Apple COMPRÓ su empresa y luego FUNDARON una STARTUP | #404

Nosotros que vivimos la, la-- un poco la ola desde el, desde el principio, yo creo que estábamos justo detrás. Y entonces nosotros, pues hacíamos eso, comprábamos tarjetas de Nvidia de gaming comerciales, las montábamos en... No lo voy a decir racks porque me da vergüenza. Era un-

Armarios, cables-

Un armario.

Torres, torres de PC, como podéis tener en toda la vida.

Con unos ventiladores por ahí.

¿Qué empresas os hicieron oferta? Twitter, Google y Apple. ¿Cómo, cómo es la vida trabajando en Apple?

Empezamos a trabajar con los medios de noticias. Nos dimos cuenta que tenían un problema, que es que ellos tenían un catálogo gigante de información, de radio, de vídeo, de texto, de tal, que no había quien lo procesara. Pues al final Qala es, eh, un repositorio de todo el conocimiento verificado y chequeado del mundo para que los agentes o las personas puedan conectarse a él.

No queremos que haya una verdad única.

Pues en 2024, pues eso, Google está anunciando, eh, plantas nucleares, modelos cada vez más grandes. Se hará una competición entre OpenAI, Google, Meta, Mistral, para ver quién pone modelos más grandes. Entonces, nosotros un poco no compartimos esa idea del campo de la IA y vemos que, por un lado, ahí hay un impacto climático po-potencial y, por otro lado, por la parte más social, que toda la desinformación, eh, está en auge también.

Gracias o por culpa de también un poco toda esta parte de la IA.

¿Cuánto llegáis a facturar? No podéis decirlo porque aquí entra el misterio que ahora nos acompañará, que es el amigo Apple. Vale. Yo he leído nueve punto siete millones de dólares, creo que era, de facturación anual en el momento de la venta.

Bienvenido a las historias de startups de Itnig.

Bienvenidos una semana más al pódcast de Itnig. Hoy estamos con Elisenda Bou Balust, cofundadora y CEO de Qala.

Correcto.

Anteriormente de Billings y Apple, que ya te preguntaremos. Y también tenemos con nosotros a Isai Masuda Mora, cofundador y CTO de Qala.

Y también anteriormente del equipo de Billings y Apple.

Muy bien, pues oye, Elisenda, quiero empezar por ti. Mmm, contadnos de dónde nace Billings y de dónde sale esto.

Uf, vale. A ver, eh, Billings... Bueno, primero voy de dónde salgo yo y a lo mejor así es más fácil. Em, yo estudié Ingeniería de Telecos aquí en, en Barcelona y luego me especialicé en, en arquitecturas para satélites fraccionados o constelaciones de satélites. Es decir, cuando tú lanzas mil satélites, dos mil, ¿cómo se coordinan entre ellos?

¿Quién decide qué, qué tareas hacer, no? Una cosa es cuando tienes un satélite monolítico, que a lo mejor es muy... No, no muy, muy fácil, pero es más sencillo de organizar porque le puedes poner como los comandos de ese día, ¿no? Eh, cuando tienes una constelación, bueno, la cosa tiene que adaptarse. Entonces, yo me especialicé un poco en la parte de, eh, inteligencia artificial aplicada a constelaciones de satélites.

A nivel académico.

A nivel académico, sí. En mi, en mi doctorado trabajé en eso y en transmisión inalámbrica de energía, que es otra, otra de las enabling technologies para, para satélites. Entonces, yo venía de ese mundo y, y yo pensaba-

Estás haciendo research en la UPC aquí en Barcelona.

Sí, aquí en Barcelona. Y bueno, yo la, la hacía-- mi, mi doctorado fue en colaboración, pues con, con un proyecto de NASA, con, con el Instituto de Maryland, con el MIT, etcétera, pero yo trabajaba desde aquí. Y, y lo que ocurrió es que, bueno, en, en un momento, em, tuve que tomar la decisión de quedarme en Estados Unidos, ya un poco como obtener la nacionalidad, porque al final los proyectos de espacio, eh, necesitas, ¿no?

No ser foreign national. Eh, aparte, además-

La NASA.

Sí.

O sea, la NASA te exige...

Bueno, no es que te lo exijan, pero es que hay un momento que tú no tienes credenciales de seguridad para, para saber más cosas del proyecto en el que tú estás trabajando. Eres el único que no tiene los-

Te tienen que sacar de, del meet-

Claro.

De la reunión.

Yo hay una historia que os-- que te lo puedo contar. O sea, en algún momento hemos estado haciendo pruebas en gravedad cero en, en Houston y durante una semana yo no podía mirar en una dirección, en open field, es decir, en, en campo abierto.

En el campo.

Que me gusta decirlo, pero en campo abierto yo no podía mi-mirar en una dirección.

Tápate los ojos, Elisenda.

Sí, sí, total.

Que ahora sale un bicho.

Había una persona que vigilaba que yo no mirara en esa dirección.

Salía el ovni.

Habría algo, pero, pero que no es un ovni. O sea, salía cualquier chorrada. Pero-

Vale.

Pero, pero los credenciales de seguridad-

Algún invento, alguna tecnología...

O un avión que no puedes ver. Cualquier chorrada. O sea, al final era una cosa que estaba ahí, era un hangar, ¿no? O sea, en un hangar, pues qué va a haber, un avión. Y a ver, me dices, o sea, yo veo un avión y qué. O sea, me queda igual, ¿no? Pero bueno, que las cosas de seguridad son un poco así.

Vale. Entonces, tú estabas en Estados Unidos, ¿dónde?

Eh, pues, pues esto era en Houston, pero yo-

En Houston. Con NASA.

Mi proyecto... Sí, por-porque era, eran proyectos de, de NASA, sí.

Vale.

Y, y bueno, al final la cosa es que tú te das cuenta de que eres el único que es foreign national y que tiene como estas cosas raras y, y que te dicen: "Bueno, pues, pues los next steps para ti, pues terminan siendo conseguir la nacionalidad, quedarte ahí y hacer carrera, ¿no? Si quieres dedicarte al aeroespacio, tienes que ser nacional".

Eh, entonces yo no lo veía claro, no quise. Em, a mí me encanta Barcelona, me gusta mucho vivir aquí, tenía mi familia aquí y entonces volví. Entonces, cuando yo volví, eh, mi director de tesis me dijo: "Conoce a no sé quién, que tienes que conocer a Juan Carlos". Nos dijeron... De hecho, fue, fue otra persona.

Mario nos dijo: "Tienes que conocer a Juan Carlos, que está un poco así, igual de loco que tú". Y dije: "Bueno". Y, y nos conocimos, pero como de tomar un café sin más referencias que los dos éramos, nos ve-- éramos un poco raros. Y, y nada, nos presentaron, nos presentaron, eh, congeniamos muy bien y, y nos tiramos un poco, un poco a esta aventura.

Eh, Juan Carlos ya era un emprendedor en serie y había montado otra empresa antes, había montado... Que un día, no sé, lo tenéis que invitar aquí. Eh, y había montado, eh, Gil, Gil Networks, que lo había vendido a Broadcom, y él estaba como empezando a montar esa idea de lo que sería Billings. Y, y me uní, me uní al, al equipo de Billings.

Em...

O sea, ¿la idea de Billings estaba arrancada?

Bueno, e-estaba, estaba empezando, pero, pero en esos momentos, eh, iniciales en el que aún está mucho por ver, ¿no? Realmente qué es lo que vamos a construir. O sea, había-

¿Qué había?

En ese momento había una idea de hacer una app Para... Si es que era muy diferente a lo que terminamos haciendo. Pero era una app para compartir, eh, fotografías entre seres queridos.

Era la época, ¿eh?

Era la época.

Todo eran apps para compartir fotografías.

Claro, claro, era la época.

Vale.

Y, y nosotros, bueno-

Y tú te incorporas a esto.

Sí, yo me incorporo a esto.

Porque como experta en satélites, eh-

No, no, lo que pasa es que-

Que hablan entre ellos.

Que realmente cuando empezamos a hablar de IA, Juan Carlos y yo teníamos como... Yo venía al final de un background donde lo que en ese momento, ¿qué se estaba haciendo en IA, no? Eh, se estaba haciendo sobre todo, eh, learning, eh, deep learning supervisado. Era el inicio de imágenes de perros, imágenes de gatos, imágenes-

¿Cuándo es esto?

Eh, pues sería 2012.

Vale.

Dos mil-- sí, yo creo que 2010, 2012, por ahí, ¿no? Tú a qué-- ¿cuándo te incorporaste tú?

Yo en el 17.

Pues sí, 2012 debería ser más o menos. Y, y todo el mundo está haciendo aprendizaje supervisado de, de los, los cats, los dogs y todo esto, los, los perros, los gatos y todo esto. Y, y entonces, claro, yo venía de un, de, de un, de usar inteligencia artificial de una manera que era muy distinta. Y Juan Carlos en Google Networks también, porque hacían toda la parte de, eh, powerline communications, donde hacían muchos algoritmos que eran, eran IA, aunque no se llamara IA, ¿no?

Eh, de, de procesado de señal a través de, de redes eléctricas, ¿no? Em, y congeniamos mucho en la visión de que tenía que haber algo diferente en el mundo de, del deep learning y que, y que no podía ser que nos dedicáramos siempre a hacer, eh, datasets para entrenar un-- casos específicos. Entonces, aunque se estaba construyendo eso, veíamos un futuro donde congeniábamos más allá en toda la parte de IA.

Y, y, y ahí es lo que fue evolucionando, lo que después fue Beelink.

Vale. Entonces, em, vuelve a nacer Beelink contigo como cofundadora.

Bueno, vuelve a nacer. O sea...

¿Evoluciona?

Evoluciona, evoluciona.

Vale, pero tú entras como cofundadora.

Sí, sí, bueno, y como cofundadora.

¿Y qué hace este nuevo Beelink?

Eh, a ver, lo que nosotros, eh, empezamos a ver es que, eh, hay un montón de, de información en el mundo que no puedes clasificar solo con datasets supervisados. Es decir-

Este episodio es posible gracias a Holafly, el primer operador internacional móvil. Si viajas mucho, sabes que quedarte sin Internet es estresante y no es una opción. Reuniones online, viajes con Uber, firmas de contratos. Con los planes de datos globales de Holafly puedes tener datos, Internet, desde cualquier parte del mundo. Un solo contrato para nunca perder la señal en más de ciento setenta países.

Olvídate del roaming y el estrés cuando viajes con Holafly. Más información en el enlace en la descripción.

Si yo-

Vamos a-- voy a interrumpirte para que expliques para la gente que está un poco quizá más perdida, eh, superbreve: ¿qué es un dataset supervisado?

Vale.

¿Y, y qué limitaciones tiene?

Vale. Al final, el aprendizaje supervisado es aquel que tú, si quieres distinguir, eh, eh, perros de gatos, lo que vas a hacer es darle muchísimas imágenes de perros que ponga: "Eso es un perro". Y luego le das muchísimas imágenes de gatos y le dices: "Esto es un gato". Entonces, el sistema sabe discernir, aprende a través de neural networks, de redes, eh, neuronales, aprende a distinguir esos dos.

¿Qué pasa? Que luego le das una cebra y no sabe qué hacer. Porque-

Sabe que no es ni un perro ni un gato. O dice: "Es un perro un poco raro".

Mmm, te va a salir algo un poco aleatorio.

Vale.

Porque no, no entiende más allá. Eso es el aprendizaje supervisado, porque hay una supervisión en el que tú le dices: "Este es tu dataset y aquí, este conjunto de imágenes, aquí aprendes esto".

Con lo cual, por naturaleza está limitado al input que le des.

Claro. Entonces, yo venía de satélites donde esto no lo podías aplicar. O sea, hacíamos lo que se empezaba a llamar self-adapting, que son sistemas que se van adaptando a lo que va pasando, lo que va ocurriendo. Porque tú a priori, cuando haces una constelación de satélites no sabes exactamente todas las tareas, todo lo que se van a encontrar, los problemas, que si te falla la batería, que si te falla la comunicación con Tierra, que ti-- lo que sea.

Entonces, yo venía de un aprendizaje diferente y Juan Carlos también, pero desde un, de un campo muy diferente. Entonces éramos como muy outliers en lo que se estaba haciendo en deep learning en ese momento. Y, y los dos congeniábamos en que creíamos que tenía que haber algo-

Vale.

Más allá. Eh, queríamos hacer sistemas que fueran capaces de aprender sin un dataset, sin que alguien a priori les dijera: "Estas son las dos categorías que tienes que aprender". Entonces, nuestra propuesta en Beelink era: hay suficiente información en el mundo y además hay suficiente información multimodal. Es decir, que cuando tú ves un vídeo de...

Ay, hacía mucho que no contaba esto.

Sí, ¿eh?

Cuando tú ves, ves un, un vídeo de-

Te la recuerdas.

De fútbol, ¿no? Y ves a Messi marcando un gol y dicen: "¡Gol, gol, gol! Messi ha marcado un gol", en el fondo te están anotando esas imágenes.

Te están explicando lo que pasa.

Claro. O sea, cuando tú mezclas contenido multimodal, tú tienes audio y vídeo que puedes empezar a encajar. Y s-- y pensamos: "Esto sería genial si tú puedes juntar todo eso y hacer que no solo detecte Messi, sino que entienda un modelo de datos detrás, que Messi es un futbolista que está jugando a fútbol, que ha marcado un gol y que eso va a cambiar el, la, el, el resultado del partido".

Entonces, ¿cómo podemos hacer que sistemas que van a través de procesar, eh, audio, vídeo o imagen, texto, aprendiendo del mundo y guardándose esa información? Y, y esa era como la i-la idea o la ilusión de Beelink.

Es entrenar un modelo utilizando terminología de ahora que sin tener que supervisarlo o darle, digamos, etiquetaje, ¿no?

Sí.

Aprenda y luego puedes usar este aprendizaje para, para algo.

Claro. O sea-

¿Para, para qué?

Lo que se está haciendo, por ejemplo, o sea, a día de hoy con GPT.

Es que ahora es mucho más fácil entender esas cosas que hace diez años.

Es un poco lo mismo. Claro, claro.

O quince.

Pero entonces era con información multimodal y con sistemas de pr-- de procesado de lenguaje natural que iban a manivela y, y con sistemas que hacíamos ad hoc de, de computer vision, de visión por computadora, etcétera. Y ¿por qué? Pues porque nosotros creíamos que tener información del mundo iba a ser útil.

No es la típica empresa que dijéramos: "Ha salido con este product market fit".

Está clarísimo lo que hacen-

No.

Para quién es, cuánto cuesta y cuál es el tamaño de mercado, ¿no?

No, o sea, nosotros éramos-

De hecho, yo nunca entendí lo que era Billinks. Ahora, hoy lo voy a entender.

Bueno, yo creo que a veces ni nosotros sabíamos.

A ver, a ver, creo que sí, soy optimista.

Pero al final éramos un grupo de gente muy ilusionada por hacer este proyecto tecnológico, por, por hacer un proyecto tecnológico en el que creíamos-

Vale.

Fervientemente.

¿Qué productos creasteis en Billinks?

Vale. Entonces, lo que nos damos cuenta cuando empezamos a trabajar con datos es que los datos curados y buenos son los de los medios de noticias. Entonces, empezamos a trabajar con los medios de noticias. Eh, con todos los, los principales. Nos dimos cuenta que tenían un problema, que es que ellos tenían un catálogo gigante de información de radio, de vídeo, de texto, de tal, que no había quien lo procesara.

En ese momento tenían a-

¿Procesara para qué?

Hasta, ni que fuera para conseguir recortes de, eh, tal persona en una alfombra roja, en un evento de no sé qué. O sea, ni para generar nuevos contenidos. Su primer problema eran los equipos editoriales.

O sea, por ejemplo, están haciendo una noticia de George Clooney-

Y necesitan todo ese archivo.

Y quieren recuperar, quieren recuperar momentos clave de George Clooney.

O saben que lo entrevistaron hace diez años y quieren sacar esa entrevista.

Eso está ahí, terabytes y terabytes de data, pero no hay quien lo encuentre.

En ese momento había datos ni digitalizados.

Vale.

O sea, que el archivista sabía-

Armarios de cintas de vídeo.

El archivista sabía en qué cinta de vídeo lo podía encontrar. Entonces, claro, era un problemón. Entonces, nosotros empezamos a procesar ese tipo de contenidos, que a nosotros nos iba muy bien porque, eh, nos permitían aprender y hacer nuestros modelos mejores. Esto que ahora, eh, todo el mundo está luchando, ¿no? Por el acceso a las noticias, eh, bueno, que-

De contenido.

De contenido, de contenido de calidad.

A los libros.

Pues en ese momento nuestros, eh, clientes, que eran los medios, nos los cedían para-

Y os podíais quedar el entrenamiento vosotros.

Sí.

Porque no entendían lo que estaba pasando, claramente.

Porque es que hace quince años, cuando tú decías que estabas entrenando modelos de IA, te decían: "¿Qué, qué?" O sea, da igual. O sea, a mí me vas a dar un producto que me funcione o no, y lo que hagas un poco por detrás me da igual.

¿Y cuál es el, el output, el, el, el resultado que ellos recibían, vuestros clientes?

Claro, ellos lo que recibían era poder buscar a través de esos contenidos.

Vale.

Que a día de hoy harías, pues con un RAC.

O sea, era como un Google de sus contenidos donde ponían George Clooney.

Exacto.

Alfombra roja.

Sí.

Y le salían clips.

Sí, exacto.

De vídeo.

Tal cual, tal cual.

Tal cual. Muy fácil de entender.

Bueno, vídeo, artículos.

Bueno, vídeo, artículos, texto.

Con la gracia que era multimodal.

Pero lo más rompedor de Billinks era el vídeo.

Se nos conocía mucho por el vídeo.

Sí.

Porque, eh, también vendíamos, eh, resúmenes de vídeo, que además la, la historia de los resúmenos, eh, que además los hizo Joca, eh, en su momento, era que nosotros, como éramos una startup y no teníamos mucho dinero, teníamos que procesar mucho contenido a bajo coste. Entonces, en lugar de procesar todo el vídeo, eh, u-uno, eh, Joca, uno de los cofundadores también, hizo un algoritmo que era muy bueno en recortar, eh, qué trozos de vídeo eran relevantes y tenían información interesante.

Y entonces solo procesábamos eso. ¿Qué pasa? Que eso se, eso se convirtió en un producto, porque en un momento, eh, YouTube sacó, em, resúmenes de vídeo en, en YouTube y entonces todos los medios de noticia de repente lo querían. Y nosotros usábamos el algoritmo que ya teníamos para procesar a bajo coste interno y le servíamos, eh, video summarization.

O sea, es-

Resúmenes de vídeos.

Resúmenes de vídeos.

¿Quién eran los clientes de Billinks?

Pues todos los, los medios de noticia grandes americanos.

¿Por ejemplo?

Em, pues NBC.

Vale.

Cosas así.

¿Solo americanos?

Eh, sí, la verdad es que aquí no tuvimos mucho... Lo intentamos un poco, pero no conseguimos, eh, que vieran la visión. Era un momento donde algunos medios de aquí decían que lo iban a hacer interno. Eh, yo creo que Estados Unidos eran mucho más prácticos en el sentido de: "No vamos a internalizar y contratamos el servicio". Em, pero había equipos empezando a montar toda la parte de archivística, eh, in house, entonces lo querían hacer interno aquí.

Vamos a parar un poco en la tecnología, porque justamente antes os comentaba, esta mañana he estado escuchando un pódcast sobre Google y, y su era, digamos, de los últimos diez años, doce años, eh, en inteligencia artificial. Desde todo el hiring que hicieron a todo el research que salió, ¿no? Toda, toda la, em, la... ¿reserca? ¿Cómo se dice esto?

Investigación.

Investigación.

Que salió de Google. Y había un paper muy famoso, que creo que era de 2012, que era de, The Cat Paper, ¿no? Que es donde un poco popularizaron o confirmaron que funcionaba el deep learning. Este es mi nivel de entendimiento. Y justo en paralelo empezó a, a trabajarse con GPUs, con Nvidia.

Mhm.

Eh, con GPUs, que en aquel momento eran exclusivamente para videojuegos.

Sí.

Que luego acabó siendo obviamente lo que es hoy Nvidia, que toda nuestra audiencia sabe, sabe lo que es, ¿no? Entonces, vosotros, claro, estás hablando de 2012, precisamente me has dicho.

Sí.

O sea, a la vez que en, eh, Mountain View, en, en donde estuviera esta, este equipo, en Google estaban descubriendo que podrían utilizar una tarjeta gráfica, que le llamábamos en aquella época, para jugar a videojuegos, para paralelizar la computación que necesitaban, para entrenar modelos, etcétera. ¿Vosotros qué estabais haciendo?

Pues también. O sea, es, es, nosotros vivimos la, un poco la ola desde el, desde el principio. Yo creo que estábamos, eh... O sea, nosotros no... Crecíamos a, a ola de, a la ola de, de ellos, justo detrás. Y entonces nosotros, pues hacíamos eso, comprábamos tarjetas de Nvidia de gaming comerciales, las montábamos en...

No lo voy a decir racks porque me da vergüenza. Era...

Armarios.

Era un-

Armarios.

Cables.

Un armario.

Torres, torres de PC, como podréis imaginar toda la vida.

Con unos ventiladores por ahí.

Casi no había infraestructura. Tú ahora puedes montar, mmm, Nvidias una detrás de otra, todas conectadas con datos entre-- Antes no, ¿no? Todo esto era, era hackear el sistema.

En el suelo, conectados. De, de hecho, bueno.

Fundíamos tarjetas por-porque en algún momento las tuvimos en una salita pequeña. Subía a 50 grados la sala, las GPUs estaban por encima de 80 grados y alguna se fue un poco a otro, a otro mo-- a me-a mejor vida. Por eso, porque eran todo, pues setups. Al final también nosotros como podíamos al momento rápido de compras una torre, compras cuatro tarjetas gráficas y las vas conectando vía Ethernet, vas montando tu-

Sí

...cluster, que no es ni un cluster, porque da vergüenza decirle cluster.

Sí, era algo.

Y siempre fue así de casero en Billings o llegasteis en algún momento a escalar esta infrastru-esta infraestructura a un nivel como lo que hoy en 2025 estamos acostumbrados a ver.

Para entrenamiento, yo-- siempre lo hicimos casero.

Sí.

Porque al final también es un momento en el que ahora es muy fácil, eh, en la nube, AWS, GCP, ¿no? Coger y levantar GPUs.

Correcto.

En ese momento no era tan fácil, no había tanta disponibilidad porque era justo al principio. O sea, empezaron a usar GPUs en 2012, 2013, pero hasta que eso pasó a ser un poco como hoy tais-

Sí, pasó a nivel académico.

Exacto. Hablamos de 2000, quizás 2016, que nos lleguen más o menos fáciles las GPUs. Y cuando empezamos a hacer números para ver con qué máquinas podíamos entrenar, no tenía ningún sentido irse a Amazon o a Google a pagarles-

Cuando aún no tenían cloud

...la cloud, porque en ese momento las GPUs quizás co-nos costaban, creo, ochocientos, entre ochocientos y mil euros, por ahí.

Sí, porque eran las NVIDIA de gaming normales con el EULA que aún no lo habían cambiado.

Exacto, era pre-pre-

O sea, el EULA, el, el contrato que te permite-

Claro, luego de eso se dieron cuenta. Claro, eso se dieron cuenta después. Entonces cambiaron el EULA y las nuevas GPUs no podías, eh, usarlas para, para entrenamiento de modelos de IA.

Bueno, eso decía el contrato, ¿no? Claro, tú como particular puedes hacer lo que te dé la gana, pero como empresa...

Sí que podías. Lo que no podías era crear clusters con esas GPUs para entrenamiento.

No podías revenderlas.

Nosotros no éramos un cluster, estamos bien.

Exacto.

Nosotros un cluster no... Se quedaba un poco...

Vale. O sea, vuestro entrenamiento era armarios y torres, eh, cables en la oficina en Barcelona.

Teníamos entre cincuenta y sesenta GPUs. O sea que no era-

Ya es un cluster.

Era cutre.

Bueno, no es un cluster. No se puede decir que es un cluster, pero ya empieza a ser un cluster.

Era mucha-- mucho hardware para ese momento. Y aparte, pen-piensa que los modelos que entrenamos en ese momento, ahora claro, se habla de billones de parámetros. En ese momento eran millones de parámetros. Es decir, son modelos mucho más pequeños que tiene mucho más sentido entrenarlos en una sola GPU.

Claro.

Cuatro GPUs. Ahora ni te lo puedes permitir eso.

Si ahora empezarais, eh, Billings, que seguramente no tiene ningún sentido, ¿eh? Pero si empezarais Billings en octubre de 2025, ¿cómo haríais el mismo producto? ¿Cuánto tardaríais y qué os costaría?

Vale, buena pregunta. A ver, yo creo que el mismo producto no lo haría. Si pudiera elegir el mismo producto, lo haría. Haría Qala y luego te lo contamos.

Vale, no, no, obviamente. No, pero quiero entender cómo ha cambiado-

Sí, ha cambiado un montón. Es decir, que ahora usarías, o sea, montarías un RAG, eh, con, con unos cuantos modelos de-

Explícanos qué es un RAG. RAG con G.

RAG con G. Perdón. Sí, claro. De Retrieval Augmented Generation. O sea, ahora, eh, lo que haría es montar toda la parte de archivo con procesado multimodal, es decir, con, eh, speech to text, con toda la parte de análisis de imagen, de vídeo. Eh, lo haría con modelos open source que están disponibles. En ese momento nosotros teníamos que hacer mucho modelo de cero que porque no existía.

Sí.

O, o existían, pero aún eran públicos y no, no estaban accesibles. Entonces, eh, usaría un montón de modelos open source, preprocesaría toda la información, la metería en, en uno de estos sistemas de Retrieval Augmented Generation, que al final es, eh, un buscador, eh, y la parte de, de capa de, de búsqueda, ¿no? De información.

Claro, nosotros en ese momento usábamos, eh, un procesado de lenguaje natural que era el que había entonces, las primeras librerías de Stanford, de... Que eran-- podían hacer lo que podían hacer, pero ahora tienes todos los LLMs. Entonces, usaría los modelos de lenguaje, eh, los large language models, para hacer toda esa parte de traducción de natural language a query y después query-

O sea, esto para cuando el usuario hace una pregunta.

Claro.

Y luego al revés, ¿no? Para entender lo que hay en el contenido.

Exacto. Y te sirve para ambas cosas. Te sirve, eh, tanto para entender el contenido, porque cuando tú lo procesas tienes que hacer toda la parte de procesado del texto, eh, la parte de imagen la haces con imagen, ¿no? Con, con modelos de, de imagen o de vídeo, lo que sea, lo que sea. Pero luego juntas toda esa información, que lo puedes hacer ahora con modelos de lenguaje, y en la parte de query también puedes poner modelos de lenguaje.

Entonces, yo creo que todo lo que tardamos a lo mejor diez años en hacer en Billings, en seis meses. Y a lo mejor, bueno, quizás a lo mejor por la parte de ingeniería de arquitecturas un poco más, pero...

Sí, la escalabilidad siempre da un poco más por...

Pero tampoco nos costaría mucho .

Y la parte Knowledge Graph no la has tocado, pero esa es-- esa quizás todavía sí habría que...

¿Qué es esto?

Vale, sí, no hemos hablado de Knowledge Graph.

Cuéntanos.

Dale, dale.

Al final, yo creo que es parte del... O al menos, ¿no? Como persona que se unió al equipo, eh, unos años después del core de Billings, lo que lo hacía atractivo era como intentar juntar este modelo de inteligencia artificial, ¿no? Cómo procesas los datos y tal, con sistemas de estru-- cómo estructuras esa información y la guardas de un modo que luego tú puedas hacer búsquedas de forma, de forma coherente, fácil, rápida y, y que sean como profundas, ¿no?

Cómo interconectas esa información. Y en ese, en ese caso, Billings, y, y también luego en Qala, una de las, de esas tecnologías clave es una cosa que se llama Knowledge Graph, grafo de conocimiento, que al final es una forma de representar esta información que tú extraes, ¿no? Un ejemplo sería: cogemos un vídeo, ¿no? Lo estamos procesando con estos modelos de inteligencia artificial para sacar, pues eso, ¿no?

Que tal persona aparece en tal momento y está diciendo, ¿no? Estamos aquí en el pod-- en el pódcast de Itnig, ¿no? Pues por ejemplo, cuando esto lo vamos a guardar, uno lo podría guardar en una base de datos al uso, pero hay ya unas bases de datos, quote unquote, un poco, que se llaman Knowledge Graph. Y, ¿qué te permite? Pues que Itnig es una entidad, ¿no? Que se dice, y cómo Itnig se relaciona con el resto de conceptos.

Hace como una especie de modelo del mundo.

Sí, como un objeto, sí, como, como si generara objetos de, de las cosas que entiende del mundo.

Exacto.

¿Esto es una base de datos de vectores?

No, es la gran diferencia. Una base de, de datos de vectores, eh, típicamente o como se está usando sobre todo hoy en día, es para hacer búsqueda semántica, ¿no? Estos vectores representan la información semántica de una frase, de un texto, de una palabra. Eh, un Knowledge Graph, eh, al final es una capa, como yo diría, más abstracta.

Vale.

En el que no pierde Esa granularidad de el tipo de información. Sabe que Itnig es un pódcast o que viene de una empresa, Factorial, que tiene estos founders, ¿no? Y toda esta relación, este, este, este grafo, estas conexiones están guardadas en, en una-

Sí

...base de datos tal cual, factuales, ¿no? No es un vector. En un vector, al final pierdes. Es como un proceso donde pierdes información.

¿Y esto lo tuvisteis que construir desde cero? O...

De cero.

Sí, en-

De cero.

Y, y yo creo que además es que cogimos una época preciosa en Beelings-

Sí

...porque justo fue el inicio de los knowledge graphs. Fue cuando el primer knowledge graph que apareció, que yo creo que fue Freebase, si no me equivoco-

Mhm

...era un esfuerzo de crowdsourcing. Es decir, mucha gente empezó a generar información en formato grafo, ¿no?

Mhm.

Y la su- y la subían a Freebase. Entonces, Freebase lo compró Google y, y el, y el head de, de Freebase, ¿no? El, el, el cofundador, el fundador de Freebase se convirtió en, en la, la persona responsable de IA de, de Google. Y entonces montaron lo que se conoce hoy como el Google Knowledge Graph, que es aquello que cuando tú haces "te responde" que te responde una cajetilla.

Esa cajetilla es el Google Knowledge Graph. Pero, pero fue justo al inicio. Entonces estaba Facebook con el Social Graph, estaba Google con el Google Knowledge Graph. IBM Watson, IBM, que empezó con IBM Watson. Y entonces nos encontramos en conferencias estos frikis españoles aquí de Beelings, que nadie tenía ni idea de qué hacíamos ahí, pero construyendo también knowledge graphs, ¿no?

Entonces vimos como, o sea, primero nos subimos, yo creo, a la ola un poco del deep learning y de todo lo que estaba viniendo, y luego nos subimos a la ola del knowledge graph y, y todo lo que estaba pasando. Y de, de hecho, es que los knowledge graphs no se conocen hasta hace dos años o un año que salió en-

Un año

...pero así que se conozcan bien hasta hace un año, porque salieron en un informe de Gartner. Y entonces, de repente, todos los inv-- todos los BCs, ¿no? Todo el venture capital empezó a decir: "Oye, ¿esto qué se estaba haciendo este tiempo? Parece que tiene sentido".

Llegan tarde los BCs.

Eh, bueno, no, no es que lleguen tarde, pero es que era como algo muy técnico, muy de nicho-

Mhm

...que no era tan interesante hasta ahora. Es decir, los knowledge graphs, ¿quién tenía ta-tantos datos que requirías un knowledge graph? Google, Facebook, o sea-

Mmm

...algunas empresas.

Y Beelings.

Bueno, Beelings porque, porque, porque nos flipamos y también porque sí, un poco.

Sí, sí.

Pero también porque nosotros adjuntábamos toda la información de todos los medios. Entonces, claro, teníamos mucho volumen pese a ser una startup pequeñita. Em, pero ahora con los LLMs, ¿qué pasa? Que todo el mundo tiene mucho más dato y te planteas trabajar un dato a mucha más profundidad. Y entonces, de repente, algo que a lo mejor antes solo era útil para superempresas-

Mmm

...empieza a ser relevante para empresas mucho más pequeñas. Y ahí es donde yo creo que coge más el foco. Hasta entonces era como algo muy nicho. ¿Cuántos equipos estaban haciendo knowledge graphs hace diez años?

Pocos.

Se pueden contar.

Pocos.

O al menos a escala.

Sí, a escala.

Siempre había esa parte más de research.

Muchas de las startups que entrenan modelos, eh, son muy intensivas en capital.

Mhm.

Hoy en día levantan cientos de miles de millones, ¿no? Casi a nivel extremo con, con OpenAI, pero incluso otras, eh, levantan miles de millones para arrancar, ¿no? Ronda seed, ronda semilla de miles de millones. Em, en Beelings, mmm, ¿cuánto dinero levantasteis y, y cómo lo hicisteis para no tener que necesitar cientos o miles de millones?

A ver, primero porque era otra época y los modelos no eran tan grandes. Es lo que tú decías. Eh, ejecutar, o sea, si yo puedo entrenar los modelos con cincuenta GPUs en-

O sea, cincuenta GPUs a mil euros cada una son cincuenta mil euros.

Claro, o sea, no estamos hablando de... O sea, eso luego sí que es, sí que es verdad que toda la parte de arquitectura también era muy costosa. Pero primero que en ese momento los modelos, todo lo que hacíamos era mucho más sencillo, era mucho más a manivela. Eh, no sé, como tirabas mucho más de expresiones regulares que de NLP, o sea, de procesado del lenguaje natural, porque lo que te haga un regex, pues te lo hará más barato.

O sea, esa mentalidad de-

Mmm

...bueno, llegábamos, eh, hacíamos eso. Y después, em, nos costó mucho levantar dinero en Beelings. O sea, era, era complicado. Tuvimos suerte porque, porque aquí, pues Quibo nos apoyó un montón. Em...

¿Cuándo invierte Quibo?

¿Cuándo invierte Quibo? Buah, eso soy fatal para los númer-- para los años, ¿eh? Eh, pero invertiría, ¿2016?-

16

...por ahí.

O sea que ya llevabais cuatro o cinco años.

Pero es que Beelings era, o sea...

Era otra cosa.

Primero, que el campo de la IA en ese momento nosotros es que íbamos avanzados, o sea, la IA, la gente-- yo me acuerdo, mi familia me dijo que por qué me dedicaba a la IA y por qué no me dedicaba a hacer apps, que tendría más futuro. Es decir, era otra época donde tú tenías, podías estar ahí haciendo y pensando lo que quisieras, que no había ninguna prisa.

Eso lo primero. Segundo, que la, la verdad es que era, era todo-- pasar de todo lo que se estaba haciendo a nivel de research a producto, hay un paso grande. Y sí que es verdad que en Beelings estuvimos yo creo que tres años navegando un océano sin clientes de, de desarrollo. O sea, eh, era un-

¿Cómo sobrevivíais?

Eh, porque habíamos mo-- eh, Juan Carlos había levantado, em, una, una ronda de, de angels y tal, y éramos, mmm, pues teníamos un despacho mini en, en la misma universidad que nos dejó ahí un sitio y ahí conectábamos las máquinas y cuando subía a cincuenta grados, pues alguna hacía ¡puff! Y, y éramos muy escama-

Y el fin de semana tocaba ir a resetear a mano.

Sí, el fin de semana se iba a resetear. O sea, éramos, eh, bueno, era otra época, éramos muy jóvenes y, y, y todos, bueno-

Que no cobrabais, vaya.

Yo no cobré durante varios años en Beelings. Perfectamente lo puedo decir.

Vale. Así es fácil tener runway, ¿no? Tener, tener meses de vida si no gastas nada.

O sea, claro. O sea, gastábamos-

Esa es la clave, es el secreto muchas veces.

Gastábamos en gente, gastábamos en personal, pero teníamos un montón de, de personas de la universidad que estaban haciendo el máster con nosotros, el doctorado, teníamos muchas colaboraciones. O sea, todo lo que podíamos hacer-

¿Gratis?

...que, que durara el dinero. No voy a decir gratis, pero que el dinero-

Bueno, es lo que hay, ¿eh? No pasa nada

...durara al máximo, eh, se hacía y, y todos los shortcuts que pudiéramos ahí se hacían. No, no teníamos-- en ese momento la IA era muy poco sexy.

Y en 2016, más o menos, invierte Quibo.

Sí.

¿Cuánto invierte?

Eh, buah, lo debería saber, pero no lo sé. Eh, yo creo que en, en total, en Beelings yo creo que hicimos doce millones de financiación, más o menos. Em, ah, no te s-no te sé decir.

Inversores españoles.

Eh, sí, teníamos algún inversor americano también, pero no era muy conocido. O sea, como bueno Tenemos angels, tenemos superangels, angels y algún inversor americano, pero no de los típicos de primera línea.

Vale. Eh, es que en Internet he visto datos contradictorios-

¿Ah, sí?

...con lo cual no, sí, si no yo te ayudaría, pero como he visto un montón de cosas muy diferentes, no sé cuál es la, la-

Vale.

Vamos a decir unos doce millones de euros de-

Bueno, entre todas las rondas, ¿eh?

Entre todas las rondas.

Entre todas las rondas.

Entre 2016 y 2020.

Sí, por ahí.

¿Cuánto llegáis a facturar?

Emm, pues, emm, la verdad es que no, no podemos decirlo.

No podéis decirlo porque aquí entra-

Exacto.

...el misterio-

El gran misterio

...que ahora nos acompañará, que es el amigo Apple.

Sí, exactamente.

Vale. Yo he leído nueve punto siete millones de dólares, creo que era, de facturación anual en el momento de la venta. Vale. Podría ser. Podría ser que hubieras facturado algo de, de, de ese estilo a medios, a grandes compañías de medios americanos, tipo NBC has dicho antes y-

Sí

...y otras parecidas, ¿no? En Estados Unidos. ¿La empresa es española?

Eh, la empresa estaba incorporada en Estados Unidos y con filial aquí.

¿Y el equipo?

Eh, todo el equipo de ingeniería aquí. Y luego teníamos equipo de ventas en Nueva York, en Palo Alto y en Los Ángeles.

Vale. ¿Vosotros dónde estabais?

Ah, bueno, Isaía aquí.

Yo Barcelona todo el rato.

Yo rotaba. Yo normalmente hacía una semana, más o menos, ¿eh? Una semana yo creo que haría en, en California, una semana en Nueva York y dos aquí en Barcelona con el equipo de ingeniería. Yo al final era CTO. Lo que pasa es que los clientes te quieren ver. Entonces, yo iba a hacer el show y luego volvía a trabajar con el equipo dos semanas aquí.

¿Por qué te quieren ver los clientes?

Bueno, porque yo creo que al final es una tecnología que es muy nueva y al final quieren que les expliques. O sea, que ti-tienes que hacer mucha educación al principio. O sea, era un momento en el que la IA no se conocía tanto y, y, y querían muchas veces los equipos técnicos que fueras, les explicaras por qué es diferente, cómo lo haces, qué, qué tiene, qué tecnología tienes detrás.

Había que hacer mucha educación del mercado. Ahora dices: "Hago IA". Y, y bueno, todo el mundo dice: "Vale, perfecto. ¿Qué más?"

Sí, tú y quién más, ¿no?

Claro.

El problema es entender qué hace cada uno, porque todo el mundo hace IA.

Claro, ese es el lío, pero...

Vale, entonces, eh, llega Apple.

Sí.

¿Cómo aparece este interés?

Vale. O sea, yo creo-

Ahora aviso a la audiencia. Entramos en terreno pantanoso.

Sí.

Tengo abogados con rifles de francotirador apuntándome ahora mismo.

Yo voy a responder a lo que pueda, ¿eh?

Así que vamos a, vamos a intentar aprender-

Sí.

...entendiendo que Apple, eh-

Sí

...es una empresa famosamente estricta por la privacidad y confidencialidad.

Sí.

Pero vamos a intentar sacar, pues-

Y me da pena, ¿eh?

...anécdotas, aventuras, cosas que se puedan contar.

Sí.

¿Cómo llega Apple a Beelings?

A ver, yo creo que es que la gente siempre cree como que hay un momento en el que llegue, ¿no? Y en realidad nosotros siempre habíamos tenido... Como estábamos en esa ola de knowledge graphs, que éramos tan raros, éramos tan poquitos, siempre se nos habían ido aproximando compañías. Eh, Google, Twitter, con-- íbamos hablando, venían, hablabas, volvían, no sé qué, ya nos ve-- O sea, como que tú vas manteniendo una relación.

Al final-

Querían saber qué hacíais.

Sí, y además yo creo que hay-- que cuando tú estás haciendo research a ese nivel, en un campo que, que-- es que ahora hay mucha gente, pero entonces éramos pocos y nos conocíamos bastante entre todos. Entonces, hay una parte de, de más de, de ingenieros, de aprender de lo que estás haciendo, de: "He probado esto, no me va, no me va", ¿no? Que tú vas generando relaciones con gente que trabaja en empresas, porque es que en tu campo el resto de empresas son empresas muy grandes.

Entonces, siempre se nos habían como ido acercando durante los diez años de Beelings, eh, varias empresas.

¿Cómo se acercan?

Eh, bueno, porque es que nun-nunca-

¿Mandan un email?

No, porque te encuentras-

¿Os encontráis en una conferencia?

Te encuentras en una conferencia, en un workshop, hablas después: "Ay, pues no sé qué, nos vemos dentro de seis meses en tal. ¿Vas a ir a CES? Pues nos vemos en CES". Bueno, lo, lo, lo típico.

CES, que es la gran feria electrónica americana.

Las Vegas, sí.

Mmm.

Pero, o sea, como que al final tú haces relaciones con gente que comparte tu visión o-

Gente técnica.

Gente técnica. Y, y terminas, pues compartiendo cosas. Entonces, en algún momento las personas técnicas también hablan con sus equipos, con sus empresas y entonces te, te van viniendo y, y tú, pues vas hablando con la gente. Yo creo que como emprendedor, eh, te toca un poco hablar con todo el mundo, porque nunca sabes dónde te va a llevar cada cosa, ¿no?

¿Vosotros os estáis planteando vender?

No.

O llega una oferta que no habéis pedido.

Eh, nosotros no nos estamos planteando vender. Llega una oferta que no hemos pedido. Em, durante, durante el, los tiempos de Beelings, lle-llegaron ofertas que no habíamos pedido.

Que rechazasteis.

O no cuajaron por alguna de las, de los lados. Emm, porque-

¿De, de, de Apple o de otras compañías?

De otras compañías. Pero no es que, eh, o sea, no es que tú digas no me-- tajantemente. Es que a veces, pues negocias, ellos tienen una expectation, o sea, una, una, unos objetivos, tú tienes otros y ves que por ambos lados no, no va a encajar. Y no solo de precio, sino de visión de la compañía, de dónde la, la quieres llevar, de dónde ven el futuro en sus productos, ¿no?

Yo creo que al final cuando estás en un proceso de compraventa, jolín, tienen que encajar muchísimas cosas.

¿Qué empresas os hicieron oferta?

Emm...

Esto se puede decir porque ya ha prescrito todo.

Esto... Bueno, eh, hablamos con, con las que os he comentado antes.

Twitter, Google.

Sí.

No. Has dicho-- Google no lo has dicho, ¿no?

Pues Google también.

Ah, vale. Eh, Twitter, Google.

Sí.

¿Y alguna más?

No.

No voy a decir nada, no voy a soltar prenda. Bien hecho, Isa.

Vale.

Ya, ya había hablado de más.

Y Apple.

Y Apple.

¿Por qué, por qué llegáis a un acuerdo con Apple?

Eh, a ver, yo creo que, eh, pasan muchas cosas. Eh...

2020.

2020.

Vale.

Eso es lo que pasa. 2020. Nosotros-

¿Qué momento de 2020? Porque cambió bastante.

Eh, 2020, momento COVID.

Ya ha llegado el COVID.

Eh, no, nosotros estamos-- em, en principios de 2020, estamos cerrando una ronda B.

Vale.

Eh, entonces tenemos, pues la caja relativa.

¿De qué tamaño?

Eh, no sé.

Pero incluidos en los doce que me has dicho antes.

O sea, los-

O, o era una ronda que no se llegó a materializar.

No, los doce yo creo que fueron una combinación de preseed, seed, ronda A.

Vale.

¿Vale? Emm, entonces estamos, estamos empezando a hablar, ¿no? Mirando term sheets, hablando con personas, eh, con fondos. Ronda B. Entonces, ¿qué nos pasa? Viene COVID y nos encontramos que todo el mundo VCs, de repente, todo el mundo de venture capital: "Se va a acabar el mundo, no sabemos qué va a pasar. Mmm Como todo el mundo, como parado.

De repente el mundo se para en ese momento y nosotros no sabemos qué hacer y tenemos un equipo, pues que ya, pues éramos bastantes, eh, con un band rate, pues que no era, no era trivial. Eh, nos pilla en un momento de expansión, porque nosotros primero hacíamos media, eh, medios de comunicación, pero realmente, eh, nuestro-- nuestra idea era ir a empresas de otros sectores, a empresas de legal, a empresas financieras, etcétera.

Porque como vemos a día de hoy, ese problema de búsqueda de información interna lo tienen muchas empresas, ¿no? Entonces, nosotros empezábamos con, con medios de comunicación porque sabíamos que ellos tenían, eh, conocimiento bueno que nos podían ayudar para entrenar modelos y luego íbamos a los siguientes. Entonces, en ese momento de transición nos pilla COVID y, y, y la ronda B era para, para hacer esa transición.

Y la caja justita.

Y la caja justita, porque cuando estás haciendo ronda no estás bueno, si tienes suerte, sí, estás aquí como tranquilísimo. Pero no era nuestro caso, em, porque además una empresa de deep tech desde aquí, ¿no? Porque desde-- en Estados Unidos nos veían como muy españoles, todo el equipo en España, em, y aquí había muy poca deep tech e inversión en IA en ese momento, ¿no?

Entonces éramos como: "Bueno, no encajamos en ningún sitio". Eh, entonces nos pilla y, y no sabemos qué hacer. Y yo creo que entonces, eh, Juan Carlos y yo nos reunimos con, con, con el equipo, con las personas, eh, más importantes de, de la historia de, de, de Beelings, ¿no?

Nos sentamos en una mesa-

Sí.

Y dijimos: "¿Qué hacemos, chicos? O sea, tenemos esta opción y tenemos esta". Y...

¿Cuáles eran las opciones?

Bueno, o sea, eh, hacer ronda.

¿Recortar?

Bueno, hacer ronda sabiendo que a lo mejor no era la mejor ronda-

Mhm.

Y que podía incluir recortar plantilla, porque no sabíamos dónde nos íbamos. O sea, para mí el foco era: si yo tengo la opción de, de una adquisición, Apple no va a caer por mucho COVID, ¿no? Entonces pensamos: bueno, una adquisición, todo el mundo se queda bien colocado, buen salario, sin sufrir, o sea, afianzamos y ya está.

O, eh, nos, nos vamos a la ronda B, que además sabemos, pues que lo que nos-- que va a ser muy difícil hacer un crecimiento en un momento donde el mundo parece que se para, donde no podemos saber cuántos meses va a estar. O sea, era ese momento que no teníamos ni idea.

Mucha incertidumbre.

Era marzo, febrero, marzo 2020. No teníamos ni idea qué hacer.

Sí.

Y, y votamos.

¿Votasteis?

Sí, ¿no? O sea, todo el mundo dijo la suya.

Sí. Nos sentaron, preguntaron-

Y dijisteis Apple.

Cada uno... Bueno, cada uno dio un poco su-

Su visión.

Su visión.

O sea, al final, no sé si fue manos arriba o no, porque había bastante consenso, ¿no?

Sí.

Y ya está.

Y ahí, o sea, tenéis la oferta de Apple encima de la mesa.

Sí.

Y decidisteis cogerla.

Mhm.

Vale. Entonces, em, ¿qué quiere Apple de Beelings?

Vale, em...

¿Es, es puramente el equipo? ¿Había una propiedad intelectual, eh, un software, una cartera de clientes, un, un entrenamiento, no? ¿Qué activos había en Beelings en el momento de la venta?

Em, el equipo-

Claramente el equipo.

Y la propiedad intelectual. Y la propiedad intelectual.

Pero propiedad intelectual de las cabezas del equipo, ¿o había un, un algoritmo, un software o un modelo entrenado que tenía valor?

Había modelos, había patentes, había, había un software, ¿no? En realidad-

Había ese grafo.

Había el grafo de conocimiento. Había, pues todo. Al final, nosotros nuestra idea era que todo lo que íbamos construyendo e íbamos metiendo en ese grafo al final era valor para la compañía, porque es un, unos datos, eh, que son fiables para hacer cosas encima, ¿no? Y, y había, pues, toda esa propiedad intelectual y, y el equipo, la parte de, de clientes, pues, pues no, a Apple no le interesaba.

Mmm, seguramente no. ¿Y cuánto tiempo desde la primera reunión hasta una oferta formal? ¿Y cuánto tiempo desde una oferta formal hasta el dinero en el banco?

Guau. A ver, eh, es que tampoco... Es que es muy difícil decir como qué, qué es la primera reunión. O sea, cuando te encuentras a un ingeniero en un congreso.

Gente en traje. Cuando llega gente en traje.

Creo que gente en traje no llegó nunca.

No.

Por suerte. Por suerte no.

Bueno, los abogados. Los abogados en algún momento tienen que aparecer, ¿no?

Sí, pero yo creo que no sé si llevan traje. Pero sí. A ver, em, creo que cada empresa es un mundo y que... Porque a veces, eh, me la, me la han preguntado como: "¿Y esta y esta otra, y, y tardas más o menos?" Depende de, del departamento donde estés, de quién te compra, de...

Es indeterminado. No te puedo decir cómo exacto.

No me puedes decir, ¿eh? Entramos en el mundo Apple ya.

Has jugado bien. Has jugado bien.

He intentado disimularlo, pero me la has pillado directa.

Una cosa muy importante que, que has dicho antes de pasada, pero yo me acuerdo que en ese mismo momento en Factorial estábamos levantando una ronda, eh, y el term sheet llegó dos semanas antes del confinamiento del COVID, ¿no? Y también fue mucha incertidumbre. Tú has dicho: "Una oferta de Apple no se va a caer". O sea, el hecho de que confiarais que, que eso iba a cerrarse, que no se iba a caer a mitad de camino, pesó mucho en vuestra decisión.

O sea, y yo creo que no es que la oferta fuera a caer o no, sino para mí es que Apple no iba a caer. Es decir-

Difícil morir.

Claro. O sea, que Apple no muere en, en, en un COVID, ¿no?

A ese tamaño.

Entonces, a nosotros, yo para, para, para nuestros empleados, para nuestro equipo, la carta segura era decir-- porque al final vas cargando como esa mochila de: ostras, y estoy liando a toda esta gente a hacer esto.

Cincuenta personas en el momento de la venta.

Sí. Y que claro, para Al-- para mí es mucho, para vosotros es mucho y poco.

No, no, es muchísimo. Cincuenta personas es muchísimo.

Pero, pero la mochila la íbamos cargando y, y a mí me costaba mucho pensar: ostras, es que ahora, pues, pues no, no tengo muy claro qué va a pasar, ¿no? En esa ronda y, y cómo vamos a salir de ahí, porque luego las métricas iban a ser difíciles. De sobrevivir Beelings, ¿no? A, a lo que nos venía. Em, a lo mejor fuimos unos cagados, no sé.

¿Vais todos a Apple?

Sí.

¿Tu socio?

Ah, bueno, em...

¿Juan Carlos?

Claro, no me-- no, no puedo meterme en, en los detalles de, de, de Juan Carlos.

Yo he leído que él no forma parte de, del equipo de Apple en el que tú estabas.

Sí, exacto.

Vale.

Pero, pero porque... Bueno, yo supongo, no sé si lo puedo decir o no, pero porque nos hubiera encantado. Pero le dejaron elegir.

Vale.

Entonces...

Y eligió que no.

Bueno, eso ya lo tienes que hablar tú con él.

Vale.

Eso ya lo tenéis que hablar tú con él. A mí no me vengas.

No me disparéis, ¿eh? Eh, vale. Ya has dicho que no podéis contar nada de, de la oferta de la adquisición, pero yo lo que he leído por Internet en un montón de fuentes es que se os ofreció o se pagó unos cincuenta millones de dólares por la adquisición de Billings, que además me cuadra con los, eh, un millón de dólares por cabeza de cierto tipo de adquisiciones muy técnicas que pasan en Silicon Valley, ¿vale?

No tenéis que-

Yo ni confirmo ni desmiento ni de nada

...confirmar ni desmentir, pero lo he leído en muchas fuentes. Entonces, más o menos me, me imagino que por ahí irían los tiros. Em, ¿qué pasáis a hacer dentro de Apple?

Em, tampoco creo que podamos hablar mucho de esto, pero-

¿Cuál era tu título?

Ah, pues mi título...

Vamos a empezar por algún sitio.

Sí, eso está bien.

Esto está en LinkedIn.

Eso está en LinkedIn. Pues lideramos toda la parte de knowledge graphs internos de la compañía para, para la parte de servicios.

¿Qué es, qué es la parte de servicios?

La parte de servicios es la parte que lleva to-- em, todos los servicios de Apple: App Store, Music, Books, Podcast, todo el ecosistema de Apple, de la parte, bueno, se llama de servicios.

Vale. O sea, relacionado con las búsquedas dentro de estos servicios.

Con media.

Para entendernos.

Sí.

Con media.

Con media.

Todo lo que tiene que ver con audiovisual. O sea, por ejemplo, Apple TV y Apple Music.

Sí.

Sí.

Entiendo. Búsquedas, recomendaciones, ese tipo de cosas. Utiliz-- o sea, generabais o desarrollabais la tecnología core que se utilizaba ahí. Desde Barcelona.

Sí.

Los cincuenta más o menos de Billings.

Desde Barcelona, sí.

¿Este equipo crece en Barcelona?

Eso ya no lo podemos decir.

No se puede decir, ¿eh?

No.

Madre mía.

Pero... No, no se puede decir. Lo que sí se puede decir es que hay un equipo muy grande en Barcelona ahora de Apple, em, porque hicimos una nota de prensa hablando de, de ese equipo y que no, no solo el equipo de Billings, hay muchos más equipos.

Hay un equipo de Siri en Barcelona.

Hay-

Famosamente, que tampoco nunca puede decir nadie nada, pero hay un equipo grande de Siri.

Hay equipos grandes de, de Apple aquí en Barcelona y creo que es algo superbonito para la ciudad.

Aunque no se pueda contar. Es muy bonito, pero es un se-

No, pero, pero es importante que esté Apple aquí. Yo creo que es importante que Apple tenga un-

Sería la hostia ya si lo pudiéramos contar.

Claro, pero que esté-- o sea, si se puede contar, perfecto, pero que esté es lo que, es lo que hace que el ecosistema mejore. Claro, que, que luego esto va a dar pie, yo creo, a muchas más startups, porque al final es un hub de inteligencia artificial en Barcelona de Apple. Lo que hace es atrae mucho talento y, y luego yo espero que salgan muchas cosas bonitas de ahí.

Muchas startups. Eh, entiendo que por lo que decís de servicios no tocáis la parte de productos Siri, sistema operativo de, de los dispositivos de Apple, sino que os quedáis más-

No nos podemos meter ahí.

No os, no os podéis meter ahí, ¿eh?

Lo siento. Me sabe supermal.

Vale. Ahora ya no estáis en Apple.

No.

Vale. Pero tenéis-

Pero mantenemos muy buena relación con Apple.

Y, y muchos contratos con abogados.

También, pero, pero yo soy muy de cuidar relaciones a mí. A-- nosotros nos han tratado superbién en Apple y...

¿Cuánto tiempo habéis estado?

Eh, cuatro años.

Casi cinco.

¿Cuánto?

¿Casi cinco?

Sí, ¿no?

Yo hice cuatro justos y...

Ah, ¿sí?

Yo hice cuatro justos.

Desde finales del 20 a finales del 24.

Sí, de octubre.

O sea, 21, 22, 23, 24. Sí, sí, cuatro años más o menos.

Sí, sí.

Em, vale. ¿Qué opinión tenéis? No qué conocimiento tenéis, sino qué, qué opinión tenéis del rol que tiene Apple ahora mismo en, en el movimiento, eh, transformacional de pasar a ser una empresa nativa de inteligencia artificial, ¿no? Por ejemplo, Google, eh, es, es padre de muchísimos, eh, desarrollos en, en este mundo.

Luego, eh, parece que se le escapó un poquito la pelota, pero la ha vuelto a coger y está adelante de, de esta carrera. OpenAI, obviamente, es la grandísima startup que está empujando este mundo. Meta tiene un enfoque muy de open source, eh, y un poco de-- no, no estaba, ¿no?, en el centro de la carrera y se está intentando meter desde al lado.

Y Apple es un poco el, el gran misterio, ¿no? Porque tiene los dispositivos de una parte muy grande del, del mundo, eh, tiene historia con productos como Siri, donde es muy pionero intentando adelantarse a su tiempo y hace un gran lanzamiento con Apple Intelligence, que estamos todos intentando entender, ¿no?

Si está muy por delante, pero no ha salido todavía o está muy por detrás. ¿Cuál es vuestra opinión de, del rol de Apple en la carrera de inteligencia artificial?

Yo mi opinión como observadora desde fuera.

Correcto. No conocimiento, no conocimiento desde dentro.

Sin saber nada del dentro, ¿eh? Em, yo creo que Apple tiene una ventaja muy chula ahí, que es que al ser dueños de la plataforma, lo que tú comentabas, eh, no tienen por qué correr. Es decir, ellos pueden hacer partnerships con quien quieran, pueden-- o sea, al final tú tienes la plataforma, tienes los usuarios, tienes la información de esos usuarios. Entonces, si alguien quiere sacar un servicio encima de los iPhones para ser tu personal assistant o si quieres sacar, eh, lo que sea, necesitas a Apple ahí, necesitas el, el beneplácito de Apple.

Entonces, están en una posición perfecta para negociar. No tienen por qué ir a la guerra de los modelos, eh, cuando pueden hacer un partnership con el que gane y ellos siguen dominando la plataforma y los usuarios. Entonces, sí que es verdad que yo creo que han estado como más, más por-

A verlas venir.

A verlas venir. Por-- pero porque se lo pueden permitir. Es decir, eh, para ellos, o sea, yo no sé hasta qué punto me metería en la guerra de modelos cuando cualquiera que quiera hacer modelos, o sea, que quiera que esos modelos lleguen a mis usuarios, yo tengo la plataforma, mmm, podemos llegar a un partnership, un acuerdo y encantados.

Sí, yo creo que están en otra guerra distinta-

Sí.

...a Google con OpenAI, que se están pegando ahí sobre los modelos. Aunque Apple tuviera o tenga los suyos propios, no entrará en esa batalla de, de, yo creo, vamos, de-

Bueno, sí que tiene modelos propios.

Sí.

Y han salido y son públicos.

Sí, sí.

Sí, porque les interesa también.

Y se pueden utilizar de forma local en el dispositivo, que es muy interesante.

Sí.

Sí. Y además el approaches de Apple, que yo creo que es muy bueno, es ese, es decir...

Privacidad a tope.

Es privacidad a tope. Y, y en realidad lo que tú quieres de estos modelos, que cada vez se está conociendo más, ¿no? Es que no usen tus datos, que no los-- o sea, quién los ve, que esté todo muy bien controlado. Entonces, cuando tú controlas el ecosistema y puedes hacer donde vais y cuando no haces donde vais en tu móvil, te lo mandas al ordenador o lo mandas a un cloud, pero es private cloud, em...

Sí.

¿Quién, quién tiene esa capacidad de infraestructura para ofrecerte esto que no sea Apple? Nadie. A lo mejor Google, pero, pero tampoco dominan tanto la parte de hardware. Eh, o sea, no tienen tanto dominio de mercado, ¿eh? Quiero decir.

Claramente.

Entonces, está en una posición muy, muy ventajosa. Yo no sé Eh, serán unos años, pero-

Yo creo que es lo mismo que has mencionado el cloud, lo mismo que pasó cuando, cuando el cloud de AWS. Al final Google sí que saltó a, a poner un poco ahí recursos y sacar su propio cloud. Obviamente, Apple tiene sus clouds y su infraestructura, pero yo creo que por estrategia de compañía no es en plan: vamos a hacer un cloud público como, como servicio, entrar en esta guerra de, de luchar en el mundo cloud, ¿no?

Entonces, no sé.

Sí.

A mí me parece lo que tú dices, que no sé si tiene mucho sentido que se lancen a, a esta guerra.

Apple tampoco ha entrado en la guerra del buscador, ¿no? Está Google, está todo el mundo yendo a OpenAI, a la guerra del buscador, etcétera. Por ahora que sepamos, eh, tampoco han entrado. Es decir, ellos yo creo que tienen una estrategia un poco diferente.

Bueno, Apple tiene un revenue share con Google de creo que veinte mil millones de dólares al año o algo así de, de-- para poner Google como buscador por defecto, ¿no? Aunque ahora la Unión Europea está siempre ahí pinchando y tal. Em, pero la realidad es que es-están cambiando patrones de uso, ¿eh? Y, y estoy de acuerdo.

Yo soy un gran defensor de Apple desde que tengo uso de memoria, pero me preocupo a veces de decir: cuando llega un cambio de hábito tan bestia como hablar con ChatGPT y tu dispositivo, eh, te contesta Siri y dices: ¿Qué mierda es esta? Yo quiero mi ChatGPT, y si no me lo das tú, me lo dará otro.

Mhm.

Eh, puede llegar un momento donde la balanza, eh, cambie.

Sí.

Y llegue un dispositivo Android o llegue un dispositivo de OpenAI diseñado por Jony Ive, o llegue un dispositivo de Meta o de, o de Microsoft. Yo no lo sé, porque hay, hay gente que es muy hábil, ¿eh?, alrededor de, de este mercado, también de consumidor que hace hardware, que podrían llegar a desbancar un líder como, como Apple.

Aquí yo, desde mi punto de vista, no sé si usas iPhone, o sea, desde hace mucho tiempo.

Sí. Siempre.

Si lo has usado por Siri. Es decir, el hecho de que Siri ahora vaya mal y puedas tener un ChatGPT, ¿te haría cambiar de, de dispositivo? Hay gente que quizás sí, ¿eh? Pero digo, yo creo que la gente que se va a iPhone, no por-- nunca se ha ido a iPhone por las ca-las capacidades de Siri. Y no lo digo en defensa de Apple.

No, no, claramente, claramente. Nadie se compra un iPhone por el Siri, eso te lo garantizo. Vaya.

Entonces, que haya algo ahora. Antes no había nada, ¿no? Era-- bueno, Google tenía su propio asistente.

Había Alexa, Google y...

Pero todo eran un poco arranques.

Acabamos de arruinarle la vida a mucha gente. Había los asistentes, eh, que la gente tiene en casa, porque cuando dices la palabra está en un pódcast y la gente lo está escuchando, se le, se le disparan los dispositivos.

Ah, sí, claro.

Eh, había los dispositivos inteligentes de, de Amazon, Google y Apple, eh, pero todos muy limitados.

Claro.

O sea, a nivel poner una canción o arrancar un temporizador y no mucho más. Cualquier cosa a partir de ahí era, era un disparate. Pero yo sí que te diré que cada vez más cuando cojo el coche y quiero hablar a ChatGPT, me frustra que no tengo una experiencia nativa como sí la tengo con Siri.

Sí.

Y, y no consigo que se me dispare el que yo quiero y tengo que estar ahí apretando botones y tal. Entonces me acuerdo de que mi plataforma me está limitando. Es la realidad.

Y yo creo que es, es un temporizador. O sea, ellos tienen un tiempo hasta que hagan ese cambio. Lo que pasa es que yo creo que ellos también juegan con, eh-- tienen esa reputación de privacidad y hasta que no lo puedan hacer con las garantías de privacidad que necesitan, no se van a cargar la imagen de marca, me imagino desde fuera. Entonces, ¿va a llegar el cambio? Seguro, porque no, no pueden estar-- o sea, son gente inteligente, no...

Eso está claro.

Entonces...

Son unas máquinas de ejecutar y de desarrollo de producto.

Va a llegar el cambio. ¿Cuánto lo pueden alargar hasta que llegue? ¿Qué tiempo tienen ellos para hacerlo de manera que sea, eh, eh, que, que sea con los estándares de privacidad que necesitan? Pues ahí estarán jugando en esa liga a ver, a ver dónde llegan, ¿no? Pero, pero va a llegar.

El día que Jony Ive se incorpora a OpenAI, me imagino que ya no estabais vosotros, pero me imagino que no sería un día divertido en Cupertino.

No tengo ni idea, pero...

Ya. Eh, pregunta última de Apple: ¿Cómo es trabajar en Apple? Eh, con, con-- ¿cuál era tu rol otra vez? Recuérdamelo.

Eh, era-- el, el rol era en inglés, era Head of, of, of Media Knowledge.

Vale, pues como...

Que no sé cómo traducirlo.

Head of Media Knowledge, responsable de conocimiento media. Eh, ¿cómo, cómo es la vida trabajando en Apple?

Eh, la verdad es que yo solo, yo solo tengo buenas palabras, eh, de Apple, em, y en realidad te diré cómo es trabajar con Apple. Además, em, creo que se adapta mucho, eh, a tu momento vital. Es decir, yo en momentos donde, pues he querido alca-alcanzar más, liderar proyectos más bestias, eh, tener más impacto a nivel de compañía, me han apoyado, me han ayudado un montón.

En momentos donde por, por temas, pues personales, por estar embarazada o lo que sea, he dicho: ahora quiero one step back, han puesto todas las facilidades. Entonces, a mí eso me ha gustado mucho, porque es verdad que a veces yo creo que, eh, por ayudar, a veces no te dejan a ti decidir. Es decir, que hay empresas que es como que, que no te están poniendo a ti en el centro y tú marcas el ritmo del, del que quieres que sea tu, tu, tu desarrollo profesional en ese momento, ¿no?

Y en Apple yo como, como persona y como mujer, eh, me he encontrado que, que al revés, que han, que han ido muy adaptados a los plazos y a los ritmos que, que yo pedía. O sea que superfeliz del tiempo en Apple y de hecho yo entré y, y pensé: no me voy a quedar ni un año y, y me quedé cuatro.

O sea, todo bien.

Cuatro años. Tú has dicho además las palabras: yo estuve exactamente cuatro años.

Cuatro años, sí.

Muchas veces es el calendario de vesting o de maduración de acciones. ¿Es casualidad?

No te lo puedo decir, pero justo es mes ese número.

¿Pero justo?

Mes que eran cuatro años.

Claro. O sea, a mí no me ha sorprendido cuando has dicho: fueron justo cuatro años, porque hay típicamente...

Yo creo que las decisiones en las-- o sea, en, en-- para mí, al menos, eh, yo la decisión no la, no la tomé por un calendario de vesting.

Pero no estuviste tres años y diez meses, estuviste cuatro años.

Yo sí estuve tres años y... ¿nueve meses?

Sí, tú sí estuviste tres años y nueve meses.

El vesting.

Yo creo que, yo creo que no se toma tanto por un calendario de vesting, em, porque la verdad es que yo Aun teniendo el vesting que tenía, yo me acuerdo, llegué y le dije a, a, a la persona, a mi jefe, le dije: "Bueno, yo monto-- integramos todo y a la que esté integradito me voy a ir.

O sea, tenemos que planificarlo, ¿no?" Y me dice: "Eli, no te preocupes, que we'll make it worth it". Y le dije: "No puede ser, porque a nivel de dinero, pues a mí, yo lo-- es un momento superbonito de, de la inteligencia artificial y un coste de oportunidad muy grande, ¿no? Y, y yo me quiero ir. O sea, yo si tengo claro que quiero volver a hacer startups, no me voy a quedar más tiempo en Apple". Y me dijeron: "No, pero te pondremos retos que ya verás que te, te va a permitir, ¿no?

Eh, crecer y coger responsabilidades y aprender otras cosas que también son importantes". Y en realidad fue así. Si no, no me hubiera quedado. O sea, que no, no me quedé los cuatro años por un calendario de vesting.

Eh, durante estos últimos dos años que se ha calentado muchísimo el mundo y sobre todo ha habido una guerra de talento-

Sí.

Por, eh, ingenieros y, y researchers en el mundo de inteligencia artificial, ¿a vosotros os ha llegado esta guerra de talento o por estar en Barcelona habéis estado más aislados?

¿Ahora o...?

Últimos dos años.

A ver, yo creo que poco a poco va llegando. Yo creo que tenemos la suerte de que todavía no hay esa presión máxima que quizás están viviendo en, ¿no? En Silicon Valley o quizás en Londres. Yo he empezado a escuchar algunas cosas en algunos otros puntos de, de Europa. Sí que se nota que está mucho más, eh, hot o más, hay mucha más presión en hiring de la que había antes.

O sea, hay mucha más lucha, definitivamente, por talento de-

¿Y a vosotros os vienen a pescar?

Sí.

Sí.

Sí.

Tenemos... Pero al final-

Sam Altman, no co-- no, es Zuckerberg. Has hecho una oferta de mil millones de dólares.

A mí Zuckerberg no me ha escrito.

Esta no ha llegado, ¿eh?

A mí Zuckerberg no me ha escrito.

No se ha metido en los DMs. Se ve que lo hace.

No, a mí no me ha escrito. Pero sí que es verdad que, bueno, eh, hay una, hay una guerra de talento y, y que a veces es más difícil. Silicon Valley está, está muy loco en ese sentido.

Pero creo que aquí no ha llegado todavía, al menos que nosotros hayamos visto el: "Te pongo un bono, un hiring bonus de-

Lo que sea.

Cientos de millones.

Aunque sea un millón, ¿eh? Aunque solo sea un millón, ya te, ya te lía bastante.

Sí que conocemos a algunas startups de Europa que ya lo han sufrido.

Sí, que ya les ha llegado.

Han venido al machete. Vale.

A números distintos.

Ha llegado el momento.

Venga.

¿Por qué os vais de Apple y qué hacéis después?

Vale. Eh...

Aparte de los cuatro años y un día que ya hemos, hemos dejado claro.

Me voy a arrepentir de haber dicho esa frase. Eh, ¿por qué nos vamos de Apple? Bueno, yo tenía muy claro que quería hacer otra startup. A mí me, me faltaba la vidilla. Eh, disfruté mucho en Apple y, y creía que me tocaba volver a empezar de cero. Y, y de hecho, pues lo podemos contar.

De hecho, empezamos pensando en hacer algo, eh, de, de climate tech.

Sí.

Yo quería meterme en climate tech. El último año de Apple estuve leyendo un montón de libros de, de cambio climático y de los efectos de, de lo que va a pasar y de cómo podemos hacer cosas para, para evitarlo o, o reducirlo al máximo. Y, y, y va Foco contigo, íbamos los dos un poco: "Vamos a hacer algo de climate".

Los tiempos un poco distintos entre tú y yo, pero...

¿Por qué?

Yo me fui creo que seis meses antes.

Sí.

Eh, en es-

¿Por qué te fuiste?

O sea, parecido. Al final yo creo que había notado que mi paso por Apple ya había llegado un poco a su fin. En ese momento había más o menos heredado el, el equipo de, de Eli. Como rol, yo soy una persona muy técnica, a mí me gusta mucho estar cerca, cerca, cerca de la implementación y para mí era un rol que creo que era mucho más, eh, de management.

Le puedes decir: era un rol muy aburrido.

Bueno, a mí, para mí era un poco más, eh, un poco más aburrido. Creo que había un poco más esta parte política o de, de interacción, que la verdad es que simplemente no me atrae tanto. Entonces, eh, también me dieron la oportunidad de cambiar de rol, pero también quería, eh, un poco volver a ese mundo startup. Ese gusanillo al final, durante tres años y los que sean meses que llevamos en Apple, pues se va, yo creo, desarrollando, ¿no?

Eh, así que fue un poco en plan: vamos a dejarlo. En ese momento no tenía claro tampoco yo qué, qué iba a hacer ni... Sí que siempre, Eli y yo siempre hablamos, pero, pero no había una idea clara. Así que yo le dejo un poco antes, me tomé mi, mi, mi, mi break y esperé a que, a que Eli hiciera también su decisión, tomara su decisión y ya luego convergimos.

Sí, sí. En realidad para mí, yo creo que cuando tuve a Martí, eh, mi primer hijo, me di cuenta como que que con todo lo que estaba pasando en el mundo, con todos los cambios que empiezan a haber a nivel de, eh, desinformación, eh, a nivel de, eh, cambio climático, etcétera, todos los retos que tenemos ahora como sociedad, a mí, yo tuve a Martí y me acuerdo pensar: "Ostras, es que cuando Martí tenga quince años y me diga: '¿Tú qué haces?'", si le digo que estoy trabajando en una compañía para hacer que, que genere más valor esa compañía, ¿no?

Apple, que es una, es una compañía muy buena y muy bonita donde trabajar, ¿eh? Pero yo me sentía como que, como, como... No me sentía identificada con, con ese propósito vital, ¿no? Pensé: "Ostras, es que a mí me gustaría decirle: 'Mira, pues he intentado mejorar el mundo en esto, ¿no?'" Y entonces me di cuenta que, que tenía que buscar mi esto.

Eh, pero, pero fue, yo creo que fue a par-- parte de, de tener a Martí y pensar: ¿Y cómo lo explico a él? ¿Qué he hecho con mi vida? Y, y ahí tomé la decisión. Y luego, pues bueno, ya los plazos fueron los que fueron.

Exploráis el climate. ¿Qué, qué opciones os planteáis ahí? ¿Qué, qué aprendéis de climate?

Uf, yo creo que estuvimos leyendo bastante.

Sí, he leído un montón.

Explorando. Ella, como ha dicho antes, eh, quería electrónica. O sea, esto-

Yo quería hacer robótica. Yo echo mucho de menos la parte de tinkering. Yo soy muy de... A mí esto de software-

De cables, cables y...

A mí esto de software está bien, ¿eh? Pero que se mueva un poco.

Humo, humo saliendo de cosas quemadas.

A mí esto me, me da mucha vida y me encanta. Entonces, yo quería toda la parte de, de agrotech, más de robótica para, eh, eh, cultivo de precisión, para hacer toda esta parte de, pues sin Sin menos, eh, tóxicos, fertilizantes, hacer toda la parte de robótica para, para cultivos de prese-- de precisión.

Eso es lo que a mí... Pero en realidad no tengo ni idea, o sea, de este campo. O sea, mi campo es la IA. Y en el mercado-

No, ¿no encontraste nada que, que despertara el gusanito de, de empezar a profundizar más?

Que pu-- que pudiéramos decir: "Yo de esto sé un montón y voy a generar un impacto". Pensaba: es que es un campo superchulo donde tú puedes hacer-- ponerte a hacer robótica de precisión, te vas a tirar diez años para hacer algo medio porque no tienes reputación en este campo.

Tú ya lo hiciste en Billinks.

Claro. Y te vas a tirar diez años para hacer algo porque no tienes la reputación para hacerlo. Y, y luego, ¿qué vas a conseguir? ¿Cuántos clien-- o sea, ¿cuál es el impacto real que van a tener diez años de tu vida en clima, no? Y entonces lo miraba y pensaba: "Ostras, eh, egoístamente, a nivel de ego, me va a encantar". Voy a estar ahí en plan: "Bueno, estoy haciendo precision architecture y voy a quedar superbién y me voy a sentir muy guay con lo que estoy haciendo".

Pero a nivel de impacto real, o sea, es un mercado superdifícil de convencer a los agricultores de hacer cambios y más en nivel tech. Bueno, estaba como todo por ver. Y, por el otro lado, veíamos que había como todo ese boom de inteligencia artificial, de modelos cada vez más grandes, donde por poco que mejores a modelos más pequeños, modelos que gasten menos a nivel de inferencia, a nivel de computación, es que a lo mejor el impacto es mucho mayor.

Entonces, para mí hubo una parte de cambio de mindset de: vale, quizás haciendo lo que tú sabes puedes tener un impacto mucho mayor, eh, más rápido, aunque no sea tan cool de alguna manera. Em, y, y a mí me cos-- me costó, me costó como decidir eso.

Costó mucho, porque al final yo creo que también veníamos muy desencantados con-

Es que el campo de la IA-

Con el campo de la IA. O sea, yo creo que cuando hablamos clima tú estabas con robots y agrotech. Yo no quería ni tecnología, era en plan: vamos a hacer rewilding, em, no reforestación, no sé cuál sería la traducción correcta.

Em, ay, asalvajamiento.

Asalvajamiento. Sí, por qué no.

No sé.

Eh...

Rewilding es todo ese campo que, que dejas que, que coja su forma natural, no, o sea, con, con plan-

Lo contrario del desarrollo. O sea, es como desdesarrollar, eh, plantes de-- partes del planeta, ¿no?

En lugar de plan-- de hacer plantación forestal, que a veces se hace como: vale, replantas esto y tiras millas, es más pensado a, eh, buscar plantas autóctonas, ecosistemas, eh, generar, o sea, devolverlo a lo que sería-

Al estado original.

Al estado original, ¿no? Todo el campo de rewilding es un campo precioso.

Muy chulo.

Y a mí me encantaría. A mí me encantan las plantas. O sea, yo hubiera sido feliz lanzando semillas por ahí, pero, eh, no era nuestro, nuestro know-how, eso seguro.

¿Cómo llegáis a lo que es ahora Cala AI? Y contadnos lo que es Cala.

Venga, cuenta.

O sea, al final yo creo que después de darnos cuenta un poco de que somos como outsiders, ¿no? En estos campos, eh, y ha-hacer esta como-

Un toque de humildad.

Sí, decir: "Vale, si queremos hacer un impacto, seamos un poco prácticos. ¿Cuál es el shortest path? ¿Cuál es el camino más corto a ese impacto positivo, no? Teniendo claro que queríamos montar algo con impacto medioambiental y social, o al menos io, ¿no? Si no, pueden ser ambos. Entonces, eh, por la parte social y energética, por un lado tenemos ese desencanto con el campo de la IA, ¿no?

Que está-- justo pillamos ese momento, era 2000, pues 2024. Pues eso, Google anunciando, eh, plantas nucleares, eh, modelos cada vez más grandes. O sea, era una competición entre OpenAI, Google, eh, Meta, Mistral-

A ver quién mete más parámetros.

Quién pone modelos más grandes, ¿vale? Entonces, nosotros un poco no compartimos esa idea, esa visión del campo de la IA. Eh, y vemos que, por un lado, ahí hay un impacto climático po-potencial y, por otro lado, por la parte más social, que toda la desinformación, eh, está en auge también, ¿no? Gracias o por culpa de, eh, también un poco toda esta parte de la IA, ¿no?

Entonces, yo creo que nos damos cuenta que tenemos un background, precisamente como mencionábamos antes de, de Billinks, ¿no? Que era juntar sistemas de inteligencia artificial para extracción de conocimiento con sistemas que sean buenos representando ese conocimiento para poder editarlo, curarlo, eh, que sea verificable, etcétera, etcétera, ¿no?

Entonces, ese momento, ¿no? Un poco esa semilla de yo creo casi de Billinks.

Sí.

Eh, de ese momento, ahora, en el contexto actual, tiene mucha más, mucho más sentido quizás, o mucha más repercusión. Entonces vemos que podemos como regerminar eso, obviamente llevarlo hacia otro lado e-en lo que es Cala, ¿no?

Sí, que qué es Cala. No hemos dicho qué es Cala.

Eli, te lo voy a dejar.

Me lo has dejado a él. Vale. Eh, pues al final Cala es, eh: un repositorio de todo el conocimiento verificado y, y chequeado del mundo para que los agentes o las personas puedan conectarse a él. Porque nos damos cuenta que, que la, la gente, eso que tú comentabas antes, que han pasado de hacer, eh, preguntas a Google, a hacer preguntas a ChatGPT, ¿no?

Entonces ChatGPT tiene dos opciones. O bien te responde de la memoria, en cuyo caso puede tener alucinaciones, lo que ya sabemos todos, o hace web grounding, que es que va a la web y busca cosas y te las procesa. Pero, ¿qué pasa? Que eso es no determinista, eso depende de, del runtime, eh, de las webs. Hay webs que a lo mejor tú te fiarías y otras no, y cuando te procesa esa información y a ti te la dan voz, tú ya no sabes ni de dónde ha salido el dato.

Entonces, nos damos cuenta que la desinformación está en auge. Cada vez es, eh-- el acceso a la información, por mucha, se ha vuelto más difícil. La gente lo está superando con GPT, pero no ayuda a informar bien. Y, y nos damos cuenta que además la nueva generación de, de agentes, de productos agentic based, de, de productos basados en agentes, de automatización, etcétera, como va-van a, van a, a crecer, a alimentarse de eso, va a ser un problemón, porque ya una cosa es que yo lo vea y diga: "Mira, pues esta web no me fío".

Pero la otra es que alguien desarrolle un producto, que ese producto tome una decisión que me impacte en mi vida y yo no sé de dónde ha salido ese dato, ¿no? Y puede ser un dato no fiable. Entonces, vemos que Internet es perfecto para muchas cosas, tiene opiniones, es un sitio de colaboración, pero a lo mejor no es el mayor repositorio de conocimiento del mundo fiable.

Entonces construimos Cala. Y Cala es Un repositorio de información para que los modelos o los agentes, cuando ne-necesitan dato específico y de fuentes, eh, reputables, vayan ahí.

Vale, muchas cosas a, a desempaquetar. Ahora, hay un, un concepto muy peligroso que es el concepto de la verdad.

Sí.

Sí.

Sí.

O sea, has hablado, pero luego lo has matizado, ¿eh? Has dicho: "Yo de esta web no me fío". Eso es una decisión personal.

Mhm.

¿No? Por ejemplo, para utilizar, eh, terminología de España que la gente conozca. Hay periódicos y hay gente que dirá: "Esto lo ha publicado El País, no me fío. Esto lo ha publicado El Mundo, no me fío".

Sí.

Esto es una decisión superpersonal y subjetiva.

Sí.

Porque seguramente es demostrable que los dos han mentido y que los dos dicen la verdad, eh, la mayoría de veces, ¿no? Pero seguramente, eh, hay-- todo mundo comete errores o, em, editorializa-

Sí.

La verdad que cuentan.

Sí.

Sí.

¿Cómo se soluciona este problema?

Vale. O sea, hay una primera parte, eh, primero, que nosotros tampoco consideramos que tengamos la verdad, sino muchas veces lo que haces es reducir la complejidad de todo Internet a: hay dos corrientes o hay dos opiniones de este dato. Y luego será tu modelo, tu agente, que tú ya lo tienes "fine tuned", ¿no? Eh-

Le das tu preferencia.

Claro, tú le das tu preferencia. Entonces, lo que nosotros estamos haciendo-

Tus sesgos.

Claro, los sesgos que tú quieras poner. Cuando no hay una verdad absoluta, nosotros te vamos a decir: "Pues hay dos ramas de conocimiento, tres, cuatro". Y, y a veces no, no, no queremos ser el, eh-- no queremos que haya una verdad única.

No va de "fact checking" esto.

Eh, pero sí. O sea, va de "fact checking" de todo lo que se pueda "fact chequear". Es decir-

Información factual.

Eh, la info-- la información factual. Cuando tú ya pasas de-

En el mundo de hoy ya, eh, ¿qué es factual? Pero bueno, sí, entiendo yo que como científicos, que más o-- bueno, ingenieros que somos personas, eh, hay cosas que son-

Hay cosas que son.

"Facts".

Sí, por ejemplo.

O sea, esta mesa tiene cuatro patas y punto. No, no nos mareemos.

Sí, y, y yo creo que además cuando tú reduces, eh, la web a una serie de "facts", te das cuenta de que ya estás quitando mucha parte de esa parte sesgada. O sea, ya estás filtrando mucho.

Quitáis ruido.

Quitas mucho ruido, porque al final la, la misma noticia la puedes explicar de cincuenta mil cosas-- de cincuenta mil maneras diferentes.

Mhm.

Pero sobre todo nuestra, nuestra posición de documento no es tanto noticias, que también es importante, sino también en, pues, yo qué sé, pues si tu modelo necesita saber algo de, de una evita de una compañía, pues lo sacas de las cuentas anuales. O sea, que a día de hoy-

No de un periódico ni de un tuit.

Claro, no, no de un periódico, no, no de un periódico, no de un, eh, de una nota de prensa, de una entrevista del fundador en no sé dónde, no. O sea, al final te vas a la fuente del dato. Y eso es algo que antes no se podía hacer, pero con modelos, de los modelos de lenguaje actual, se puede como levantar toda esa información, cruzarla, "fact checkearla" entre ella con un poco de conocimiento de qué fuentes son más fiables que otras y crear ese repositorio.

O sea que si ahora le pregunto a Cala la facturación de Billings de 2020.

Si está publicada, la tendría que dar.

Me sacará el registro mercantil. Me sacará el registro mercantil y me dirá lo que pone ahí, ¿no?

Exacto.

Vale.

Podemos "fact chequear" este pódcast.

Sí.

Vamos a, vamos a hacerlo. Okey, esto escala.

Esto escala.

Volvemos un poco a la misma historia de Billings, ¿eh? Eh, ¿cómo se productiza esto, no? Porque hay un, hay un concepto, hay una innovación, hay un, hay una tecnología, pero ¿cómo se productiza esto? ¿Para quién es? ¿A quién se lo vendéis?

Al final, hay muchísimas empresas que están ahora haciendo toda la parte de transformación con agentes, eh, y esos agentes muchas veces necesitan información de fuera.

¿Qué significa esto, empresas que están haciendo transformación con agentes?

Por ejemplo, eh, todas las empresas que están, eh, cambiando "workflows" internos-

Vale.

De, eh, recaptación de datos, de "know your customer", que le, que, que le llaman, ¿no? De entender qué clientes tienes, de, de ver, eh, ciclos de venta, información de clientes, de proveedores, de, de, de mu-- de muchas cosas. Información legal también, departamentos de legal. Entonces, lo que necesitan estos agentes es información fiable.

Ahora mismo estas empresas o utilizan productos que ya existen o, vamos a decir, quizá para entenderlo un poco más a medio nivel de profundidad, se hacen sus propios agentes.

Sí.

Sí, y eso es-

Con N8n...

Que eso es perfecto, sí.

Con un modelo de OpenAI, por decir algo, ¿no? Entonces dicen: "El usuario me pregunta una cosa en el chat de mi web, yo miro la información de mi, de mi web, ¿no? Miro este documento que yo te he subido en un PDF y le contestas, ¿no? Y la gente se monta un agente sencillito en diez minutos hoy en día.

Sí.

¿Dónde enchufas, eh, Cala?

En el momento en el que en tu, en tu proceso que quieres automatizar, donde estás construyendo este agente, este agente necesita de información que sea pública, ¿no? Y estamos viendo que ahora más y más están saliendo, eh, empresas y, y, eh, modelos de agentes que necesitan esa conexión a Internet, ¿no?

Mhm.

A veces cuando haces un agente necesitas información que la empresa tiene, información privada.

Privada.

Ese PDF que tú has mencionado. Y hay veces que es información pública, ¿no? Lo que decimos.

La facturación de X.

La facturación de X, ¿no? Si estoy, por ejemplo, soy un banco y estoy evaluando riesgos de una empresa-

Mhm.

Dame información sobre esa empresa. Esa información es pública y está accesible en Internet.

Mhm.

La cuestión es cómo la encuentras y cómo encuentras la información que sea correcta, ¿no?

Vale.

Que puedes encontrar ahí mucho ruido, como hemos dicho. En ese momento es donde entra Cala, es donde ese agente, en vez de hacer lo que muchos están haciendo ahora, que es: me conecto a web search, ¿no? Como hace OpenAI cuando le preguntas alguna cosa y tirar directamente de Internet. El propósito de Cala es ser este, esta capa intermedia de: pregúntale a Cala en vez de irte a buscar y empezar a hacer las cosas en "runtime", que es más costoso, es menos fiable, es más lento.

¿Cala ya tiene toda-- todos estos repositorios, eh, indexados o lo vais a buscar afuera?

Nosotros indexamos antes de que nos llegue la pregunta. O sea, un poco la, la gracia o el cambio de planteamiento es indexar como haría un "search engine", sin ser un "search engine", indexar toda esa información previamente para que cuando tú me preguntes, eh, esa información, yo la tenga disponible al momento ya verificada.

O sea, hay un modelo en vuestros servidores que tiene las facturaciones de todas las empresas, de todos los periodos de la historia.

Obviamente, se va procesando.

Sí.

Esa información es, es, no es estática, no se procesa de una vez, sino que vamos consumiendo información a medida que la vamos, eh, encontrando.

Pero si yo la pregunto ahora, la respuesta es: ya está ahí.

Por ejemplo, la facturación-

O sea, la facturación de Billings ya está en el modelo.

Si, si está en el registro merca-mercantil.

Si está en algún registro mercantil oficial que vosotros habéis considerado. O sea, vosotros habéis hecho un trabajo de curación, de fuentes reputadas.

Bueno, ahora, ahora nos, ahora nos metemos en ese tema.

Venga, ayúdame a entender.

¿Vale? Em, claro, tú podrías Tú puedes decir: "Vale, pues yo hago un proceso de curación de fuerte-- de fuentes reputadas". Pero no terminaríamos mu-nunca, porque hay muchísimas fuentes y además hay fuentes que pueden ser fiables para un cierto tipo de dato pero no para otros. Entonces, lo que nosotros hacemos son modelos, eh, de reputación. Es decir, eh, tienes un agente interno que lo que está haciendo es decir: "Vale, esta persona hablando de este te-- de este tema en este medio, voy a, voy a decidir que tiene una reputación buena, o sea, que sabe de lo que habla o no".

Y está todo el rato intentando-

¿Cómo lo hace?

Em, la-- lo hace comparando con lo que ya sabe. Son sistemas que son de, que s-

O sea, si pilla a esa persona diciendo algo con lo que el modelo no está de acuerdo dice: "Esta persona no está siendo verdadera".

Claro, a ver, o sea, tú lo que haces es, em, tú empiezas a aprender. Lo, lo primero es como cuando tú empiezas a aprender de algo. Empiezas a aprender de las fuentes, que son las fuentes, yo qué sé, pues si quieres saber de registros mercantiles, te vas al BORME, no te vayas a otro sitio, ¿no? O sea, facturación de empresas, o están ahí o están en el mercado de valores, ¿no? O están no sé dónde.

Vale, hay dos o tres fuentes.

Yahoo Finance.

Vale. Entonces, las fuentes empiezan a, a aprender el sistema, que no es un modelo. O sea, nuestro sistema es un knowledge graph, es un grafo de conocimiento de, de información, ¿vale?

No es un modelo, ¿eh?

No es un modelo. Eh-

Son muchos modelos.

O sea, es una base de datos. Porque al final lo que tú te interesas, o sea, lo que estamos haciendo es una base de datos de información curada.

Vale.

Fin. O sea, no es-

Un ejemplo es facturación. Ahí hay una nube o datos financieros de empresas. Hay una nube de datos financieros de empresas y dices: "España".

Y tú las vas metiendo ahí todo en un-

Factorial.

Factorial. Y tenéis ahí los datos que habéis encontrado de una fuente que vosotros-

De una fuente fiable o que hemos pensado que es-- que hemos decidido que es fiable de, de Factorial. Entonces, lo que estos sistemas hacen es empiezan por las fuentes que son más obvias y ahí ya tienes un conocimiento. Entonces, igual que tú cuando ya sabes de un tema y te viene alguien a hablar de algo que no tiene ni idea y tú ya lo pillas porque tú ya más o menos sabes y dices: "Esto no tiene nada que ver". El algoritmo de reputación hace lo mismo, o sea, compara con los facts que ya tiene.

Si lo que tú me dices coincide mucho y me das una cosa que yo no tengo, voy a pensar que más o menos sabes de lo que hablas y te voy a poner buena reputación. Si lo que me dices ya no me cuadra nada y yo sé que yo-- lo que yo tengo es certero, mmm, voy a pasar de ti. Entonces, estos sistemas lo que hacen es que capa a capa a capa van teniendo una base de datos de conocimiento más fiable y cada vez son mejores en entender quién sabe de sus temas y quién no.

Entonces, vas ampliando el conocimiento y entonces al principio empiezas con unas fuentes más limitadas, pero cada vez le puedes dar más libertad al algoritmo de ir a buscar fuentes más secundarias o terciarias para meter conocimiento.

Mhm. Entonces, vosotros tenéis principalmente dos tecnologías muy importantes. Una es la base de datos de conocimientos y la otra es ese modelo de descubrir fuentes, eh, fiables.

Sí.

Y, y obviamente el uno alimenta a la otra. Los dos, de hecho, se retroalimentan.

Sí. A mí me gusta añadir una tercera.

Es lo que iba a decir, la information retrieval.

Exacto. Es decir, tú puedes tener ese sistema, este repositorio de datos con toda esa información verificada, que una de los, eh, de las dificultades que hay, especialmente cuando uno se mete con modelos de lenguaje, con agentes, es cómo le das la información justa para que haga su tarea o responda a la pregunta del usuario, ¿vale?

Lo que hablamos, el context.

El context de la gen-- de-

Context engineering, ¿no? Que se habla hoy en día. Entonces, eso es un paso no trivial, especialmente cuando tienes más datos, ¿no? Cuando una empresa es pequeñita y se hace su agente y le sube un PDF, el contexto es claro y es muy pequeño. Cuando estamos hablando de intentar recopilar el conocimiento de Internet, estamos hablando de escala exabytes de datos.

El, el BOE-

Cómo encuentras-

Exabytes.

Sí. No ahora, pero es una proyección.

No es el tamaño de vuestra base de datos, sino el tamaño de el cuerpo de información al que vais a buscar datos.

Exacto, exacto. Entonces, cómo encuentras ese, ¿no? El famoso nido del hinajaste que es la aguja en un pajar para darles información. Porque uno de los grandes problemas y si no vas-- estás en el mundillo, antes Eli ha hablado de RAG, ¿no? De estos sistemas para, para obtener información que tú tienes, ¿no? Uno de los grandes pr-problemas es lo que se llama, eh, a ver en qué se llama, information overload, como sobrecarga de información a los modelos de lenguaje y a los agentes.

Tú les das ahí mucha información, esperas que eso sea una caja mágica y que te responda bien. Generalmente, en ese, en ese contexto no funcionan.

O sea, este, el, el ejemplo yo creo más tonto que se me ocurre a mí de mi vida propia es Google está tan, eh, hackeado, ¿no? O sea, tanta gente lleva tantos años profesionalmente metiéndole cosas a Google para rankear, ¿no? Para subir arriba y, y recibir tráfico, que a mí al final me ha llegado a dejar de ser útil.

Muchas veces Google, pre-ChatGPT, eh, buscaba una cosa y siempre tenía que poner la palabra Reddit, porque digo: "De toda la mierda que tú has indexado, cuéntame lo que encuentres en Reddit". Y porque yo he decidido que una fuente fiable, que ya me dirás tú de Reddit, pero bueno, es más fiable que toda la gente de SEO que está enchufando contenido en Google, ¿no?

Digo: "Búscame lo que esta gente rara de Reddit dice sobre cuál es la mejor tele para comprarme en 2025", ¿no? Por ejemplo. Em, claro, esto también está pasando en los modelos ahora, ¿no? Todo el mundo está tirando toneladas de porquería para salir en las respuestas de ChatGPT, de Llama, de, de todos los modelos.

Exacto.

¿Vosotros, eh, también os beneficiáis de, de la información de estas, digamos, de, de las masas de volumen o os limitáis a lo que está hipercurado de poc-- relativamente pocas fuentes?

O sea, yo creo que como ha dicho Alex, es un proceso. Es decir, empiezas por esas fuentes que son más reducidas, son más curadas, sabes que como la, eh, la verdad es un poco más fácil de discernir y a partir de ahí puedes empezar a expandir y abrir ese abanico. Y a me-- a medida que ese segundo sistema empieza a generar ese, esa reputación sobre los creadores de contenido, por así decirlo, eh, o de información, puedes abrir más a estas fuentes no fiables, ¿no?

Es decir, habrá momentos en los que para ciertas cosas Reddit quizás tengas que mirarlo. Si yo lo que quiero es saber opiniones sobre un producto X, las opiniones pues las encontraré en Reddit, las encontraré en un foro determinado, ¿no? Pero no para las specs de esa tele que tú estás buscando, ¿no?

La medi-- las respuestas sobre un diagnóstico médico, por ejemplo Este es un tema que tocáis vosotros. Si yo pregunto qué medicina me tengo que tomar o, el, ahora que está de moda, eh: el Tylenol, eh, es seguro cuando estás embarazado o causa autismo, ¿no? Que ha habido una polémica. Claro, imagínate que yo me quiero contestar esa pregunta.

Mhm.

Eh, ¿Qala me ayuda a contestar esta pregunta?

Yo creo que, y tú puedes opinar lo contrario si no, yo creo que lo que Qala te ofrece aquí es cuáles son las fuentes fi-- cuáles son las opin-opiniones fiables respecto a esto, cuáles son los estudios, ¿no? Una pregunta tan médica, pues al final tienes que ir a estudios clínicos.

Tienes que ir a la guía clínica.

Exacto.

Tienes que ir a los papers de investigación.

O sea, tú me dirás: "La guía clínica-

Seguro

...de los, eh, ginecólogos de Estados Unidos o de Reino Unido no recomiendan tomar esta medicina tal".

Eso es.

Tú me das este fact.

Exacto.

Que no es que lo causa o no lo causa. El fact es: la recomendación de los médicos de Reino Unido es esta.

Exacto. Con esa trazabilidad del dato, que yo creo que es algo que no hemos tocado, pero que también es importante.

Esto, ¿no tendría todo el sentido del mundo que lo estuvieran haciendo Google, que es el gran archivador de conocimiento del mundo, y OpenAI, no? Que es el, el challenge, el challenger, el que, el que le está apretando por detrás.

Sí, eh, tendría sentido. Lo que pasa es que, bueno, nosotros apostamos que Google al final tiene un modelo de negocio que se basa en ads. Está en esa transición de cómo pasa un modelo de negocio basado en ads a un modelo que te da una única respuesta.

Mhm.

Porque ellos al final juegan con el ranking. Y para hacer algo que fuera más hacia el dato, eh, factual, tendrían que buscarse otro negocio. O sea, lo pueden hacer y, y, y tendría sentido, pero tendrían que cambiar todo su modelo de negocio.

Sí, pa-para hacerte un poco de reto. O sea, yo uso Google, vamos a, a asumir que todavía no existe ChatGPT, ¿no? Pero cuando yo le pregunto cuál es la capital de Singapur.

Mhm.

Eh, no voy a transaccionar, pero cuando le pregunto qué tele me recomiendas, ahí me voy a gastar una pasta.

Sí.

Entonces, que te conteste la capital de Singapur, mmm, con facts, sin anuncios, seguramente no le afecta a su modelo de negocio. Lo importante es que cuando yo me quiera comprar una tele, Google rasque algo de esa tele que yo me voy a comprar.

Claro, pero en ese momento no escala. O sea, nosotros-- o sea, en el momento en el que tú necesitas una opinión sobre comprarte una tele, no escala. Nosotros-

Claro, pero eso Google ya lo tiene resuelto lo de la tele.

Claro. O sea, que, que Google podría hacer Qala y luego venderlo a la gente que hace agentes.

Venderlo no, simplemente utilizarlo para dar mejores respuestas, ¿no? Entiendo yo.

Bueno, es lo que hacen ahora con la, con el, con el, la nueva cajetilla, con el AI summary, eso es lo que están haciendo.

El Ge-Gemini que te enchufan arriba de todo.

Sí, lo que, lo que están haciendo es un principio de eso, pero yo creo que es un... bueno, lo podrán hacer, eh.

No lo han hecho.

A día de hoy, bueno, tienen el, el, ese, ese principio, ¿no? Eh, que además, bueno, conocemos el equipo que lo está haciendo.

Sí.

Em, y, y podrían, sí, pero yo creo que es un negocio diferente. Es decir, no es, no es su, su negocio.

También una cosa que yo creo va a poner un poco en perspectiva, sobre todo a nivel de negocio de Qala y demás, es el enfoque que, que, que tenemos también. Es un poco es-

Venga, contadme, ¿dónde está el negocio?

No, bueno, al final es una de las grandes, eh, yo creo, cosas que aporta Qala es esa parte de somos auditables, tenemos toda esa trazabilidad del dato. El sistema no es, eh, como aleatorio, ¿no? No tiene ese, ese componente tan aleatorio que ves en estos, eh, sistemas tipo OpenAI, ChatGPT, Perplexity y demás, sino intentamos bajarlo lo más determinista posible.

Porque es una base de datos.

Lo más fijo. Exacto. No es el modelo tirando de su memoria, tirando de un resultado web que cambia día a día, sino es tirando de un repositorio que obviamente es dinámico, pero es dinámico cuando ya consideramos que ese dato es correcto, ¿no? Entonces, ahí, especialmente para empresas, un poco lo que nos dices al final. Puedes tirar de Google, obviamente.

Como usuario, quizás sí, y puedes tener-- aceptar ese riesgo de que la respuesta de cuál es la capital de X no sea correcta. Si yo soy una empresa, departamento legal y tengo que saber cuál es la retención en Alemania para un trabajador, quizás me lo quiero pensar dos veces antes de fiarme de la primera cosa que me da ChatGPT o Google Search.

Buena suerte con esa pregunta, ¿eh? Cálculo de impuestos.

Sí.

Sí, sí, sí, sí. Es algo muy complicado.

Y el problema no es cuando lo hace una persona, el problema es sobre todo cuando lo hace un agente.

Exacto.

Porque el agente no, no tiene, es, es-

No tiene criterio.

Claro, no tiene ese criterio que tienes tú de decir: "Respóndeme solo de Reddit". Entonces, eso es lo que te está ofreciendo Qala, de alguna manera, ¿no?

Acotáis el mundo de potenciales respuestas a los que, a los que tiene acceso.

Claro.

Eh, ¿cuál es el modelo de negocio de Qala?

Eh, al final, eh, Qala es una infra-- es una compañía de, de infraestructura de datos donde cualquiera que esté haciendo agentes se puede conectar a ella a través de AMP-CP, del protocolo este que, que, que ahora, que ahora se usa. Entonces, nuestro modelo de negocio, pues, eh, es, eh, es el típico tier-based pricing. O sea, tienes desde un modelo pequeñito para, para personas haciendo cosas más personales, uno para, para empresas pequeñas o equipos pequeños y otro para empresas grandes que están haciendo toda-

¿Cobráis por búsqueda, cobráis por usuario, por empresa, precio a medida?

Por búsqueda.

Por búsqueda.

Por búsqueda.

¿Cuánto cobráis?

Eh, el pricing aún, aún no hemos lanzado públicamente y el pricing no es, no es conocido aún.

Pero hay un pricing.

Bueno, estamos... ahí.

Estáis en ello. ¿Facturáis?

Eh, estamos empezando a facturar, sí, con design partners.

Estao-- estáis empezando a facturar con design partners, que design partners es otro concepto que se ha puesto de moda últimamente.

Sí, sí.

Que son los conejillos de Indias.

Sí, al final es cuando tu tecnología aún no está-

De toda la vida, ¿no? O beta.

Early adopters.

Early adopters, ¿no? Le hemos ido cambiando el nombre.

Al final la idea es que en Qala nuestro propósito es procesar todo Internet.

Sí.

Fact checkearlo, ¿no? Y sacar solo información relevante. Eso es un poco grande, ¿no? Como objetivo.

Está bien, está bien, sí. Eso se entiende.

¿Qué hacemos? Empezamos, empezamos por verticales. Entonces empezamos: vale, primero metemos dato legal. Vale, pues buscamos un design partner en legal que nos ayude a ver que lo que estamos haciendo, pues no se nos esté yendo la olla. Luego lo hacemos en finanzas. O sea, vamos buscando por verticales.

¿Es público quiénes son los design partners?

No.

No. ¿Y no queréis que lo sea?

Eh, por ahora no.

Vale. ¿En qué espacios es? ¿Legal es uno de ellos?

Eh, sí, estamos empezando con dato legal y con dato financiero.

Dato legal y dato financiero. Vale.

Mhm.

Em, ¿habéis levantado dinero?

Eh, sí.

¿Cuánto?

Eh, aún no es público.

Vaya. Aquí ya no hay Apple, ¿eh? Ha invertido Tim Cook, ¿no?

En realidad estamos supercontentos con la, con, con la ronda. Em, levantamos, eh, eso que te comentaba antes, que levantamos cuando yo estaba embarazada y ha sido un proceso superbonito. Em, y, y aún no es público, pero, pero pronto yo supongo que se tiene que saber. Lo que pasa es que a mí no me gusta nada hablar de-- como que a veces parece que, que el éxito son las rondas y en realidad lo tienes todo por hacer aún.

Entonces, estar hablando de que hemos levantado, hemos hecho esta ronda o esta otra.

¿Habéis hecho una ronda seed, preseed?

Hemos hecho una preseed Eh, y eso nos da para, para montar el tinglado que estamos montando. Y estamos muy felices de poder estar-

Y empezando a facturar ahora con un par de design partners.

Sí.

Vale.

Estamos muy empezando.

¿Los fundadores sois los dos?

Sí.

Sí.

Eh, pe-¿cómo es que has cambiado de cofundador? De Billings a Cala.

Ah, pues, pues mira, la verdad es que, eh, porque Juan Carlos, como no se quedó en Apple, eh, mo-montó otra. Entonces, se fue a hacer otra empresa y, y no hemos encajado de timings, pero...

Vale. Y luego otra cosa curiosa, tú eras la CTO en Billings y ahora tú eres la CEO y tú eres el CTO.

Sí.

Es que, bueno, o sea, si conoces a Isay, te vas a dar cuenta que no tiene ningún sentido que yo sea CTO ya más en la vida. Va a ser Isay. Entonces, yo relleno el agujero que hace falta. Hacía falta un CEO, pues me pongo aquí a tapar el agujero, pero porque, porque es que tiene que ser Isay el CTO, ya está. No hay otra.

Bueno.

Lo que hay.

Vale. Em, ¿cuál es el futuro de, de Cala? ¿Dónde, dónde veremos Cala evolucionar?

Eh, yo creo que, que el futuro puede ser muy bonito, porque yo creo que podemos tener un impacto superchulo, eh, por las dos cosas que nos movían al principio, ¿no? Primero, en conseguir que estos agentes usen información fiable y el mínimo de sesgada posible y conseguir, pues que todo lo que se desarrolle encima. Hay un montón de startups que están empezando a hacer productos basados en agentes, y esos productos usan información pública, ¿no?

Entonces, ¿cómo les damos ese contexto que necesitan para que los productos sean justos, eh, lo menos sesgados posibles, etcétera? Y luego toda la parte de, de impacto medioambiental, que yo creo que es muy importante. Al final tú puedes seguir aumentando tu modelo y hacerlo cada vez más grande para preguntarle cosas de la memoria. O puedes usarlo solo como, solo como, como modelo de lenguaje, como traductor lenguaje query y usar una base de datos de toda la vida.

Y no hace falta que tenga todo el conocimiento del universo, ¿no?

Claro, claro, para eso están las bases de datos.

No hace falta que sepa hablar.

Es que son mucho más eficientes a eso. Entonces, usemos cada tecnología para lo, para lo que podemos usarla y nos va a dar mejor resultado.

O sea, es cierto que esto es un poco la contradicción o la paradoja de, de los LLMs, ¿no? De los large language models, pero a su vez... O sea, déjame explicar cuál es la paradoja que yo veo. Que por una parte es matar moscas a, a, a base de bombas nucleares. Ya no es ni cañonazos, ¿no? O sea, es una bomba nuclear que destruye el sol para matar una mosca.

Sí.

Pero esa brutalidad de la fuerza bruta es lo que también nos ha permitido hacer unos saltos increíbles de lo que es posible, ¿no? Y de que el famoso AGI o, o el superintelligence, da igual. N-nadie sabe lo que son estos conceptos, pero la realidad es que hoy tenemos inteligencia artificial que todos alucinamos, ¿no?

Que nos permite hacer cosas que ya de repente, eh, te abre, te abre la mente en cosas que hace tres, cuatro años no parecían posibles. Y hay quien argumenta, de hecho, antes has dicho lo de las nucleares y te lo quería preguntar, que el estar yendo tan a saco, hacer esta fuerza bruta y avanzar tan rápido en descubrir lo que es posible, quizá nos permite hacer la fusión fría y, y, o, o descubrir la cura del cáncer o de-- o descubrir infinita, eh, energía ecológica y sostenible, ¿no?

Entonces, ¿cómo veis vosotros este dilema entre la versión Sam Altman, yo no le conozco, pero voy a asumir que es la suya, que es ir a gas, ¿no? Y, y me, me cargo todo lo que está en mi camino por el bien de la humanidad. Porque ese avance en conocimiento nos va segurísimo a revertir en, en mejora de calidad de vida, de planeta, de todo.

O la versión un poco más conservadora de: "Oye, no te cargues el planeta por el camino".

Sí. Yo aquí soy muy escéptico. Estás entrando en-

No eres team, no eres team Sam.

Soy cero, menos, menos mil team Sam.

Vale.

Em, yo creo que parte del desencanto con-- de la IA que hablamos al principio viene un poco por estos tech moguls predicando un poco ideas que, a mi parecer, obviamente opinión personal, eh, son totalmente erradas. Y yo creo que está un poco, hay una, un concepto que a mí me gusta mucho, que es el mito del progreso, ¿no? Y cómo el progreso nos va a ayudar a solucionar los problemas que ha producido el progreso, ¿no?

¿Tú no crees en esto?

No, yo no. Y no estoy diciendo si va a haber AGI o no y que se pueden hacer cosas muy chulas. Y se está viendo que gracias a estos modelos de lenguaje llevados a la parte, por ejemplo, de track discovery y tal, son cosas que son muy chulas.

Claro.

No es como negacionismo del progreso. Creo que está muy chulo y creo que precisamente parte de al menos mi desencanto es que el mundo del deep learning de la IA, pues quizás hace cinco años era un campo en el que a nivel de, de, de investigación era muy chulo. Había mucho open research, había estas comunidades, estas conferencias, que un poco por estos gigantes tecnológicos creo que se ha perdido, porque ahora es product first y quién lanza algo primero y más grande y hace más bum, ¿no?

Y yo creo que la gente que esté trabajando un poco en el, en el mundillo del deep learning lo habrá notado y yo creo que estaría de acuerdo en que las conferencias han perdido un poco de, un poco de esa reputación, publicar un paper.

Si vas a una conferencia, Zuckerberg te hace una oferta de un billion para entrar en Meta. O sea, es una guerra.

Y tienes que pasar un proceso, un proceso de peer review del paper, ¿no? Se han perdido un poco algunos procesos, ¿no? Entonces, eh, si nos ayudará o no, nadie lo sabe, como tú has dicho antes, pero creo que cargarnos todo por delante a una, a una carta, a una hipótesis, a mí no me parece razonable cuando hay alternativas. Es decir, creo que a nivel de investigación está muy chulo esto de: "Vamos a probar un modelo más grande".

Para mí lo que no tiene sentido es que ese modelo de cien billones de parámetros lo uses para preguntar, ¿no? Como telepatía.

El presidente de-

A mí me sale mal.

Claro. ¿Cuál es el presidente tal? Pues que hace una búsqueda normal de toda la vida, ¿sabes?

Ya, pero es un poco como les cuesta a ellos dinero, porque yo pago veinte euros al mes y, y los pago, gaste o no gaste, ¿no? Digo, la fuerza de los mercados, ¿no? El capitalismo tiene todos sus defectos, pero también tiene unas cuantas ventajas. Que es decir: "Oye, como la factura le llega a Sam, ya se encargará Sam de no malgastar esas GPUs y esos gigavatios de, de energía en contestarme una pregunta trivial, ¿no?

Yo un poco tengo fe en que es-- que el mercado va a poner a su sitio el uso de recursos.

Si te comiera su propia paradoja, eh, la inteligencia artificial ya le solucionará a Sam el tema de modelos. Pero la realidad es que lo que están haciendo son modelos más chiquititos y lo estamos viendo. O sea, ahora-

Y un router. Un ordenador, ¿no?

Ahora empiezan a hacer modelos más pequeños, más ad hoc. Y, y esto está bien, porque yo creo que es muy necesario. Es decir, a veces hará falta tener el, el megamodelo para desco-- para descubrir protein folding o no sé cómo se dice en castellano. Em...

Pliegue de proteínas.

Vale, pliegue de proteínas. Y, y, y para hacer descubrimientos que, que seguro que no se pueden Con, con otras cosas. Genial, usémoslos para eso, pero no los usemos, eh, sin, sin mirar para dónde. Entonces, hay una, hay una parte económica de capitalismo, que es verdad, que esto se va a resolver. Se va a resolver porque como a, como es un coste a nivel computacional muy alto, hay muchos equipos trabajando en modelos más pequeños, modelos más ad-hoc, etcétera.

Modelos más eficientes.

Claro, nuestra propuesta va en esa línea también. Es decir, y, y, y ojalá hagamos modelos más pequeños. Cuando se puede hacer una query en una base de datos, se haga una query en una base de datos, porque usar un modelo como, como memoria es una soberana tontería. Em, además que no te va a ir bien. O sea, puede alucinar y puedes tener muchos problemas. O sea, haga-hagamos todos un, un, un espacio, un ecosistema de tecnologías que nos permitan usarlas de manera más, más eficiente.

Y no solo a nivel monetario, eh, eh, capitalista, sino también a nivel, a nivel planetario, porque, porque nos estamos cargando muchas cosas.

La experiencia a nivel, a nivel sociedad, a nivel planeta, porque luego sí que hay, hay gente que, que, que es la excepción, ¿eh? Hay mucha, pero no es suficiente. A nivel planeta, a nivel ser humano, eh, la gente siempre quiere más, más barato y más conveniencia.

Sí.

Mhm.

Y esto incluye el reciclaje, incluye la comida orgánica, incluye las prendas de ropa, ¿no? O sea, en cualquier decisión de consumo de, del día a día, la humanidad en total, aunque haya alguien que diga: "No, esto no es verdad, porque yo cada día ando cuaren-- cuarenta kilómetros para comprar el tomate ecológico". Okey, tú sí, pero el planeta entero no lo hace.

Sí.

Mhm.

Eh, porque en general no se lo puede permitir.

Sí. Eso-

E-entonces, ¿no, no creéis que hay esta fuerza de mercado que, que quizá... Cómo lo has llamado tú? El mito...

Mito del progreso.

El mito del progreso me ha gustado, ¿no? O sea, voy a, voy a investigarlo más, pero el mito del progreso no existe en el vacío, ¿no? Existe en un mundo capitalista.

Sí, sí, claro.

Que, que le va poniendo a su puesto, a, a su sitio, ¿no? Al progreso, porque dice: "Vale, tú, eh, vale que quieres usar modelos cada vez más grandes, pero ¿quién paga esto?" ¿No? Porque Microsoft ya ha, ha dejado de pagar. Luego viene Masayoshi Son, luego viene, eh, Arabia Saudí, pero al final se acaba el dinero y hay que empezar a hacer que, que OpenAI sea rentable en algún momento.

O sostenible, sí, sí.

Pero ahora están quemando...

Ahora están quemando, pero, pero también también están desarrollando, ¿no? También están innovando, lo que entre otras cosas, quizá vosotros os permite ver la oportunidad de, de Kala, ¿no? Y a nosotros reinventarnos como producto. O sea, em, no sé, a mí me gusta el progreso.

Sí, yo creo que estamos en un momento superinteresante y es verdad que, que cuando empiezas a mirar, pues, to-todo lo que está pasando a nivel pla-- a nivel planeta, la, la solución es el decrecimiento y nuestra economía no está basada en el decrecimiento, está basada en crecimiento. Entonces, es muy difícil no cargarnos el planeta cuando queremos todos crecer más. Es, es muy complicado. Em, sí que es verdad, pues, que en la IA esto se ve por mil, ¿no?

Porque, porque todo ha explotado. Pero, pero yo creo que hay cada vez más, más personas, más, más desarrolladores que ven también eso, eso como que, que no es un objetivo en su vida. O sea, que, que habrá mucha gente que quiere, que quiere usar la IA para, para, para propósitos nobles y, y muchos que dicen: "Ya, pero, pero usarla para quemar energía, para quemar procesado, tampoco".

Y está habiendo como una, yo creo, un-una subcorriente, ¿no? De, de personas que a nosotros, por ejemplo, en hiring nos, nos ha ayudado.

Sí.

Nos ha ayudado bastante.

O sea, gente que, eh, quiere formar parte del, del huracán de la inteligencia artificial, pero que quizás se está apartando...

Desde el cambio.

Desde el cambio.

Desde el cambio.

Del since cambio.

O sea, es fácil criticar desde fuera y en general siempre me pongo del lado de, de los emprendedores en general, ¿eh? Aunque, aunque cometan errores o se les pueda criticar. Pero Elon Musk, ¿no? Que es el enemigo número uno de Sam Altman, a su vez también tiene muchas cosas que la gente le está criticando, ¿no? Una de ellas, por ejemplo, es Grok XAI, eh, desarrollando como increíbles modelos que programan, que contestan, que tal, pero luego hace companions, ¿no?

Hace, eh, novios y novias virtuales, que la gente dice: "Oye, ¿esto es el futuro? ¿El futuro es todo un mundo que en lugar de hablar con una persona de carne y huesos, está hablando con un novio o una novia digital?" Eh, Meta, que acaba de sacar un feed de vibes, creo que se llama, ¿no? Meta Vibes, que es un feed de... Le llaman AI's Love, ¿no? De vídeos autogenerados, eh, tal.

Y ChatGPT, o sea, perdona, OpenAI, que acaba de sacar Sora, la aplicación que también hay quien le llama, eh, AI's Love. Pero bueno, el argumento de Sam Altman y compañía es: "Esto nos permite vender más suscripciones de OpenAI, que nos permite hacer más research, que nos permite curar el cáncer".

Sí. Bueno, ojalá, ojalá.

Y hay quien dice: "No, te estás cargando el planeta haciendo vídeos, eh, de memes, eh, sin parar".

Yo creo que todo va a ser verdad. O sea, se cargará el planeta y conseguiremos grandes cosas.

Y lo arreglaremos.

Y, y, bueno, o sea, sobreviviremos a lo que toque, como, como siempre. O sea, es una revolución. Cada revolución siempre se lleva cosas por el camino.

Mira, ahora os llega... ¿Quién os gustaría más que os comprara la empresa? Y hay que elegir uno. No puedes decir ninguna.

Gran pregunta, porque además-

Hay que elegir uno. Tim Cook, Mark Zuckerberg, Sam Altman.

Es que...

Me estás poniendo en una situación.

Es que empezamos, empezamos Kala porque la verdad es que el, el-

O Elon Musk. Cuatro.

Es que... Fua. Y tiene que se-- tenemos que decir uno, ¿eh?

Uno. O, o un quinto. O sea, uno de los cuatro o un quinto, pero no podéis escaquearos.

Es que yo no, no quiero que nos adquieran.

A ninguno de esos.

Vale, no queréis que os compren, pero si tuvierais, por lo que sea, te vierais forzados a vender, Tim Cook, Mark Zuckerberg, Sam Altman, Elon Musk o comodín.

Es que... Hay tres ahí que seguro que no.

Hay tres ahí.

¿Cuáles son los que seguro que no?

Todos menos Tim Cook.

Todos menos Tim Cook. Vale, se veía venir.

No, pero no por-- yo creo que no por el-

No por el francotirador de Apple que tenemos ahí detrás, ¿eh?

No, no, no, porque, o sea-

Por otras razones

...es que los-- o sea, al final nosotros em-- cuando, cuando empezamos dijimos: "Es que no queremos hacer IA, porque, porque es-- hay, hay como todo, o sea, todo este ecosistema y yo no me siento representada. Yo no me siento nada representada con, con la visión, con la visión de progreso, con lo que se está consiguiendo, con el precio al que se está consiguiendo las cosas". Em, y queríamos algo diferente.

Y, y empezamos Kala con la idea de ser una alternativa diferencial que nos gustaría que fuera a nivel global, eh, de todo esto. Entonces, claro, es difícil decir quién quieres que te adquiera si justamente sales como diciendo: "Es que no-

Me quiero alejar de todo eso.

"Me quiero alejar de, de, de estas personas, porque están consiguiendo grandes cosas, pero yo no me siento representada, eh, con, con ellos". Entonces, Tim Cook quizás es el que está más lejos de, de eso, ¿no? Ahora mismo.

Sí. Un poco.

Y siempre nos han cuidado bien

Dos por uno

Pero no sé

Donde cabe una, caben dos, ¿no? Em, oye, antes de acabar, que nos hemos pasado un, un poquito de tiempo, pero como había muchos capítulos, había, había muchos temas por, por tratar. Habéis levantado, aunque no se ha anunciado todavía, una ronda. No sabemos de cuánto dinero, pero como tenéis un track record, me imagino que no será una ronda de cien mil euros, sino que quizás estemos hablando de-- la verdad es que no lo sé, ¿eh?

Pero me imagino que será una ronda de quizá pocos millones de euros, algo así. Eso te pone en un camino que típicamente acaba en una venta de compañía. Cuando un VC, cuando un venture capital invierte, típicamente acaba o en cierre o en venta de compañía. Alguna vez en, en IPO.

Mhm.

Eh, ¿qué le decís vosotros a los inversores? ¿Cuál es el camino que queréis que siga Cala? ¿A dónde, dónde recibe dinero el inversor?

Para mí vamos a IPO. O sea, también, a ver, la verdad es que en, en Billink nos quedamos un poco con, al menos yo, con la espinita, eh, ¿no? De, de haber hecho crecer, eh, ese proyecto más y en realidad era un equipo superbonito y podíamos haber conseguido muchas cosas. Entonces, a mí si me preguntas, yo veo IPO.

No... Pero luego, o sea, yo creo que siempre hay, hay que ir con visión IPO y luego el mundo te lleva donde te lleva y, y te bajas, te apeas en la estación que te toca apearte, que, que decidirá la historia, no tú. Entonces, bueno.

Sí.

IPO, si me preguntas.

Vale, bueno, pues seguiremos desde aquí el camino de Cala hacia el IPO. Antes de irnos, una recomendación, em, libro, contenido, película que os haya inspirado como emprendedores, que queráis recomendarme a mí y a la audiencia. Uno cada uno.

¿Como emprendedores o puede ser...?

Emprendedores.

Lo que os, lo que os apetezca. Una recomendación cada uno.

Yo voy a hacer una recomendación de una película que yo creo que es de las que más me ha tocado últimamente, que se llama All of Us Strangers.

All of Us Strangers.

Strangers. No apta para, yo creo, quizás to-- es muy emocional, o sea-

Es que las películas son durísimas siempre. Yo no las veo. Yo no. Terminas llorando. Cuando, cuando te recomiendan una película, terminas llorando.

Es de llorar, es una película de llorar.

Es una película muy-

¿Pero va de IA? ¿Va de IA?

No, no. Na-

Nada, ¿eh?

Nada, que por eso he dicho: "¿Puede ser libre?" Si es libre, tal. Si tiene que ser más de, del campo, me lo pienso un minuto mientras ella responde.

Vale.

A mí, a mí, em, a mí me gusta mucho el libro Salvar una vida, que es de-

Salvar una vida.

Salvar una vida. Em, el autor ahora...

Peter Singer.

Peter Singer. Em, de, que bueno, va de, de altruismo y de, y de cómo la, el altruismo objetivamente puede, puede conseguir cosas.

Esto es lo que se, se llama effective altruism. Tiene algo que ver con-

Effective.

Que se puso muy de meda, muy de moda con Sam Ban-Bankman-Fried, el fundador de FTX.

Mmm.

Creo que él estuvo envuelto-

Una, una burbuja y muy bestia.

Al principio y luego se separó un poco de eso.

Vale. Okey. Pues oye, tenemos, tenemos deberes, eh, película y, y libro que vamos a seguir. Pues de nuevo, muchísimas gracias por venir y contarnos varios capítulos de varias historias.

A vos por invitarnos.

Y seguiremos el, el camino de Cala desde, desde Itnig. Y cuando estemos en IPO, ya os volveremos a invitar para que nos lo contéis. Y si no, también, ¿eh? Si no, también os invitaremos para que nos contéis cómo, cómo vamos. Muchas gracias.

Gracias.

Gracias a vosotros.

Y a todos vosotros, hasta la semana que viene.