TL;DR:
- River AI recaudó $1,100 millones entre una ronda semilla y una Serie A lideradas por General Catalyst y AMP PBC.
- La startup ya ofrece una API preliminar para entrenar y desplegar modelos de pesos abiertos sobre datos propios.
- El hardware que acercaría la IA al usuario sigue sin especificaciones, precio ni fecha de lanzamiento.
River AI, la startup fundada por Igor Babuschkin, cofundador de xAI, recaudó 1,100 millones de dólares entre una ronda semilla y una Serie A lideradas por General Catalyst y AMP PBC. El dinero financiará una plataforma para que empresas entrenen y desplieguen modelos de pesos abiertos sobre sus propios datos, además de un plan más ambicioso de IA personal y hardware que opere cerca del usuario. La cifra está confirmada por la compañía y Reuters; la valuación no fue revelada. El matiz importa: River ya ofrece una API en versión preliminar, pero todavía no ha presentado ese hardware personal, su precio ni una fecha de lanzamiento.
La cifra oficial es $1,100 millones y la valuación sigue oculta
River anunció el financiamiento el 11 de agosto de 2026, apenas dos meses después de presentarse públicamente. General Catalyst y AMP PBC encabezaron la operación; Nvidia y AMD Ventures hicieron inversiones estratégicas, mientras Y Combinator y Temasek también participaron. La empresa describió el monto como capital reunido entre sus rondas semilla y Serie A, no como una sola ronda de etapa avanzada.
La cifra oficial es $1,100 millones, aunque algunos titulares la redondearon a $1,000 millones. River no informó cuánto dinero correspondió a la ronda semilla y cuánto a la Serie A. La compañía también declinó revelar a Reuters cuánto vale después de la inversión.
El tamaño del financiamiento contrasta con la edad de la startup. Babuschkin presentó River públicamente el 10 de junio, después de trabajar en aprendizaje por refuerzo y modelos generativos en Google DeepMind, dirigir entrenamientos a gran escala en OpenAI y cofundar xAI. Su equipo también reúne experiencia previa en xAI y Tesla, según la compañía.
La API ya existe; el hardware personal todavía no
El primer producto público es River API, un servicio administrado para ajustar y entrenar modelos de pesos abiertos. En este tipo de modelos, los parámetros aprendidos durante el entrenamiento pueden descargarse y modificarse. River ofrece dos métodos principales: ajuste fino con LoRA, que cambia una porción reducida de los parámetros, y aprendizaje por refuerzo, que premia o penaliza respuestas para moldear el comportamiento del modelo.
La propuesta busca reemplazar parte del trabajo de infraestructura que hoy exige reunir tarjetas gráficas, mover pesos entre sistemas, mantener consistencia entre entrenamiento e inferencia y desplegar cada versión. El cliente conserva el punto de control resultante y puede servirlo en producción, mientras River cobra por los tokens usados en entrenamiento e inferencia. Es una combinación particular: la empresa administra el cómputo, pero el modelo ajustado queda bajo control del cliente.
La visión de largo plazo va más lejos. River dice que trabaja en personalización y aprendizaje continuo para que un agente incorpore las correcciones de su usuario en sus propios pesos, en lugar de recibir la misma instrucción dentro de cada prompt. También promete nuevo hardware que permita mantener la IA personal cerca de la persona o la organización que la utiliza.
Ese hardware no es todavía un producto anunciado con ficha técnica. Los materiales públicos de River no detallan procesador, memoria, consumo eléctrico, precio, fecha ni países de lanzamiento. Tampoco aclaran qué tareas correrían completamente de forma local y cuáles dependerían de los centros de datos de la empresa. Por ahora, la única oferta verificable es la API alojada.
El movimiento coincide con un mercado que intenta llevar modelos abiertos a equipos de consumo. Meta ya liberó Muse Glimmer para ejecutar agentes en una computadora personal, pero esa tendencia no convierte la promesa de River en un equipo listo para comprar.
Entrenar en 20 minutos es una afirmación de River
River asegura que una empresa puede completar un entrenamiento complejo por aprendizaje por refuerzo en 15 a 20 minutos, sin contar con un equipo propio de infraestructura. También afirma que su servicio ofrece una eficiencia de costos entre dos y cuatro veces mayor que las alternativas cerradas.
Esas cifras proceden de la propia compañía. El anuncio no aporta una evaluación independiente que permita comparar el mismo modelo, conjunto de datos y carga de trabajo contra servicios rivales. TechCrunch señaló la misma brecha: River tiene capital y una API funcional, pero todavía falta demostrar públicamente cómo se diferencia su tecnología cuando se somete a condiciones equivalentes.
Babuschkin resume el negocio como una alternativa a rentar inteligencia a los grandes laboratorios por cada token. River quiere que las empresas entrenen modelos con sus propios datos, conserven los pesos modificados y construyan un ciclo interno de mejora. A largo plazo, pretende ofrecer ese mismo control a personas individuales.
Los $1,100 millones le dan a River recursos para intentar convertir un servicio para desarrolladores en una plataforma completa de modelos, personalización y hardware. Lo comprobable hoy es el financiamiento y la API; el hardware local, el aprendizaje continuo para consumidores y el ahorro prometido todavía necesitan especificaciones, pruebas comparables y un calendario público.
