En esta noticia
Andrés Mac Allister tiene 35 años, nació en Pergamino y hoy reparte su tiempo entre Buenos Aires, Rosario (donde vivió quince años) y San Francisco, ciudad a la que se muda por tres meses a partir del próximo mes. Es el fundador y CEO de The SEMQ Group, una compañía que asegura haber encontrado una forma distinta de representar la información dentro de los sistemas de inteligencia artificial, y que en los últimos meses sumó a un exCTO de Globant, a un excientífico de Apple, y financiamiento de Draper Cygnus, además de créditos de cómputo por 1,5 millones de dólares del programa Inception de Nvidia.
Hoy, The SEMQ Group tiene 7 personas trabajando full time pero la genesis arranca en 2010, cuando Mac Allister cursaba ingeniería en la Universidad de Rosario y creyó haber encontrado un atajo para representar vectores sin usar su magnitud, sólo la dirección. La conclusión fue que no era un teorema, sino “un truco matemático que no sirve para nada”.
La idea quedó guardada durante quince años, hasta que Mac Allister (que para entonces ya llevaba varios proyectos de startups a cuestas) retomó el concepto casi por accidente, buscando contenido para las redes sociales de su emprendimiento anterior.
El hallazgo que nació de un post de LinkedIn a ser el futuro de la IA
“El año pasado, como estaba trabajando en una startup con embeddings, que son la pieza fundamental sobre la que trabaja la inteligencia artificial, se me dio por investigar esto a modo de contarlo en LinkedIn, como algo anecdótico”, relata Mac Allister.
La explicación técnica, según Mac Allister, tiene que ver con la forma en que hoy se escriben los embeddings (la representación numérica que usan los modelos de IA para procesar texto, imágenes o cualquier tipo de dato). La notación vectorial estándar guarda tres atributos: módulo, dirección y sentido.
Su hipótesis es que buena parte de esa información, específicamente la magnitud, es redundante para capturar el significado semántico, y que esa redundancia es la que encarece y hace más lento el procesamiento.
SEMQ reemplaza esos vectores por estructuras simbólicas de dimensión fija basadas en 18 símbolos, sin necesidad de reemplazar el modelo, la base de datos vectorial ni el framework de agentes que ya usé una empresa.
“El significado semántico de la inteligencia artificial no está dado por la magnitud, sino por la relación entre los vectores, y eso es puramente la dirección”, resume. “Al representar de la forma que lo hacemos hoy en día, estamos añadiendo al sistema mucha más información de la que necesita, y eso lo hace más lento y más costoso”.
De esa lógica se desprenden, según explica, varias propiedades que hoy no existen en los sistemas de IA convencionales: memoria persistente sin degradación, ausencia de “alucinaciones” por errores de redondeo de punto flotante, y sobre todo reproducibilidad, es decir, que un agente de IA dé siempre la misma respuesta ante la misma consulta.
“Si vos tenés algo que sigue instrucciones de misión crítica (operar una persona, manejar un avión, manejar un auto) necesitás que sea reproducible, porque necesitás que mantenga una decisión a lo largo del tiempo”
La primera ronda de inversión fue de 460.000 dólares. Hoy la compañía busca una ronda institucional más grande en Estados Unidos. Mac Allister es enfático en que el valor no pasó solo por el capital. Participó cinco semanas del programa de Draper University en California, y a través de esos contactos la empresa entró al programa Inception de Nvidia para compañías de infraestructura de IA, que le dio 1,5 millones de dólares en créditos de cómputo.
Un modelo FRAND, siete clientes piloto y una salida open source en septiembre
El modelo de negocio de SEMQ combina una capa abierta con una comercial, bajo lo que Mac Allister llama un esquema FRAND (Fair, Reasonable and Non-Discriminatory): una versión open source gratuita para desarrolladores e instituciones educativas, y licencias cloud y enterprise anuales para empresas, con un criterio de precio de referencia de hasta el 5% del ahorro o valor agregado generado.
Para probarlo sin fricción comercial, crearon un “Founding Design Partnership Program”: ofrecen horas de ingeniería gratis a compañías grandes durante tres meses a cambio de acceso a su infraestructura y, eventualmente, la chance de convertirlos en clientes de pago.
Hoy tienen siete empresas en ese programa, mayormente en Estados Unidos, entre legaltechs, consultoras grandes y compañías de retail y comercio electrónico, y esperan llegar a entre cinco y quince en el corto plazo.
Según los números que maneja la compañía, la adopción de SEMQ puede reducir hasta un 30% el costo operativo de procesos de IA generativa y comprimir hasta 16 veces el tamaño de lo que se almacena, aunque -aclara Mac Allister- medir el ahorro energético real es más difícil, porque la capacidad instalada de los centros de datos tiende a ocuparse de nuevo en lugar de reducirse. La salida al mercado open source está prevista para septiembre.
“No competimos contra una empresa, competimos contra Euclides”
Mac Allister sostiene que SEMQ no tiene competencia directa porque casi nadie trabaja específicamente en representación vectorial simbólica: “El competidor directo es la representación de punto flotante, que es básicamente cómo se escriben los vectores hoy en día en inteligencia artificial. Eso es álgebra”.
En su paso por Draper University llegó a decir, medio en broma, que su competencia era Euclides, el matemático griego asociado a la notación vectorial que se usa desde hace siglos. Sí reconoce competencia indirecta en el segmento de memoria e infraestructura para agentes, con empresas como Cognee o Mem0, que, según sus propios números, comparan su desempeño contra el estándar de punto flotante de 32 bits y llegan a entre el 55% y el 60% de ese techo. “En esos rankings nosotros estamos 13 puntos por encima del punto flotante”, asegura.
Sobre por qué apuntó directo a Silicon Valley y no primero a las grandes tecnológicas argentinas, responde: “Si nosotros podemos instalar directamente en los servidores de OpenAI, cada vez que uses ChatGPT vas a estar usando SEMQ, y ahí está verdaderamente el cambio”.
De esta forma, el tamaño de mercado que busca capturar, cita una proyección de 1,8 billones de dólares para 2030 en el segmento de infraestructura de agentes de IA y representación de embeddings. “Es el mercado que más está escalando hoy en día”, dice, y agrega que a su criterio la próxima gran mejora en inteligencia artificial no vendrá de modelos cada vez más grandes, sino de sistemas más eficientes, en un contexto donde cada vez más empresas optan por modelos open weight más chicos y auditables antes que por los modelos de punta de los grandes laboratorios.