profesionales
Yejin Choi es becaria MacArthur, antigua profesora de la Universidad de Washington y directora sénior del Allen Institute for AI. Bloomberg escribe que también fue una científica destacada en Nvidia. Carlos Guestrin fundó Turi, una plataforma de aprendizaje automático que Apple compró en 2016, y después dirigió la organización central de ML e IA de Apple. Además, es uno de los creadores de la biblioteca de código abierto XGBoost.
La sede de Noeri está en Palo Alto y tiene una oficina en Zúrich; en ambas ciudades la compañía contrata investigadores e ingenieros. Ya trabaja con socios de distintos sectores, entre ellos algunos de sus inversores.
Guestrin explicó a Bloomberg su postura: a ambos les preocupa la centralización, es decir, que una sola empresa lo controle todo. De ahí la apuesta por la compatibilidad con modelos ajenos y por que el cliente conserve el control.
Para desarrolladores y product managers, la conclusión es esta: la elección del modelo se está convirtiendo en una parte del propio sistema y ya no en una decisión puntual. Ya ahora conviene medir la calidad y el coste de cada paso del flujo de trabajo, mantener los prompts y las herramientas bajo control de versiones y comprobar dónde se puede sustituir un modelo caro por uno barato. Si Noeri cumple lo prometido, esa optimización será automática, y la última palabra seguirá en manos de las personas. Por ahora la compañía tiene dinero, un equipo sólido y una propuesta. La confirmación en forma de resultados medibles para sus clientes todavía está por llegar.
- 21 nov 2026Atacaron a una phi3 local en el 51% de los intentos: el desarrollador le puso un gateway de seguridad
- 21 nov 2026Thinking Machines publica Inkling 2 Mini, un modelo abierto de 26,4 000 millones de parámetros para Mac con 32 GB
- 21 nov 2026Nvidia duplicó sus beneficios, pero sus acciones cayeron un 2% por la búsqueda de un nuevo consejero delegado
- 21 nov 2026Nous Research reentrenó Qwen3.8 y la propaganda en sus respuestas bajó del 22% al 1%
Preguntas frecuentes sobre la noticia
Cómo quiere Noeri enseñar a un sistema a aprender en el trabajo?
La idea de partida es sencilla. La mayoría de los modelos dejan de incorporar conocimiento nuevo una vez terminado su entrenamiento, mientras que los sistemas de Noeri, según la compañía, siguen mejorando durante su uso. El mecanismo funciona así. La IA estudia los datos y los flujos de trabajo de una empresa concreta. Después modifica no solo el modelo, sino también todo lo que lo rodea: las instrucciones, el conjunto de herramientas, la elección de modelo para cada paso y, si compensa, los propios modelos.
¿Qué se sabe sobre Un modelo pequeño que dirige a otros grandes?
La idea surgió en parte del trabajo con un equipo de microbiólogos e inmunólogos de Stanford. Necesitaban usar los modelos de OpenAI a menor coste. Choi contó a Bloomberg que su pequeña IA aprendió a utilizar otros modelos y, en las tareas de ese equipo, superó a GPT-5. Eso sí, recurrió a GPT-4 y no a GPT-5: según ella, Stanford tiene muy poco dinero para estar usando constantemente el modelo más nuevo. Por ahora es el relato de la fundadora, no un benchmark publicado.
¿Qué se sabe sobre Quién está detrás del proyecto y qué significa para los profesionales?
Yejin Choi es becaria MacArthur, antigua profesora de la Universidad de Washington y directora sénior del Allen Institute for AI. Bloomberg escribe que también fue una científica destacada en Nvidia. Carlos Guestrin fundó Turi, una plataforma de aprendizaje automático que Apple compró en 2016, y después dirigió la organización central de ML e IA de Apple. Además, es uno de los creadores de la biblioteca de código abierto XGBoost.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.