El trabajo detrás de mi meta de 100 millones de dólares

Por qué me he metido en esto

La IA es la mayor oportunidad que he visto en mis 12 años de experiencia empresarial. He pasado un año trabajando con IA, unas 5.000 horas en total. Ahora utilizo lo que he aprendido para crear negocios escalables.

Mi meta son 100 millones de dólares. Me refiero al dinero que los negocios ganen con el tiempo, una vez descontados sus costes, no a una valoración anunciada después de que alguien invierta. Quiero crear algo que funcione lo bastante bien como para que la gente siga pagando por ello.

El dinero me importa por lo que permite hacer. Me ayuda a saber si un negocio está funcionando y me da libertad para apoyar la siguiente idea. Algunos de los proyectos que quiero respaldar no van a generar dinero por sí mismos. Un negocio rentable puede darles una oportunidad.

Por ahora mantengo los proyectos en privado, pero sí puedo compartir el trabajo que hay detrás y cómo estoy pensando en los próximos pasos.

Qué hice en 5.000 horas a lo largo de un año

Quería entender bien la IA, así que probé cientos de cosas con ella. Calculo que dediqué unas 5.000 horas a ese trabajo. A menudo trabajaba entre diez y veinte horas al día, a veces centrado en el mismo proyecto durante dos o tres días. En el conjunto de ese trabajo, medí alrededor de un billón de tokens generados.

Ya me había tomado un descanso de Instagram y Facebook, con la idea de volver en algún momento. Cuando me metí de lleno en la IA, dejé de tener ganas de hacerlo. Durante aproximadamente un año, apenas salía ni tomaba la iniciativa de contactar con otras personas. Ya no uso las redes sociales, el móvil ni las llamadas telefónicas convencionales. Fue una etapa intensa de mi vida, no un consejo sobre cómo debería vivir nadie.

Invertí alrededor de 200.000 dólares en aprender, experimentar y montar una instalación en casa con varios Mac, un ordenador potente preparado para el software CUDA de NVIDIA y la infraestructura necesaria para hacerlo funcionar. Quería entender qué pasaba en mis propias máquinas, no limitarme a usar un servicio que hubiera creado otra persona.

Eso me llevó al código, el diseño, los repositorios, los contenedores Docker, los servidores y la arquitectura de sistemas. Quería entender cómo encajan las piezas de un proyecto complejo. Conseguir que algo funcionara era solo una parte. También quería saber qué podía fallar y cómo encontraría el problema.

Por ejemplo, ¿qué pasa si se agota el tiempo de espera de una solicitud de pago? El pago puede haberse completado aunque la respuesta nunca llegue. Aprender sobre las claves de idempotencia me ayudó a entender cómo un sistema puede reconocer una solicitud repetida y evitar cobrarle dos veces a alguien. Con los modelos locales de IA, aprendí por qué la memoria para la caché KV, que guarda información de la conversación, puede ser tan importante como el propio modelo. Esos detalles influyen en si un sistema funciona y cuánto cuesta mantenerlo en marcha.

Sentía que era cien veces más productivo. Por fin podía intentar cosas que llevaba años teniendo en mente. Esa sensación no significaba que me hubiera convertido en experto en todos los campos. Significaba que podía llegar mucho más lejos por mi cuenta, entender mejor el trabajo y hacer mejores preguntas cuando necesitaba ayuda.

Por qué un equipo pequeño puede hacer más ahora

Lo que me entusiasma es poder pasar de una tarea a otra cuando antes hacían falta varias personas para siquiera poner a prueba una idea. Puedo investigar un problema, explorar un diseño, escribir software y examinar los resultados sin formar un departamento para cada paso. Sigo necesitando a personas con conocimientos más profundos, pero puedo llevarles algo concreto con lo que trabajar.

Piensa en alguien de dieciocho años con un portátil y acceso a buenos modelos de IA. Puede empezar a intentar crear un producto mientras todavía está aprendiendo. No necesita mi instalación en casa ni un presupuesto que se acerque al mío. Si estás empezando, prueba a usar la IA en una parte de una tarea que ya entiendas y luego comprueba el resultado por tu cuenta. Puedes aprender mucho así antes de gastar demasiado dinero.

Las propias herramientas también están mejorando. AlphaEvolve, de Google DeepMind, es un ejemplo de cómo la IA ayuda a mejorar los algoritmos que se usan en la computación y el entrenamiento de IA. Creo que todavía estamos al principio. Mi apuesta es que los próximos cinco a diez años traerán una cantidad extraordinaria de cambios tecnológicos. Pero lo que me lleva a construir ahora es lo que ya puedo hacer hoy.

Para mí, esta es una oportunidad que se presenta una vez en la vida. No elimina la necesidad de entender a los clientes, hacer un buen trabajo o gestionar un negocio. Me permite aprovechar mucho mejor esas habilidades.

Cómo pienso llegar a esa meta

Algo que me han enseñado los negocios es que trabajar duro y trabajar en lo adecuado son habilidades distintas. He tenido que aprender ambas, además de saber qué dejar de lado. La IA me da más opciones, pero no puede elegir el negocio por mí.

Antes de avanzar mucho en el desarrollo, quiero entender qué usa el cliente ahora, qué le frustra y por qué pagaría por cambiar. Después probaré con él una versión pequeña. Busco personas que paguen y vuelvan, no solo personas a las que les guste la idea. Si eso no ocurre, tengo que cambiar algo o pasar a otra cosa. Construir rápido me da margen para hacerlo.

También necesito saber cuánto cuesta realmente atender a un cliente, incluido el uso de IA, los servidores, la atención al cliente y la revisión humana. Quiero trabajar con equipos pequeños, no pasarme la vida haciéndolo todo solo. Contrataré a personas allí donde importe la experiencia y me aseguraré de que puedan llevar su parte del negocio sin tener que esperarme. Un producto que necesite que lo rescate cada día no me llevará adonde quiero llegar.

Reinvertiré los beneficios en los negocios que estén funcionando y los usaré para probar nuevas ideas. Así es como pienso avanzar hacia los 100 millones de dólares.