¿Cómo KREA.AI creó su modelo de IA para generar imágenes?| Podcast de itnig #424

El objetivo de KREA.AI es construir las herramientas creativas del futuro. Y nosotros creemos que van a existir encima de modelos de inteligencia artificial.

Generabas texto con los objetos de la foto, ¿no? O sea, con-

Sí. Se hizo tan viral que el Barça usó esa herramienta para una imagen. Consiguió más de un millón de likes. Esta es la parte donde se vuelve muy loca la historia. Se envía, bajamos, dormimos cuatro horas, nos despertamos y dice: "Chicos, estaréis durmiendo, pero Sequoia, S10C y Benchmark os quieren conocer".

Sí, pero es que quisieron DPA más heavy, ¿no? O sea, ¿tú le dijiste mucho a este VC o fue el primero?

No, no, pero es que yo no sabía lo que era un VC.

Yo creo que hay dos vertientes de cómo se va a utilizar esta tecnología. Una vertiente va a reemplazar el trabajo creativo y otra vertiente va a aumentar el trabajo creativo. Adobe lo tenían todo para ganar. Adobe no tenía un CEO que tuviese huevos y dijese: "This is the future".

La propiedad intelectual de las imágenes que usáis, ¿os preocupa?

Esto es una tecnología que se puede utilizar tanto de forma transformativa como de forma derivativa. El ambiente que se respiraba en ese momento en San Francisco era brutal.

Conocimos a Sam Altman en ese sitio, de hecho.

¿Ah, sí?

Sí.

Y me sacó su Slack de OpenAI y me empezó a enseñar generaciones de DALL·E 2.

Antes de que salga DALL·E 2.

Y yo dije...

Bienvenidos una semana más al pódcast de Itnig. Yo soy Bernat Farrero y hoy estoy con Víctor Pérez y Diego Rodríguez de KREA.AI. ¿Cómo estáis?

Muy bien. Muchas gracias por, por invitarnos al pódcast.

Bienvenidos al pódcast de Itnig. Oye, ¿qué es KREA.AI?

¿Qué es KREA.AI? Buena pregunta. KREA.AI es-

Es la pregunta.

Es la pregunta. KREA.AI es una... Lo que es, o sea, el objetivo de KREA.AI es construir las, eh, herramientas creativas del futuro. Y nosotros creemos que las herramientas creativas del futuro van a existir encima de modelos de inteligencia artificial. Entonces, hoy en día, KREA es una plataforma donde puedes acceder a todos los modelos de inteligencia artificial para media generation que existen.

Tenemos uno de los mejores productos para eso, tenemos todas las integraciones y encima de eso, eh, creamos, eh, nuestros modelos encima de open source y como lo haremos en un rato, pues llevamos unos seis o siete meses creando nuestro pro- eh, propio modelo. Pero al final es una creative AI suite, donde creativos de todos tipos pueden generar imágenes, vídeos 3D, en, fin.

Vamos a casos de uso más concretos, ¿no? Porque es, es una, una proposición muy, muy general, ¿no? Herramientas creativas.

Mhm.

O sea, concretamente, ¿cuáles son los casos de uso más típicos que hoy la gente soluciona con KREA?

Depende de la industria y depende de la, de la, de la herramienta que utilicen. Nosotros no nos posicionamos como, o sea, no estamos biased a ningún use case específico, pero si quieres puedo poner algún ejemplo-

Sí

...de industria, tool.

O sea, ¿qué hace la gente en KREA? Entra y, ¿qué hace?

La gente entra y ponle que eres un, un equipo de, de marketing de una, de Itnig y queréis hacer un ad para Instagram. Em, vienes a KREA, tienes un, un modelo de imagen, creas una imagen de un perrito con un cartel que pone, eh: "Welcome to Itnig" o lo, o lo que quieras.

Eh, después de tener esa imagen, te das cuenta de que está en baja resolución. Y quizá para Pin-- para Instagram te da un poco igual, pero ponle que la quieres para Instagram y luego la, y luego la quieres poner en un, en un post en la calle y necesitas muy alta resolución. Pues a partir de ahí le das a un botón y la llevas a otra herramienta que tenemos, que es, que es un enhancer. Y ahí la puedes tene-- la puedes aumentar a 4K o hasta 27K, si quieres, de resolución.

Y ponle que la, la lanzas, lanzas una ad campaign y funciona tan bien que quieres empezar a hacer vídeos con ella. Pues tienes, ah, herramientas de vídeo y otro tipo de herramientas que te permiten coger esa imagen y generar, pues todo un contenido audiovisual que incluye audio, incluye vídeo, incluye todo lo que necesitas para un, para una ad campaign que ya es un poco más seria ya, incluye vídeo con el mismo concepto que ha funcionado genial y ya, pues es como cualquier tipo de generación de contenido que necesites para algo como un ad.

Un equipo creativo lo, lo podría utilizar de diferentes formas, ¿no?

Twitter está lleno de vídeos generados con, con inteligencia artificial.

Mhm.

Y, y mucho slop.

Muchísimo.

Mucho slop.

Demasiado.

Mucho.

Muchísimo.

Demasiado. ¿Sois vosotros los del slop?

No.

¿No?

No, pero, ah, bueno, a veces seguro que sí.

Vuestros usuarios, me imagino, ¿no?

Algún usuario por ahí debe haber que hace slop, pero nosotros en sí no.

Eso ha evolucionado mucho, la, la calidad de los vídeos, ¿no? Hay este ejemplo del Will Smith con los espaguetis.

Sí.

¿No? Que antes, que era como muy ortopédico, no, no, se veía como muy falso y ahora es muy, muy, muy realista, ¿no? Hasta el punto que ya no sabes cuando ves un vídeo qué es de AI y qué no, ¿no? Entonces, vosotros lo que habéis hecho es agregar modelos. Uno de los últimos que más se ha hablado son Sedans, ¿no? Creo.

Sedans os ha sido uno de los...

Sedans os, eh, lo ha petado.

Sí.

Mhm.

Eh, y lo agregáis y, em, y, y producís vídeos y imágenes con muchos modelos.

Sí.

Pero habéis decidido crear vuestro propio modelo.

Mhm.

O sea, habéis visto un ángulo de mejorar esos modelos que cambian todo el rato, que están apareciendo en todos lados, en China, en Estados Unidos, en todo el mundo. Habéis dicho: "Oye, nosotros podemos crear un modelo mejor".

Es un, es un poco más nuance que, que eso, pero va por ahí.

Me, me interesa el...

El nuance.

Sí.

Okey. O sea, al final nosotros no empezamos como, como un API wrapper. O sea, no... El objetivo de KREA desde el principio no era agregar APIs y ponerlas en, en, en, en un producto. Y, mmm...

¿Cuál era el objetivo?

O sea, el, claro, al principio es que no teníamos ni puñetera idea de todo lo que se venía, ¿sabes? Esto empezamos-

Nadie, ¿no?

...cuando nadie lo sabía. Este, o sea, esto era 2023 y nosotros, o sea, yo llevaba desde 2017 jugando con, con estos modelos. O sea, yo vengo de un background creativo, después pasado a ingeniero y después pasado a la combinación entre research, creatividad e ingeniería. Entonces, veníamos de ver un potencial Al creativo muy experimental a el-- o bueno, má-más que, más que-- o sea, veíamos un potencial, pero veíamos una necesidad de creativos que no sabían cómo programar para utilizar esta tecnología que nosotros creíamos que era tan interesante para temas creativos.

Que en 2023, cuando empezamos, eran imágenes psicodélicas de 200 o 500 píxels, o sea, muy baja resolución. Todo eso, obviamente, pues ha ido evolucionando y lo que pensamos que iba a tardar cinco años en llegar, tardó en dos meses, que fue un poco el DALL·E 2, ¿no? O sea, la, los resultados que empezamos a ver con DALL·E 2, después Sora, después, pues todo lo que, lo que ha venido, esto bueno, no lo veía ver nadie y a partir de ahí, pues hemos ido iterando, hemos ido, hemos ido viendo, eh, por dónde tirar y durante el primer año o así, pues estamos haciendo, pues mil productos iterando, ¿no?

O sea, al principio no es que empezásemos con una visión superclara. Yo creo que la visión clara al final siempre ha sido la de llevar esta tecnología a las manos de creativos de una forma intuitiva. Y creo que eso aún hoy en día sigue resonando con, con lo que hacemos. El tema de agregar modelos o el tema de trabajar encima de modelos open source y ponerle mucho trabajo al producto y de hacer interacciones que sean intuitivas, que hagan que un creativo se sienta en casa cuando viene a KREA, aunque esté utilizando una tecnología que casi parece alien y que es totalmente nueva.

Le ponemos mucho esfuerzo a todo eso. Pero to-- o sea, t-todo eso vino de e-explorar, ver cosas que funcionaron. La primera cosa que funcionó fue el real time, que eso fue nosotros poniendo en producción el primer modelo de generación de imágenes en real time y construyendo un producto encima de esta tecnología, que eso nos, nos hizo como el primer boost de growth y, y de revenue.

Después de ahí hicimos un, un enhancer, que también está basado en, eh, modelos que nosotros desarrollamos. O sea, técnicas encima de modelos open source que desarrollamos para este nicho en específico de cómo consigo pasar esta imagen generada en baja resolución con un montón de artifacts a una imagen en 4K sin artifacts que se pueda utilizar para algo comercial o para production.

Ese fue el segundo boom. Y luego el, el tercer, bueno, el tercer boom fue cuando salió un modelo que se llama Flux, que es un modelo de, de imagen, que nosotros ahí estuvimos en nuestra salsa, ¿no? Porque teníamos el modelo este open source, empezamos a hacer mil de técnicas encima de ese modelo. Po-- te dejábamos entrenar el modelo en tu propio estilo, te dejábamos poner imágenes de referencia, te dejamos hacer como un montón de hacks encima del modelo en-- con un producto que un creativo podía utilizar.

Y eso, pues nos dio también, yo creo que fue el mayor boost después de Real-Time Enhancer. Eh, yo-- o hicimos otras cosas, pero yo creo que ese momento fue un, un boost supergrande y después de eso fue cuando vino lo del wrapper.

Exacto.

Que de hecho nosotros fuimos que-

O sea, hasta aquel momento vosotros entrenabais.

No entrenábamos, trabajábamos encima-

Si entrenabais open source. Digo, no.

Bueno, sí, hacíamos fine tunings.

Fine tunings.

Hacíamos fine tunings o hacíamos módulos encima de modelos open source que te diesen una cierta habilidad que el modelo no tenía-

Mhm.

...mmm, by default. Como por ejemplo el, en lugar de ponerle un prompt, pues le quiero enseñar una imagen al, al modelo. Y le quiero decir: esta imagen no, no como nano banana, en ese momento era un poco diferente, pero como entiende esta imagen de forma visual, en lugar de esperar que yo te dé un prompt. Pues cosas de estas y hacíamos un montón de, de trabajo y de adaptadores para que el modelo entendiese más aparte del prompt.

Para acabar de resumir un poco lo que es KREA, vosotros habéis levantado ochenta y tres millones de euros con fondos como A-

Dólares, pero sí.

¿Eh?

Dólares, perdón.

De dólares.

Sí, sí.

Con fondos como A16Z, em, como Bain, ¿no? Os habéis movido a Estados Unidos y actualmente estáis en Estados Unidos. Bueno, ahora estamos en Barcelona, pero pero sois de Barcelona, pero os habéis trasladado a Estados Unidos, que es un tema que aquí en el pódcast hablamos, eh, muchas veces, ¿no? Sois un equipo de cuarenta personas.

Mhm.

Y facturáis alrededor de...

Eso lo guardamos para los inversores de la serie C.

Ah, ¿no habláis de la facturación?

No, creo que nunca lo hemos hecho público.

No, yo he leído por ahí, eh, sobre los ocho millones de euros de ARR o algo así.

Eso hace mucho tiempo.

Eso hace mucho tiempo.

Sí, y hemos visto, o sea, hay como webs que ponen como facturación y cosas así, pero es como...

Mentira.

Es todo mentira o, o, o estimaciones de a lo estatista y estas webs que se dedican a estimar.

Sí. Pero bueno, tenéis-- ¿cuántos clientes tenéis? ¿Nos podéis dar alguna referencia de volumen que tenéis a día de hoy?

¿Como de número de clientes?

Número de clientes o cómo habéis crecido, cómo ha evolucionado a nivel de negocio propiamente.

Pero es que claro, primero teníamos mucho, eh, consumer subscription, ¿no? Y, o sea, y seguimos teniendo y eso sigue creciendo, pero desde mayo del año pasado empezamos ahora también-

A vender a empresas directamente.

A vender a empresas también. Entonces claro, eh, o sea, es que está muy líquido también cómo está cambiando el modelo de negocio en sí. O sea, ahora, o sea, hace cuánto, si hace ni un año, o sea, habrá once meses que empezamos a vender a, a empresas.

Bueno, a querer vender a empresas.

Claro.

O sea, en la web tenéis que, que tenéis treinta millones de usuarios.

Sí, más, pero sí.

Más.

Sí.

Bueno, lo tenéis en vuestra web, ¿eh?

Sí, sí, sí.

No, si tenemos más de casi cuarenta, yo creo.

Yo creo en la web pone más de treinta. Si no, hay que cambiarlo.

Pues más de-- pues cuarenta. Em, esos son usuarios, pero no clientes. No pagan estos usuarios.

Bueno, o sea, muchos pagan, pero...

Pero puedes utilizar el producto sin pagar, ¿no?

Sí.

Sí.

Hay un porcentaje de estos cuarenta millones que pagan.

Mhm.

Más o menos, ¿qué orden de magnitud pagan?

O sea, no sé cuál debe ser el porcentaje, la verdad.

¿Pero relevante o más del 50 %?

No, no, no.

No.

O sea, está como más consumer. O sea, no debe ser un-

¿Uno o 2 %?

Algo así, sí.

Vale. O sea, un, un, un porcentaje relativamente pequeño. Paga, ¿cuánto paga? O sea, ¿cuál es el pricing ahora?

De-depende, sí, porque está el pricing de consumidor, el pricing de agencia, el pricing de business y el pricing de enterprise, ¿no? Entonces, el, el consumidor creo que el más pequeño es de, yo qué sé, creo que era siete dólares el más, eh, al mes, el más-

Mhm

...el más bajo. Pero sé que hay gente que, por ejemplo, es un artista de Nueva York y he, y he visto y 2.000 al mes, ¿sabes? Que se gasta en, en la suscripción más cómputo extra para generar más. Y tienes a, a, a, como, como hay en el mundo gaming, ¿no? Los ballenas, ¿no? Hay unos cuantos de esos. Pero luego tienes las agencias, que son como, eh, mom and pop shop, creo, como se-- como quien dice, ¿no?

De: "Ah, sí, uy, uso KREA para hacerme todos los anuncios en casa y es un negocio pequeño Midwest", que es como más-- ahí es donde entraría más a lo Canva, quizás, ¿no? Pero tienes agencias creativas, que esas ya son como un estudio de diseño de 100 personas en Nueva York que hace ads para muchas empresas tecnológicas y bla, bla.

Que claro, estos sí son 100 personas, con lo cual es como un, eh, eh, como un negocio mediano, pero usan muchísimo el producto porque su trabajo es generar imágenes constantemente, ¿no?

Mhm.

Y luego tienes enterprise como Amazon, ah, Shopify, incluso Apple, que es como: "Okey, estos son ya monstruos, eh, a nivel corporativo."

Vale. O sea, vosotros seréis como un Lovable es a lo que es el diseño web, ¿no? Lo sois al, al, a imágenes, ¿no? Que también entiendo que competís con Canva. Mencioné a Canva, también ofrece la cre-la generación de imágenes, ¿no?

Sí.

Adquirieron a un competidor.

Sí, teníamos un com-un competidor nuestro, se llamaba, eh, Leonardo, Leonardo AI.

Vale.

Y lo compraron.

Luego está Freepik.

Mhm.

Aquí en España, ¿no? También ofrece este servicio, ¿no?

Mmm.

Ellos son full, full wrapper, pero sí, es-- son competidores directos.

Vale. Eh, ¿quién más puede haber? Eh, hay unos-- otro player español que es Mito AI, ¿no? Que se ha movido también a San Francisco, si no recuerdo mal.

Sí, creo que lo vi en, en LinkedIn.

Eh, que también está en este espacio, ¿no?

Mhm.

E imagino que habrá un long tail, ¿no?

Es que es que es raro, porque cada uno, cada uno está teniendo un, una approach diferente. O sea, tienes un Runway ML que están superenfocados en vídeo, pero ahora de repente, desde hace un par de semanas o tres, bueno, no, creo que hacía un poco más, también tienen imagen. También han empezado a agregar. Tienes un Luma AI que empezó con 3D, luego pasó a vídeo y ahora están haciendo world models-

Para robótica

...pero también sacan un vídeo y también se han vuelto un aggregator. Tienes ElevenLabs, que empezó con audio y están petándolo con temas de audio, que de repente te sacan un Creative Studio y también se vuelven un ag-un agregador. Que yo creo que ahí también puedes tener un hint de lo que estábamos comentando antes de cómo nosotros después de volvernos un API wrapper y ser un poco los precursores de, de esto, ahora nos estamos alejando, porque yo creo que la API integration o ser un API wrapper es como: "Of course, I'm gonna integrate." O sea: "Claro que voy a integrar".

No, no, banana. O sea, es que me cuesta dos líneas de código ponerlo en, en, en servicio en mi producto. Entonces, ahora mismo es-- por eso digo que es un poco raro. O sea, yo creo que full-

Pero si integráis de todos los modelos, o sea, hay, hay una capa de aplicación importante, entiendo, en este espacio, ¿no? De cómo utilizar los modelos, que no es obvio para un creativo cómo utilizar un modelo y generar inferencia en un-- de forma hosted, eh, para ellos, ¿no? O sea, te-- necesitan a alguien que les ayude a acceder a estos servicios de estos modelos, ¿no?

Mhm.

Entonces, y esto es lo que ofrecíais antes o lo que ofrec--

Y ahora también.

Y seguís ofreciendo.

Sí.

¿Qué más hace el producto? Yo no he utilizado el producto. Entonces-

Okey

...¿cuál es la experiencia usuario del producto?

Es-- bueno, co-como he dicho antes, hay varias herramientas y cada herramienta tiene un use case. Una es para generar imágenes, otra es para generar vídeos, otra es para hacer enhancement de imágenes, otra es para generar 3D, otra es para hacer cosas un poco más niche, como quiero hacer una texturación, hacer como un texturing, ah, de vídeo.

Vale.

Que tú le, le metas un vídeo en 3D y tú puedas promptearle: "Okey, quiero que esto se vea como un-- como chrome o como yo qué sé, que tenga un-una textura de, de metal." Y de repente, pues hace el vídeo tu vídeo y aplica IA para cosas un poco más específicas.

¿Podemos verlo?

Sí.

Explícame qué es KREA.

Bueno, esto es KREA. Ah, este es el homepage, donde puedes tener un acceso rápido a varias de las herramientas, como herramientas de vídeo, de imagen, el enhancer, que hemos comentado antes. Y también tenemos una herramienta muy graciosa. Es-esta, esta es la, la plataforma con la que, con la que empezamos el-- con la que tuvimos un boom inicial. Esto es una versión mejorada, pero aquí, como ves, esto funciona en real time.

El motivo por el que funciona en real time es porque nos hemos vuelto superlocos en optimizar el, el modelo y en hacer, ah, hacks para que funcione así de rápido desde nuestros servidores. O sea, por ejemplo, el, el producto en sí de KREA está corriendo en el cluster donde tenemos las GPUs. O sea que no hay un-- hay, hay mínima latencia entre las cosas.

Y esto, por ejemplo, pues lo que te permite hacer es, pues cambiar el estilo. Puedo decir: "Add beard." Quiero añadir barba. "And sunglasses." Esto es un poco más, ah, una aplicación que puedes jugar con ello, pero también puedes...

Esto es un poco los filtros de Snapchat o de Facebook, que compró también una compañía que se llama Masquerade, creo, si no recuerdo mal, rusa, eh, que hacían filtros-

Oh. Mhm

...en real time, em, pero-

Sí, con esto-

...con asteroids, ¿no?

Sí, puede ser. Es-esto es, ah, o sea, esto funciona con, con un modelo de, de difusión que está corriendo en tiempo real y obviamente, pues tiene las aplicaciones graciosas, pero también lo que está guay es que tú puedes conectar aquí tu iPad. También tenemos una versión para iPad que es mucho más útil, donde tú puedes hacer un trazo tan simple como el de esta silla Ah, o lo puedes, lo puedes copiar y puedes decidir un poco, puedes decidir un poco decir okey, ah-

O sea, tú estás jugando con el dibujo y con un prompt a la vez.

Exacto. O sea, tienes aquí el prompt y aquí le estás dando la instrucción, ¿no? Render-- o sea, aquí lo que le estás diciendo es renderiza el dibujo como si fuera una imagen, o sea, un render en HD de un diseño de producto con esto. Y estoy-- yo ni le estoy diciendo que es una silla. Ah, pero pon-- le puedo decir ahora made of chrome and put it in the forest, ¿no?

Y esto ahora, pues a la que-- es que creo que el wifi va un poco lento. Pues mira, te lo pone en el bosque.

Latencia con servidores americanos, ahora que lo pienso.

También. Y tú tienes aquí, pues yo qué sé, vamos a-- que esto obviamente un, un-- alguien con un iPad, pues haría un, un dibujo mucho mejor, pero aquí, pues lo que puedes hacer-- pero ves, ha detectado directamente que quiero hacer el base solo al, al dibujarlo. También, por ejemplo, lo puedes conectar con otros modelos que tenemos, como esto que hemos generado a partir de una imagen, este 3D, y esto, pues también en tiempo real, pues le puedo-- o sea, aquí el prompt lo que le estoy diciendo es haz que esté buried, como enterrado en rocas.

Lo ves en tiempo real, aquí le puedes decir okey, buried with rocks.

Y eso te genera una imagen de baja resolución, pero tenéis un modelo de enhancement, ¿no? Que-

Sí

...le da más, más calidad o más, eh, más píxeles, ¿no? Genera píxeles. Que es una, es un enhancer realista. También aquí hubo la, la gente-- pasó por aquí también la gente de Magnific-

Mhm

...que vendió a Freepik-

Mhm

...que hacía un enhancer creativo.

Esto es lo mismo.

Es lo mismo.

De hecho, de hecho tenemos Magnific aquí también.

Ah, ¿sí? Vale.

Sí. Es-esto, o sea, puedes utilizar el, el que tenemos aquí de KREA, puedes utilizar el, el de Magnific y puedes utilizar también los de Topaz, que funcionan supersuperbién. Entonces, aquí, pues le acabo de hacer un enhancement con tres modelos diferentes, con tres clics. Ah, y cada uno el nuestro va bastante rápido.

Aquí si puedes, si hacemos zoom, seguramente se verá un poco la diferencia. Aquí ves la baja resolución del ojo del pez, que después del enhancer queda mucho más realista. Las gotas de agua del coche.

Brutal, ¿eh?

Bueno, al final esto, y esto, esto te lo ha hecho a 2K, pero con modelos como, como el de Topaz, esto lo puedes tirar creo que a 27 K sin problema.

¿De dónde viene Topaz? El modelo.

Topaz.

¿De dónde viene?

Esto es una, una empresa americana.

Es una empresa americana.

Que se lleva enfocando en temas de, eh, procesado de, de, bueno, posprocesado de, de imágenes de hace muchos años y ahora se metieron en, en AI.

Sí. ¿Cua-cuáles son las limitaciones? ¿Yo puedo hacer una con mi cara?

Una forma de hacerlo sería viniendo a esta herramienta que tenemos aquí, que se llama Train, ah, LoRA. Esto te permite reentrenar un modelo en algo en específico. Y ese algo en específico puede ser un estilo, puede ser un producto o puede ser una persona.

Entonces, tú aquí le podrías, eh, podrías hacer upload de 10 imágenes tuyas, podrías entrenar este, este modelo y de repente el modelo aprendería quién eres tú. Y una vez aprende eso, pues puedes generar con esa persona.

¿Cuánto tarda en entrenar un modelo?

Lo tenemos superoptimizando. Entonces, esto creo que modelos como Flux en un minuto o dos. Y ojo, que es un fine tuning, que no es un entrenamiento. O sea, es un fine tuning con un montón de optimizaciones para que pueda, o sea, sobre-- hay, hay muchas técnicas para, para que se pueda-

¿Hasta qué punto es realista?

Esta es ella, ¿vale? Tengo suerte de que ha hecho muchas fotografías, ha hecho de modelo, con lo cual tengo imágenes, eh, como muy variadas y muy, mmm, como en diferentes ángulos, con diferente ropa, etcétera, que eso ayuda a que el modelo entrene un poco mejor. Entonces, yo pongo todas estas imágenes aquí, elijo el modelo con el que quiero entrenar.

Aquí hay algunos settings que si, bueno, si no te quieres preocupar, le dices que es un carácter y ya está, y nosotros te optimizamos.

¿Un character? ¿Qué significa carácter?

Un, un carácter es, es-- quiero entren-- es una persona lo que quiero que el modelo aprenda.

Un personaje, sí.

¿No? Porque, porque puedes, puedes hacer-- le puedes decir: "Quiero que aprendas el estilo de estas imágenes." O le puedes decir: "Quiero que aprendas el objeto." O es algo random, no t-- no es ni estilo, ni objeto, ni persona, es otra cosa que a lo mejor alguien tiene otro use case, pues te ponemos unos settings by default.

¿Y esto la gente lo entiende?

Los creativos que realmente están metidos en inteligencia artificial y están haciendo trabajo profesional con, con, con esta tecnología sí que lo entienden. Y esto es la tool más sticky que tenemos by far en toda la plataforma. Lo que hablábamos antes de, de que te dejamos entrenar un modelo.

Hay-- o sea, obviamente, en-- cuando entrenas el modelo tiene un, tiene ciertas limitaciones y hay cosas que le, que le cuesta entender. Una de-- esto es un ejemplo tonto de, de unos chicos de, de Doodles, que son unos-- un, un estudio creativo que crearon este, este arte que se hizo muy famoso durante los tiempos de NFT.

Y lo que nos decían es: "Tíos, estamos intentando entrenar un modelo con nuestros, con nuestro tipo de arte y no pilla que el ojo tiene que estar fuera." O sea, el modelo no consigue entender que el ojo tiene que estar fuera de la cara. Y justo, o sea, una-- o sea, el modelo que, que entrenamos nosotros está optimizado para varias cosas, pero una de las cosas que tenía que ser key desde el principio es que tenía que ser controlable y tuneable.

O sea, tú tenías que ser capaz de tener mucha, o sea, muchas formas de expresar una idea al modelo, que de eso podemos hablar un poco más tarde de otros, ot-ot-otra-- otros componentes que hem-- que hemos creado para, para que, para que eso funcione, como por ejemplo el estilo de una imagen, una imagen en sí o un prompt extremadamente largo.

Y, por otro lado, está el tema del, del entrenado, que en este caso esto lo estaba, lo estaba generando antes. Pero el-- que a partir de este poco número de imágenes ya es capaz de hacerte una imagen como esta Donde obviamente pilla el, el estilo del, de los artistas.

Igual que lo hemos puesto aquí en la piscina, pues podríamos generar otra imagen donde decimos-

¿Cuánto han costado estas imágenes?

Mira, estas imágenes o el modelo.

No, las imágenes que hemos creado hasta ahora.

Ah, esto nada. Esto, pues lo que, lo que cueste el, el tiempo de-- esto nada, ni céntimos. O sea, a lo mejor, yo qué sé, un céntimo, dos céntimos. Y me lo estoy inventando. O sea, que creo que cuesta muy poco.

Si es-

Pero mira, ves el-- o sea, el tema de tú como artista, poder poner tu mundo visual en un modelo, hacer que el modelo lo aprenda y de repente, pues tenías la idea esta que estaba en un swimming pool, pues ahora está en un volcán. Y, mmm, o sea, esto obviamente los creativos lo aprecian mucho más, porque es que hay ciertos detalles-

Bueno, lo aprecian y se acojonan en iguales, en igual partes, ¿no?

Hay-- yo creo que están superdivididos. Los que están superacojonados y los que están como: "Let's fucking go." De decir: "Esto es la hostia." O sea, ¿tú te crees que a mí me gustaba pasarme cuatro horas con el, con el iPad para hacer el puto -- el, el, el muñeco este en un volcán?

Bueno, pero es que igual, igual, o sea, alguien les había pedido: "Oye, méteme este muñeco en un volcán", ¿no? Y se pasaban cuatro horas moviendo el muñeco al volcán.

No, no, o sea, es que estos-

Pero es que ahora, pero es que ahora el que, el que quería tenerlo en el volcán se lo va a decir a KREA.

Es que eso no, no es lo que va a pasar.

¿No?

No, el, el-- este le va a dar un modelo. O sea, es, es eso. O sea, la i-- al pri-- al final del, del día, lo más importante detrás de cualquier proceso creativo es la idea. Y esas ideas no son fáciles de conseguir. Y yo creo que lo que esta tecnología está permitiendo es que vayamos-- los, los que ya eran creativos, los que tuvieron que pasar por todo el proceso de aprender cómo hacer este tipo de arte tan, tan genial, que de repente puedan dedicar un 50 % más de su tiempo a de-- a pensar en las ideas.

Pero son capas de abstracción diferentes. Una cosa es la capa de abstracción visual pura.

Mhm.

Y la otra es la idea detrás. O sea, yo, yo puedo tener-- yo puedo ser bueno en la capa de abstracción de ideas, pero puedo ser malo en la ejecución luego de, de plasmarlo en algo concreto.

Bueno, entonces ahí está d-don-- dónde-- cómo definimos creativo. O sea, ¿es creativo el que ejecuta?

Es que hay distintos tipos de creatividad. Está aplicada a varias cosas la creatividad.

Exacto. Sí, sí. O sea, hay diferentes tipos. Yo creo que la mayoría de creativos buenos y los que yo veo que son más successful, tienen muy buenas ideas y obviamente tienen skills para llevar esas ideas a cabo y traerlas al mundo real. Pero esta gente, o sea, el chico que es el creador de este concepto, es el mismo que lo ha llevado a cabo y ha hecho la ejecución y está como loco.

O sea, es una de las-

Al final tienes que tener un taste, un criterio visual para juzgar entre este millón de posibilidades, ¿no?

Exacto, o sea, ese-

Sigues, sigues necesitando el-- la capacidad de síntesis o de elección-

Sí, o sea, es el-

...ante tantas posibilidades.

Es el nuevo skill. O sea, es el skill creativo que va a ser-- se va a volver el más importante de todos, que ya era obviamente importante, pero el tener buen criterio, el tener como un-- una opinión, el tener una, una cierta forma de pensar, una cierta forma de idear con esta tecnología, esto se va a volver lo más, más, más importante.

Y la consistencia, porque este era un gran problema de los primeros modelos de imagen, ¿no? La consistencia la puedes conseguir con este preentrenamiento o fine tuning o no sé cómo, cómo lo llamáis, ¿eh?

Bueno, la-- al final al-- hay, hay diferentes, diferentes procesos, aaah, hasta que consigues entrenar un modelo from scratch. Está el pre-training, mid training y post training. La consistencia-- yo la, la verdad es que no sé cómo, cómo trabajan otros labs. O sea, yo sé lo que-- cómo lo hemos hecho nosotros.

Y nosotros, gracias a el buen trabajo que hicimos en seleccionar y hacer filtraje de los datos iniciales, conseguimos tener muy buena consistencia hasta en estadios de mid training. Es decir, acabamos el, el pre-training y ya teníamos muy buena consistencia, casi que no teníamos problemas de manos raras, no teníamos problemas de caras deformadas o todo lo que tiene que ver con lo-- las frecuencias altas, como el high frequency, que son como las cosas muy, muy pequeñas dentro, dentro de una imagen, que es donde suele-- donde la suele cagar un modelo de inteligencia artificial.

Hasta el momento de mid training nosotros ya lo teníamos bastante bien, pero aún así es todo el estadio de, de post training donde, donde creas esa-- donde, donde te aseguras que no haya esos problemas de consistencia y donde también das un poco tu opinión de qué tipo de estilos, qué tipo de composiciones, qué tipo de todo este modelo deberá hacer cuando le des un cierto prompt.

Todo eso al final pasa en el post training.

¿Cómo se da la opinión?

Ehm...

Ante tal variabilidad de cosas en el mundo.

Es un proceso muy, muy de, de alto nivel y es un-- o sea, lo que yo me he dado cuenta en estos últimos meses, estando superinvolucrado en, en, en la creación de, de este nuevo modelo, es que entrenar modelos es, es un, es un ejercicio mucho más creativo de lo que parece.

Y creo que la mayor parte de los problemas que los modelos que tenemos an-- a, a nuestro, a nuestro-- a nuestra disposición hoy en día. O sea, uno, uno de los mayores problemas que los creativos tienen con los modelos que tenemos hoy en día es que no han estado entrenados por gente creativa y gente con buen ojo para ver qué puede hacer un modelo y qué no puede hacer.

Entonces, ¿cómo se hace-- cómo se le da esta opinión? Al final es vía sie-- o sea, vía creando unos ciertos datos y estudiando el modelo hasta un punto en el que tú conoces muy bien lo que sabe hacer y lo que no sabe hacer. Y cuando no sabe hacer algo, miras cómo puedes crear un set de datos y un set de-- cómo puedes crear un set de datos y un set de técnicas para poder enseñarle esa cosa y hacer que de alguna forma la aprenda.

Y Y validar, validar, validar. O sea, estar-- yo me he pasado muchísimas horas probando prompts superlargas con ciertos estilos para asegurarme que pueda hacer un VHS camcorder, ¿no? Que esto es como un-

Sí, pero hay como un billón de cosas que no se te han ocurrido. Quiero pensar, porque al final el mundo es muy variado.

Las hay, pero yo creo que hay un, una, una parte de generalización que tienen estos modelos en los que s-si ha aprendido estas-- o sea, tú al final no piensas que vamos una a una mirando las imágenes que creamos para luego dárselas al modelo. O sea, estos son procesos que van muy a escala.

O sea, esto suele ser como-

Fuerza bruta.

Mu-- o sea, fuerza muy bruta. Al final es la forma en la que, en la que entrenamos estos modelos.

Y todos los modelos, ¿no? Se entrenan con fuerza bruta, pero a saco.

Sí, sobre todo en, en pre-training y mid-training. Post-training n-no necesitas tantos datos, pero aún así-

¿Pero esto habéis hecho pre-training, mid-training y post-training?

Todo, sí.

¿Con vuestro modelo?

Sí.

¿Pero eso no es muy caro?

Muy caro.

Es muy caro, ¿no?

Es caro, pero no es un problema de dinero.

Bueno, ¿en qué quedamos? ¿Es caro o no es caro?

O sea, es caro, pero el motivo por el que más gente no, no es capaz de hacer estos modelos no es porque no tengan dinero.

O sea, los, los grandes labs, eh, van a invertir 800 billion este año-

Mhm.

Han publicado en CapEx, en inversión pura de entrenamiento de los modelos a fuerza bruta.

Mhm.

Que yo me pregunto, ya no sé qué-- cómo los entrenan, ya n-- ya no sé de dónde sacan los datos, porque están todos agotados los datos del mundo.

Mmm, yo creo que hay-- o sea, seguramen-- o sea, es que q-- a ve-- muchas veces no es la cantidad de datos que utilizas, sino la calidad. Entonces, hay, por una-- por un lado, tener mejores modelos también te permite hacer mejor filtraje de los datos que ya existen.

Y de hecho, yo he escuchado hablar a gente como Andrej Karpathy, que dice: "Yo te lo juro que no entiendo cómo estos modelos han aprendido tan bien". Si tú miras un, una, un data sample de los datasets que es-que estamos utilizando para entrenar algo como GPT-3, es, es-están malísimos.

O sea, son malísimos. O sea, la cantidad-- es como una, una cantidad inmensa de datos donde el, el signal-to-noise ratio es una locura. Hay una cantidad de noise increíble. O sea, que, que el, el-- que estos modelos estén aprendiendo con unos datos tan horriblemente malos ya, o sea, ya hace que alguien como Andrej Karpathy diga: "Es que te lo juro que no entiendo ni cómo hemos conseguido entrenar con, con estos datos tan malos.

Estoy 100 % seguro que no necesitamos tan-tantos datos. Lo que necesitamos es buena calidad. Y cuanto mejores-

¿Y qué es buena calidad?

Estaba pensando que podrías mostrar el, el blog o, o el-- o resumir el blog post de Flux CreA, que creo que convence este punto, o sea, bastante bien. O sea, mostrar los-- lo porque hablaba de los malos datasets que hay en los aesthetic datasets.

Bueno, pero eso es más para, ah, post-training.

Sí, pero-

O sea, esto es un poco la, la pregunta de: ok, pues, ¿nos vamos a quedar sin datos?

Es la pregunta del millón.

Del tri-del trillón.

O del billón.

Del trillón.

También. O sea, esto es, es gente que está metida en large language models. Son todo técnicas como-- son bastante, eh, secretos en lo que hacen y en lo que no hacen. O sea, que al final todo esto es-

Sí, es todo secrete-- muy, muy secreto.

Claro, sí. O sea, a ver, esto es muy secreto, pero al final tampoco hay mucho, tampoco hay mucho misterio alrededor de las arquitecturas que-

No, no, si me imagino, pero vosotros estáis en Silicon Valley. Conoceréis a gente de que está en OpenAI y-

Sí.

Y en Anthropic.

Sí.

¿No?

Sí, sí.

Y ahí comentaréis cómo entrenamos-- cómo entrena todo el mundo los modelos.

Yo no comento cómo entrenamos nuestro modelo.

Y no, y sois, sois también confidenciales allí.

Claro, joder, sí.

Y ellos tampoco te creas tú que hablan mucho, ¿eh? No sé.

¿No?

Bueno, tienen NDA fuertes.

Sí.

Y nosotros también. O sea, cualquier persona que entra en KREA, aunque sea un trial, lo primero que hacen es firmar un NDA.

Sí, y de hecho, bueno, no sé si viste el de OpenAI, que era-- había un NDA que te prohibía hablar del NDA.

¿Y cómo lo sabes que hay ese NDA?

Por-- no, por, por el-- porque creo, por-- creo, no sé si fue por u-el juicio de Elon Musk con Sam Altman o algo así.

Luego se publica todo en esto.

Acaba publicándose por alguna cosa.

Todas esas SMS y todas las conversaciones que-

Que luego lo eliminaron, pero, pero se, se hizo-- cuando se hizo público lo tuvieron que eliminar.

Mhm. Sí, no, pero, o sea, mejores modelos, mejor data, mejor data, mejor modelo la siguiente vez que lo entrenes. Eso empieza a ser un poco el chip.

¿El data es lo más importante? El da-el data en la computación, ¿qué, qué es lo que hace falta?

O sea, data and scale, ¿no? O sea, cantidad de datos, calidad de datos, arquitecturas más grandes y cómo entrenas estas arquitecturas más grandes. Y luego también hay un montón de trabajo-

¿Qué significa arquitecturas más grandes?

Am, pues tú puedes tener un modelo, un large language model que es-- que tenga más parámetros. O sea, tú puedes tener una red neuronal más grande o más pequeña. La más grande suele funcionar mejor.

Más parámetros, mejor.

Sí.

Y esto quién lo, quién lo crea. ¿Quién piensa esta arquitectura?

Es que tampoco son muy-- o sea, la arqui-- hay mu-muchas, mucho-muchos componentes aparte de la arquitectura. La arquitectura suele ser un-- basada en transformers. Y después, dentro de transformers, pues el tipo de, de block-- la, la forma en la que hagas el bloque y la forma en la que la información fluya por la red neuronal, pues cada uno tiene un poco su forma de hacerlo, pero no cambian drásticamente.

O sea, que yo sepa no hay ningún lab grande que no esté utilizando trans-- o sea, una versión escalada basada en transformers para entrenar todos estos LLMs. O sea, al final hay muchos trucos, ¿no? Hay como los, ah, mixture of experts, que, que eso pueden, pueden hacer que activen ciertas partes del modelo cuando haces inferencia y hace que puedas tener un modelo de un trillón de parámetros, pero cuando lo-- cuando haces inferencia, pues solo se activan unos pocos billones de, de, de neuronas.

Ah, o hay varias técnicas, pero todo al final son transformers escalados a, a todo lo que pueden.

Entiendo que, eh, hay un trade-off entre Eh, número de parámetros, tamaño de, de-

Data

...del data-

Sí

...¿no? Y computación, ¿no?

Hay scaling laws.

Pero ninguno de ellos escalado por sí solo te da un mejor modelo. Tienes una combinación de estos, ¿no?

O sea, hay scaling laws a, a partir de las cuales no-- o sea, necesitas más data para entrenar un modelo más grande. Pero la, la verdad es que no, no sé, no sé en qué punto estamos ahora mismo. Lo que sí que sé es que el tema de escalar tan a muerte como estábamos escalando durante la época del GPT-4 ya no está pasando.

O sea, las nuevas, eh-

DeepSeek probó un poco esto, ¿no? Que con-

No sé

...o sea, que, que, mmm, los modelos chinos-

Mhm

...que con mucha menos computación podían conseguir muy buenos resultados.

Mhm.

Pero también están los, los distillation attacks.

Eso iba a preguntar.

Claro, que, que es como sí es un mejor modelo, pero también es un modelo enfocado en hacer lo que hace-

Otro modelo.

Sí, o sea, y, y-

¿Y esto lo habéis hecho vosotros? ¿Vosotros habéis hecho distillation? O sea, ¿os habéis basado en otros modelos para entrenar el vuestro?

No, nosotros no nos hemos basado en ningún-

Supongo que todo el mundo dice que no, pero...

No, no, o sea, nosotros no nos hemos basado en ningún otro modelo de-

No, pero hay gente que dice que sí, ¿no?

Hay gente que dice que sí.

Sí, dicen: "Está, está basado en los modelos open source." O sea, dicen: "Usamos esta arquitectura." O publican un technical report diciendo: "Es muy parecido a esta arquitectura y luego cambiamos según qué cosas."

Pero para poder, eh, validar o juzgar a escala, eh, l-- cómo funciona el modelo, puede venir bien utilizar otro modelo, ¿no?

Bueno, cuando haces benchmarks, sí. Hay veces que cuando estás haciendo técnicas de post-training, quizá metes en el mix a imágenes de varios modelos, pero no es para hacer distillation del modelo. Es para conseguir imágenes que tengan la misma-- la-- el mismo contenido y donde tú puedas elegir cuál quieres, cuál es mejor que la otra.

Que esto al final hay técnicas de post-training que funcionan así. Funcionan a partir de tener un sample positivo y un sample negativo, donde tienes un, yo qué sé, imagínate una fotografía de una persona, en una tiene siete manos, en otra tiene cinco. Pues si tú escoges la que tiene cinco y le dices al modelo que esto está bien y que esto está mal, va a aprender a hacer manos con cinco dedos en lugar de siete.

Hay muchas técnicas que funcionan así y para, para que esas técnicas funcionen, pues es muy difícil sacar este tipo de paired data, ¿no? De tener como pares de datos donde tienes exactamente la misma imagen, una está mal y otra está bien. Entonces, para esto, pues se utilizan muchos datos sintéticos. Pero eso no es del todo hacer distillation, que es un poco lo-- los problemas que están-

Vale. Y luego hay otro tipo de modelos que no están basados en replicar píxeles o texto, sino, eh, los world models.

Mhm.

Que intentan crear modelos de física. En algunos casos, como World Labs, eh, que también está ahí en, en Silicon Valley, ¿no?

Sí, sí, sí.

Ehm, intentan recrear las tres dimensiones de-desde un punto de vista humano, ¿no?, de, de, de la física y en otros como el, ¿cómo se llama ahora? Yann LeCun, eh, es partidario de recrear la física simplemente a partir de, de imágenes o vídeos sin tener que recrear tridimensionalmente el modelo del mundo, ¿no?

O sea, esto es-- esto tiene algo que ver con lo que vosotros hacéis. ¿Utilizáis algún modelo del mundo o no?

No. O sea, nosotros lo, lo, lo que hemos, lo que hemos entrenado con, con KREA.2 es un, es un modelo de difusión para generar imágenes. O sea, nosotros lo que creemos es que-

¿Y qué es un modelo de difusión?

Bueno, difusión es un poco como decir, ah, transformers. Es como, bueno, de hecho el-

Que es lo mismo que el texto, ¿no?

O sea, de hecho no, no es lo mismo.

Que predecir el texto, pero con píxeles.

No, no del todo. De hecho, no, no es una buena analogía la que he hecho. El, eh-- hablar de, de modelos de difusión es un-- es decir, modelos como large language models están entrenados para predecir un token detrás de otro. Y, mmm, los modelos de difusión están entrenados para intentar predecir cómo reducir el ruido de una imagen de forma iterativa hasta que llegan a un punto final donde han genera-- ha-han generado una, una, una imagen que forma parte de una distribución de datos, que al final esa distribución es tu dataset.

Entonces, es como la forma en la que están en-- o sea, la-- eh, los diffusion models funcionan muy bien para generar imágenes, porque al final este denoising process, que viene de física, o sea, esto no es, no es nada nuevo, pero es como una técnica que se puede aplicar también para generar imágenes. Si entrenas modelos de ciertas formas, va muy bien para generar imágenes.

O sea, no tendría sentido que nos pusiéramos a predecir píxel después de un píxel, porque al final las rel-- o sea, laf-- las formas en las que estas, estas, ah, redes neuronales entienden una imagen es muy diferente de la forma en la que, en la que entienden un texto. Para un texto, tener algo autorregresivo tiene mucho sentido, porque todo es espacial y en una dimensión.

Para una imagen que es 2D y que tú puedes tener, ah, algo que sea extremadamente relevante en una, en una parte de la imagen y en otra, pues hay, hay arquitecturas que están optimizadas para eso y que funcionan mejor. Y esos son los diffusion models.

Vale. ¿Cómo cambia entre imagen y vídeo? ¿Qué, qué-- cómo cambia la tecnología?

Mmm, suelen ser arquitecturas muy, muy, muy similares, solo que le añades la-- el extra-- la extradimensionalidad del tiempo. Entonces, pues tú normalmente tienes un, yo qué sé, por-- pues, o sea, todo se vuelve tridimensional, ¿no? Porque tienes X, Y, que son lo que te da la imagen, y luego tienes tiempo, que es la tercera dimensión.

Entonces, son modelos que suelen ser mucho más grandes, donde tratas de generar una secuencia de imágenes en lugar de una imagen sola. Pero suelen ser modelos también de difusión, muy, muy, muy similares al de los-- al, al-- a los de las imágenes.

Eh, realizar, realizar tantos fotogramas a la vez es mucho más caro que una imagen, ¿no?

Sí.

Y cuanto más tiempo, más caro, ¿no? Obviamente. Cuanto más tiempo quieras generar un vídeo de una hora-

Mhm

...es muy caro.

Sí, de, de hecho, suele haber límites. O sea, no sueles ser capaz de generar más de un cierto límite a partir del cual lo has entrenado.

¿Cuáles son los límites que tenéis a día de hoy o que existen?

Bueno, de-depende del modelo, ¿no? Suelen ser cinco segundos o diez segundos. Eso es lo típico. Sedans 2, por ejemplo, te deja generar quince segundos, pero depende.

Pero hay películas muy-- o sea, la gente está haciendo películas con...

Bueno, porque ponen una generación detrás de otra.

Vale. Y pasan el contexto al-- bueno, continuamente, ¿no?

No, no, eso, o sea, lo generan. Bueno, sí, o sea, le pasan el contexto, ¿no? Si generan un vídeo, a lo mejor sacan un frame, se lo ponen de referencia otra vez al modelo y le dicen: "Okey, ahora haz una secuencia de tal, pero es-- hazlo con, con este personaje o hazlo con este estilo". Y lo hacen de una forma en la que el modelo te genera algo que es superconsistente con lo que han generado antes, pero no te suelen generar toda la película de una hora del tirón.

Suelen, suele ser como parte por parte y luego lo editan.

Sí, que por eso muchas veces vas, estás en Twitter y ves que casualmente muchos de estos vídeos que son AI slop duran exactamente cinco segundos. Es como-- así sabes que ha sido, o sea, muy seguro, que si parece AI, pero encima cinco segundos o diez segundos o quince, dices: "Vale". O sea, la persona ni siquiera se ha esforzado en hacer dos vídeos y editarlos o lo que sea, es como, eh, directo del modelo.

Vale. Eh, entonces, mmm, en, en KREA hoy yo puedo hacer un vídeo de más de diez segundos o no, no me queda claro.

Con Sedans sí, ¿no? Pero con otros modelos a lo mejor es solo cinco segundos.

O sea, no puedo.

No, depende del modelo.

No puedo encadenarlo. Eso, eso que estáis diciendo no lo puedo hacer en KREA.

Ah, vale. Dices edición de vídeo como tradicional.

Sí.

Eh, bueno, teníamos-

No, o sea, tenemos una herramienta que quizás saquemos en algún momento, pero normalmente, yo qué sé. O sea, puedes hacer-- este, por ejemplo, yo lo, lo escogí hacerlo de seis segundos, que esto es una foto que hice de, de mi coche y hicim-- le aplicamos un efecto de, de estos para hacer un, como un medio 360. Pero aquí cuando seleccionas un modelo como Sedans 2, Sedans este, aquí tú puedes elegir cuántos segundos quieres y el máximo son quince.

Sí, pero sí es cierto que en la, en la herramienta de nodos, la nodes tool.

Ah, bueno, claro.

Ah, ahora me he acordado. Nosotros una cosa que hacemos, que a veces es, es un poco irónico porque hablamos con clientes, prueban la nodes tool y para darte una idea, es básicamente una-- es un, es un sitio donde puedes crear workflows más avanzados, donde puedes encadenar-

Mhm

...un modelo de imagen con un modelo de vídeo, ¿no? Y entonces tienes este texto, que es una mezcla de mi texto con un LLM, se usa como input para una imagen que luego genera un vídeo. O sea, aquí puedes crear esta pla-- clase de workflows. Pues una cosa que añadimos, que fue un éxito, fue un montón de herramientas tradicionales, o sea, brillo, contraste, saturación, o sea, todo lo que es no AI.

Em, porque cla-- y eso-- y uno de ellos es stitching o, eh, ser capaz de encadenar vídeos, eh, directamente desde aquí. Entonces, es interesante ver a muchas herramientas fuera de como AI complex, que es como son todo AI como completamente diciendo lo del pasado es completamente inútil. Y es como: no.

O sea, cambiar el brillo del vídeo cuando ha salido de la, de la inteligencia artificial no tienes que usar otra vez mucho cómputo de tarjeta gráfica solo para cambiar brillo. O sea, ya sabemos cómo hacer eso y de hecho es mucho más barato. Entonces, eh, aquí puedes hacer esa, esas cosas.

Sí, bueno, eso tardaría un rato si lo tiro, pero al final lo que puedes hacer es conectar los-- lo-- el output que, o sea, cada un-- cada nodo de estos generaría un vídeo de hasta quince segundos y lo que podrías hacer es, pues juntarlos todos aquí y ponerlo uno detrás de otro.

Un poco incómodo, ¿no? Si quiero hacer un vídeo de diez minutos, ¿tengo que montarme todo esto?

Si es un-- o sea, si quieres hacer un vídeo de diez minutos, mejor ir a Final Cut Pro o Premiere o After Effects.

Sí, o sea, es que esa es un poco también la, la decisión que hacemos nosotros, ¿no? De yo no-- o sea, yo no voy a gastar el tiempo, el dinero y el-- la conciencia de los ingenieros en recrear algo que ya resuelve el trabajo genial y además es una industry standard tool. Por eso, antes cuando estábamos hablando-

Pero, pero es industry standard el, el, el mo-- o sea, la herramienta para editar el vídeo, pero para generarlo. Si yo quiero generar diez minutos de vídeo, o sea, yo me voy a Premiere y ahí puedo modificarlo, editarlo, pero si quiero generar.

Pero ¿cómo generarías diez minutos de vídeo?

Pues no sé.

O sea, pondrías ahí como toda una descripción de todos los diez minutos.

Esto lo están haciendo en Irán, por ejemplo, con Donald Trump, ¿no?

Sí.

Están sacando vídeos constantemente.

O sea, que por poder se podría hacer, pero-- o sea, por poder se podría hacer y no sería difícil, pero que el, que el mo-- o sea, que tú pues seas capaz de escribir toda la descripción de todas las escenas y que el modelo sea capaz de darte lo que quieres en cada una de estas escenas y que luego toda la, la combinación funcione bien.

Ya.

Sería mucho pedir. O sea, estos modelos al final no son perfectos, suelen fallar. Para cada escena normalmente tienes que hacer dos o tres pruebas y una te sale bien y las otras tres te salen mal. Y a lo mejor también tienes que iterar tu prompt o a lo mejor no ha entendido bien una cosa o no ha entendido bien otra. Entonces, me sorpr-- quizá llegamos en-- a un momento en el que sí que le das a un prompt y te hace una peli de una hora, pero hoy en día dudo que la gente se tome el tiempo de poner-

No, pero bueno, puedes dedicarte, puedes hacer un prompt muy largo, ¿eh?

Puedes, puedes. Y quiero decir-

Puedes hacer un es-- un script, ¿no? Un storyboard larguísimo.

No, sí, o sea, como poder.

Y luego tú puedes decir: "Oye, regenérame este trozo". O sea, yo me ima-- me imagino la herramienta. Otra cosa es que debe ser carísimo hacer esto.

Yo-- o sea, es carísimo. Yo creo que no es la f-- no es-- no sería, mmm-- o sea, no, no creo que sería lo más cómodo trabajar de esta forma. Creo que al final tener una herramienta para generar los vídeos y otra herramienta para editarlos funciona perfectamente bien y al final la gente creativa suele funcionar con muchas herramientas y yo creo que está bien y creo que es de, de ser, ah, inteligente saber en qué te quieres enfocar.

En nuestro caso es todo lo que tenga que ver con inteligencia artificial Ahí es donde puedes utilizar KREA. Y si luego quieres combinar KREA con Photoshop o KREA con After Effects o con lo que sea, bienvenido. O sea, a veces vas a utilizar After Effects para meter un input a KREA y a veces vas a, vas a hacer algo con KREA que lo vas a llevar a After Effects. Yo creo que al final funcionan así los creativos.

Sí, y también una cosa que yo he notado en cualquier acto creativo como tal, nadie trabaja de esa forma. Por ejemplo, si es como imagínate, yo, yo considero programar es también un acto creativo, ¿no? Y yo nunca en vida, el, o sea, nunca he sido successful, o sea, nunca he sido exitoso en como el waterfall method, ¿no?

El método de cascada de decir: aquí está. O sea, tú si tú me dices que tú hiciste Factorial diciendo no, pero yo hice aquí el modelo de negocio y era perfecto y lo leí y luego los ingenieros lo hicieron.

En mi caso, en mi caso era así de perfecto desde el primer día.

Desde el primer día que dijiste: aquí está el modelo, ah, aquí está el modelo de negocio, el prompt, ¿no? Y, y, y se lo das a un equipo de ingenieros y listo.

No, pero una cosa es una cosa y otra es otra. Tú puedes partir de algo e ir iterando por trozos, ¿no? O por, no sé.

Claro, pero la cosa-

No sé, o sea, no sé cómo evolucionará esto.

O sea, yo, o sea, técnicamente lo que tú dices sí que se puede, pero tienes que ser creativo en cómo. Es decir, no hay que simplificarlo a: ah, es un modelo de, eh, difusión que son varios trillones o cuatrillones de parámetros para poder poner toda la información y sacar una hora. Pero lo que sí que puedes hacer es: tengo un prompt largo, los, eh, los modelos de large language models entienden un prompt largo y se puede combinar con un agente que hace calls o de forma, eh, eh, bueno, agéntica o, o autónoma a otros modelos diciendo: vale, pues en paralelo puedo hacer estas tres escenas porque no tienen nada que ver, así que lo voy haciendo en paralelo y luego-

¿Tú crees que hoy se hace así? ¿La gente que hace vídeos largos con AI lo hace de forma agéntica?

Yo diría que hay dos. O sea, por ejemplo, nosotros, un cliente es Fox. Fox Corporation usa KREA. Y, o sea, yo he hablado con los que hacen ahí y hay gente que: ah, uso Claude con, con, con modelos de KREA o lo que sea para hacer de una forma agéntica, pero suele ser el que sabe de AI dentro de Fox.

Luego están los otros nueve que es como: no, no, yo creo mis clips, mis escenas y luego me las llevo a After Effects y edito y le muestro eso a mi mánager y dice: ay, no me gusta esto tal. Pero luego en vez de hacer un shooting otra vez, lo que hago es vuelvo a generar otro vídeo, que es como un cojo el workflow que estábamos acostumbrados, pero sustituyo la parte de producción.

Entonces imagina el equivalente para ti o para David sería: estoy, estoy aquí. Hay una parte de Diego que salió mal, eh, ah, pero en el, en el workf-workflow tradicional no la puedes regrabar. Pero como hay suficiente contenido de vídeo de Diego, en realidad sí que podrías hacer un trocito de AI donde regrabas, porque yo qué sé.

Ah, ¿sí o sí? ¿Yo podríamos rehacer un trozo de esta conversación sin que se note?

Yo diría que sí, ¿no?

Seguro que sí.

¿En serio?

Sí.

O sea, y yo, y si yo, yo lo he visto ya. O sea, he visto ejemplos de que alguien, eh, o sea, exactamente ese use case. Alguien en un pódcast dice algo que se equivocó. Eh, o, o por ejemplo, me sale successful y tuve que haber dicho exitoso. Y ahora pues digo: pues mira, cojo y lo, y lo con un modelo de ElevenLabs que se está entrenando en mi voz, más un montón de imágenes de referencia, más un seedance, más etcétera, etcétera, etcétera, lo pongo ahí y ya, no se ha notado.

Vale. Oye, ¿y algo más, enseñar que puedes?

Ah, bueno, hay, hay muchas cosas para enseñar, pero... No, no, lo que, lo que, lo que tú tengas curiosidad.

Tengo curiosidad en muchas cosas, pero sí a mí me gustaría entender este proceso de entrenado de modelo. Eh, bueno, hemos, hemos bajado bastante profundo. Tampoco podemos estar aquí 10 horas explicando cómo funciona este proceso, pero, pero sí que no, no, o sea, todavía no me lo imagino. Y joé, yo soy ingeniero, ¿eh? Pero no me imagino cómo es este proceso de entrenado a la práctica.

Yo.

Eh, entiendo que mucha gente se lo, se lo pregunta, ¿no? Como, como: ¿qué, qué hay, qué hay dentro de estos labs? ¿Qué hace ahí la gente, no? Eh, y vosotros habéis decidido montar un lab.

Mhm.

Y hay mucha gente haciendo labs, ¿no? Parece un ece-- un, parece una escena muy competida ahora mismo, ¿no?

En nuestro espacio hay varios, pero yo-

¿De imagen?

De imagen hay varios, pero que estén haciendo modelos completamente desde cero no hay tantos.

Pero ¿por qué es bueno desde cero?

Es que al final depende de lo que quieras hacer con, con tu producto, ¿no? O sea, depende de lo, de cuál sea.

Quieres generar imágenes de la forma más, eh, fiel posible, ¿no? A la, a la realidad y-

Claro, pero ¿qué significa generar imágenes?

Mmm.

O sea, ¿cuál es el proceso para generar una imagen? Estás a gusto poniéndole un prompt y que te dé. Es que es eso. O sea, al final nosotros estamos supercentrados en creativos y nosotros tenemos parte de nuestra que es creativa. Tanto Diego como yo venimos de, de haber hecho trabajos creativos en el pasado. Él trabajaba en un estudio de arquitectura, yo creciendo, pues tenía un grupo de música e hice un montón de producción musical, guitarra, etcétera.

Entonces tenemos un punto creativo que siempre hemos tenido ahí. Yo de hecho estoy superimbucado en temas de diseño de KREA o todos, todos los vídeos que tú veas en KREA hasta hace dos semanas los hice yo con After Effects a las dos de la mañana en la, en la oficina. Entonces tenemos ese punto creativo que es el, el, el motivo por el que empezamos a, a intentar hacer algo como KREA.

Y yo creo que empatizamos mucho con algunos de los problemas que los creativos o gente como nosotros ve en, en los modelos que tenemos a nuestro alcance en el espacio. Y tenemos hipótesis alrededor de cuáles son los fallos que la mayoría de labs están haciendo cuando están entrenando estos modelos.

¿Cuáles son?

Sobre-- o sea, el problema es que lo están tratando como si fuera un juego de números. O sea, están tratando todo el proceso de crear un modelo de inteligencia artificial como, o sea, de, de una forma en la que setean unas métricas e intentan optimizar pua-- para esas métricas Entonces, eso funciona muy bien en pre-training, porque en pre-training al final lo que tienes es el loss, ¿no?

Que al final así es como funcionan las redes neuronales. Tienes una, una-- un número que se llama loss y tu, tu objetivo es llevarlo para abajo. Hay mil técnicas para hacer eso, pero al final tú lo que quieres es hacer que el loss baje. Entonces, en-- a nivel de pre-training tú le pones-

¿Qué significa este número?

¿El loss?

Sí.

Pues, o sea, tú al final, eh, de alguna forma estás como, mmm, castigando al modelo cada vez que lo hace mal. Tú le dices cuánto de mal lo está haciendo en cualquier tarea que, que lo quieras entrenar. Si quieres que haga imágenes, pues tú cada vez que genera una imagen le dices: "No, eso está mal. Eso está mal número 10."

Pero ¿con un humano o con un set de vals o...?

No, no, todo esto es, ah, to-to-todo esto es una... O sea, todo el... Es decir, es el, el método con el que se entrenan estos, estos-- cualquier red neuronal vía lo que se dice gradient descent, que es el, el más común. Al final funciona, funciona así.

Ah, fun-funciona-- o sea, de form-- es, es como la forma matemática en la que tenemos de entrenar estos modelos. Hay un numerito que representa cómo de mal está haciendo el modelo su tarea.

Vale.

Y no son humanos ni nada, son billones de data samples que tú se lo das y es como que lo acabas martirizando, ¿sabes? Es como que el modelo dice por favor, por favor, o sea, para ya de, de castigarme, que quiero hacer la, la solución bien y acaba haciendo una imagen o acaba haciendo un, un texto o lo que sea. Pero al final funciona así. Funciona de decirle cómo de mal lo está haciendo y de esa forma, pues puede aprender.

Pero una vez ha llegado a un cierto punto, necesitas-- o sea, es, es como que al principio no sabe hacer nada, ¿no? Con lo cual la forma en la que le puedes decir cómo de mal lo está haciendo es como simple, pero hay un punto en el que ya sabe hacer imágenes bastante bien. Y en ese punto es cuando ya cambias un poco... O sea, no cambias tanto la loss, que quizá puedes añadir aún más métricas para, para medir esto, pero cambias la data.

Es decir, ya no quiero que hagas una imagen random. Ahora quiero que hagas una imagen que esté dentro de este set de datos que yo he filtrado, que son de más alta calidad o que tienen-- que, que forman parte del tipo de imágenes que yo quiero que hagas. Es como decir ya no quiero que hagas solo una imagen random, quiero que hagas una imagen de este tipo.

Y es como que pues sigues entrenando. Es como la loss, pero que-- o con algún otro componente, con ese nuevo grupo de da-data que ya está-- es un poco más difícil de hacer. Entonces, así se podría definir de alguna forma el mid-training, de decir no es solo que hagas una imagen, es que hagas este tipo de, de, de imagen de alta calidad o lo que yo considero que es de alta calidad.

Pero-

Y ahí es donde veis la oportunidad.

No, no, no, donde vemos la oportunidad es en parte ahí, en parte cómo haces ese data curation. Es bastante, bastante importante, pero eso yo creo que, que no es tan difícil de hacer. Pero está luego en el tema del, del post-training, que en el post-training es donde ya no hay-- o sea, hay también losses, pero ya es donde las métricas son mucho más subjetivas.

Y ya es el punto en el que si tú intentas crear una métrica que escale,

vas a acabar con un modelo que-- po-po-porque eso al final cuando digo subjetivo es de decir qué es una ilustración buena y qué es una ilustración mala, ¿sabes? Es decir, el modelo-

Muy complicado.

El modelo sabe hacer ilustraciones y yo ahora le estoy intentando enseñar qué es una ilustración mala y qué es una ilustración buena. Y lo que estos, ah, labs suelen hacer es intentar escalarlo, enseñarle a un montón de gente ilustraciones y preguntarle cuál está bien y cuál está mal. Y te-

Con humanos.

Con humanos.

El post-training es con humanos.

Es mucha de-- el post-training son muchas técnicas, muchas de ellas son con humanos.

Vale.

Entonces, lo que...

Que es el, el labeling famoso este que, que hacen los Mercores de turno, ¿no?

¿Qué, qué son Mercores?

Mercore, eh, se me viene Mercore. Es una de estas herramientas, eh, de training-

Ajá.

...que al final son muchos humanos, eh, que entrenan los modelos.

Sí, sí, nosotros-

Que etiquetan los modelos.

Nosotros, por ejemplo, utilizamos un provider que se llama Rapidata. Eh, y hay mucho, mucha, muchas empresas que-

Pero son humanos.

Son-- o sea, de hecho, creo que los nuestros lo que hacen es, te hacen la-- creo que están conectados con Duolingo y creo que en el Duolingo si no pagas, como no sé cómo funciona porque nunca lo he utilizado, pero en algún momento es como que te hacen la pregunta.

Sí.

Y te hacen la pregunta y te dicen cuál de estas imágenes parece más generada con AI o cuál de estas imágenes te gusta más. Y tú pues le dices, le dices cuál te gusta y cuál no. Y de esta forma puedes conseguir en un día un millón de datos. O sea, un millón de datos de sí o no, de, de cuál te gusta y cuál no te gusta, de cualquier tipo de, de imagen.

Y hay providers que lo están utilizando. Pero donde yo, donde yo veo que está el problema aquí es que estos labs suelen hacer estos procesos a escala y lo suelen hacer a lo bruto y lo que acaban es en un average illustration. O sea, acaban en, en todo el rango de creatividad que existe, en lo más average que te puedas imaginar.

Que es lo más average que de alguna forma ya les cuadra para lo que ellos quieren hacer con ese modelo. Porque lo que ellos quieren hacer con, con ese modelo es algo generalizado. O sea, ellos quieren que la imagen que se cree con ese modelo a una persona average del mundo le guste. Entonces, optimizar por esa métrica les va bien.

Pero cuando llega un creativo y quiere hacer algo un poco más loco o quiere hacer una-

Ya, pero cuando coges muchos, muchos creativos, vuelves al average.

Sssí, pero ya es un average un poco diferente. O sea, seguramente si nosotros-

Porque creas un subsegmento de gente que dices tú eres creativo.

Seguramente.

Tú no.

Seguramente. O sea, nosotros en, en nuestra cuenta no cogemos a muchos creativos. O sea, lo que estamos haciendo es lo estamos haciendo nosotros mismos.

O sea, ¿hay un criterio editorial?

O sea, estamos literalmente. Yo me he pasado muchos días, muchas horas.

Ya, pero ¿cuántos días y cuántas horas? Que va a ser nada comparado con el-- la dispersión que existe en el universo.

No, no, porque es eso, es-- hay una generalización. O sea, hay un proceso en el que a la que tú le des unas ciertas instrucciones hacia un cierto-- o hacia una cierta región estilística No es que solo se vuelva mejor en esa región. Escala. O sea, es como que esa región, al final, la forma en la que aprenden estos modelos es mucha más-- es mucho más abstracta.

Y lo que puedes ver es que hay veces que tú quizá entrenas para que haga mejor ilustraciones y de repente también te hace mejor fotografía. Es como que te llega, te llega a sitios que son como un-- que tienen como un poco más de complejidad, que tienen como unas ciertas, eh, unos ciertos colores, que tienen como unas ciertas-- y que esto, obviamente, estamos hablando, estamos hablando como, como si fueran como-- o sea que en-entiendo el punto que dices, de decir la cantidad de aesthetics, o sea, la cantidad de estilos-

Claro

...que existen a-ahí, o sea, no, no te los acabas. Pero lo, lo que nosotros estamos viendo es que, por un lado, el modelo en finetuning sabe hacer muchísimas cosas que por hacer un post-training muy agresivo con unos datos que son de average, se mueren, ¿sabes? Y es como que el modelo deja de saber hacer estas cosas.

¿Dirías que es fair decir que por eso el modelo no tiene criterio? Como que no es ca-- o sea, tiene capacidad, pero no tiene criterio.

Bueno, o sea, deja de tener-- ti-tiene un criterio que está muy enfocado en ese average que han conseguido.

Mhm.

Es un modelo normal. Este, te refieres a un-- a Grok, por ejemplo.

Mmm, por ejemplo. O sea, Grok-

Grok genera imágenes, mhm.

Sí, sí, sí. O sea-

Y lo hace relativamente bien.

Claro. Y si, y si tú haces una, una ilustración con Grok o con-- hasta con, con NanoBanana, las ilustraciones que te suelen dar suelen ser muy características y suelen ser muy simples, con mucha saturación, con, con unos ciertos tipos de-

Pero esto es un criterio editorial.

Esto es, en mi opinión, lo que acaba saliendo si tú intentas optimizar por un average muy, muy amplio. Y lo que nosotros-

Al final, todo, todo es haber hecho hasta cierto punto, porque es mo-modelo estadístico, ¿no? Con mucho data, ¿no? Pero tú puedes condicionarlo de cierta manera, ¿no? Que entiendo que es lo que hacéis vosotros, pero también hacen en Grok. Yo entiendo que hay alguien-

Es es-es eso. Yo, yo no sé cómo lo están haciendo ellos. Yo lo que sé es que cuando utilizas estos modelos no sabe hacer cierto tipo de cosas que con los procesos que nosotros hemos hecho con KREA 2 puedes hacer.

Por ejemplo.

Bueno, a ver si te muestro .

Pon un ejemplo aquí, sí, sí.

Es que me gustaría ver este, este detalle. Por cierto, es brutal, eh, lo de Seedence todos. Es que yo flipo-

Sí

...con lo que...

Por ejemplo, aquí. Voy a poner primero un NanoBanana Pro y voy a decirle: "Illustration of a cat riding a bicycle".

Vale.

Y lo hacemos cuadrado. Y esto es lo que me va a hacer NanoBanana Pro. Y aquí podemos ver lo que va a hacer KREA 2 sin ningún...

Ahora mismo, ¿qué está pasando? Vosotros estáis-

Bueno, ahora aquí, prime-primero que KREA 2 es más rápido. Eso es lo primero que está pasando.

Primero, ¿creéis qué? Perdona.

Que KREA 2 es más rápido. Mira. Lo hemos tirado después, ya casi acaba.

Vale, pero vosotros tenéis las GPUs generando-- haciendo inferencia con esto.

Mhm.

Bueno, con NanoBanana-

Para los modelos.

No, no, con NanoBanana no.

NanoBanana no.

Y con, con este-

Ahí está API.

Sí.

Vale.

Y con es-- deja que haga una prueba con este también. Porque tenemos una versión-

Luego os preguntaré cuántas GPUs tenéis y dónde las tenéis.

Muchas GPUs. Y las tenemos en-- la mayoría en Ohio.

Ohio, Columbus.

Ah...

¿Estáis construyendo un data center de KREA?

No, todavía no.

Not yet.

Pero bueno, si te fijas aquí, esta es la ilustración que te da NanoBanana. Y si te fijas-

Te he dicho un, un gato montando bici-- en bicicleta. ¿Ese es el prompt?

Sí, sí, sí. El prompt es un gato montando en bicicleta.

Vale.

Entonces, aquí lo que, lo que se ve es que, o sea, de alguna forma, el-- con NanoBanana, te, o sea, te dan dos ilustraciones que son bastante, bastante similares. Y esto obviamente, pues se tiene en cuenta de que hay un prompt, o sea, una, una ex-

¿Por qué dos? ¿Por qué te da dos?

Ah, bueno, o sea, te lo da por-- o sea, te lo da por, por, ehm-- espera, que esto lo he hecho mal. Esto porque nosotros lo-- o sea, es como lo tenemos en la pla-en la plataforma. Cada vez-

Hacéis dos llamadas.

Sí, cada vez que generas con NanoBanana, el, el número de, de generaciones que se hacen son dos.

¿Cuánto cuesta, por curiosidad, NanoBanana, estas imágenes?

Oh, a ver.

Ahora no me acuerdo cuánto era, como cuatro céntimos era, una cosa así. No me acuerdo.

Esto es vuestro pricing.

Sí. Sí. Lo que pasa es que nosotros tenemos nuestra propia currency, ah, porque luego, o sea, todos los modelos se basan en esa currency. Y luego tienes una tabla de conversión con todos y cada uno de los modelos que-

Claro, esto ahora está-- mira, esto ha costado 83 compute units, que si eres un basic-- bueno, tenemos una oferta, pero sí.

Jo, qué complicado. Esto es muy complicado, ¿eh?

Es que es-- el, el puto pricing es muy complicado.

No, el pricing es, es complicado. Eso es un problema que tienen muchas plataformas que-

Sí, sí, total

...cuando agregas, porque es como: ¿cuánto cuesta una imagen? Es como: de NanoBanana o NanoBanana 2 o NanoBanana Pro. Y si es NanoBanana Pro, ¿1K o 4K? Y, ¿sabes? Y esto es como una de las permutaciones. Y eso por todas las-- los modelos.

Pero encima, encima vosotros decís: "No, no, n-nosotros vamos a traducirlo a nuestra currency, nuestra moneda propia dentro de KREA".

Sí.

Eh...

Esto no va a haber sido la calculadora.

O sea, al final necesitas la calculadora. Bueno.

Sí. No, pero si hace falta en casi cualquier plataforma. O sea, nosotros-

Sí, sí, sí, sí

...o sea, es como, es como ir a AWS, ¿no? O sea, no sé, cualquier ingeniero lo sabe cuando le toca-- ¿cuánto cuesta-

Ya

...una va-va-máquina virtual?

Ya, pero trasladarle este problema al usuario creativo final es una-- es un poco putada, ¿no?

Sí, o sea, yo, o sea, yo soy el primero que ha sufrido con esto, porque yo he montado casi todo el billing, la arquitectura, el billing de KREA. Y, o sea, es un problema real. Eh, de hecho, hay una empresa que intenta resolver esto, solo eso, eh, billing para AI companies y, o sea, la adquiriste-

¿AI companies o modelos de imagen?

AI, o sea, modelos de inteligencia artificial En, en general, pero por ahora enfocados en, en LLMs, pero aplicaría también-

Pero es que modelo de imagen es un, es un mundo, porque tú lo has dicho, ¿no? Un, un 1K, 4K, eh, ¿no?

Sí, sí, pero ya, bueno, lo que digo es que esa empresa la compró Stripe por one billion, por ejemplo, y solo hacen pricing para modelos de, eh, LLM, pero también querían hacer imagen. Eh, pero, o sea, también hay que ver dónde va el mercado como en general, ¿no? Porque, o sea, es-- a mí me, me encanta usar el ejemplo de los, mmm, eh, ¿cómo se llama esto?

Utility companies. Yo creo que he estudiado muchísimo el pricing, demasiado. Eh, y estoy bastante seguro de que donde vamos a nivel de inteligencia artificial es va a converger mucho con los modelos de negocio de empresas de utilidad.

Sí, sí, claro.

Y, y, o sea, y la gente es como: "Oye, es muy complicado, ¿no? Cuánto cuesta un SMS". Y es como hoy en día no, no, no lo miras, pero en su momento había que hacer los, los SMS packs, ¿no? Y 500 o 1.000 o lo que sea.

Bueno, yo creo que es más la, la electricidad, más, eh, mejor ejemplo que-

Hay muchos

...que un SMS, porque un SMS realmente no cuesta nada. Es, es CAPEX.

No, no, no cuesta nada ahora, pero costaba bastante.

Pero tenías que montar an-antenas, digamos, ¿no?

O sea, y-

Pero la electricidad tiene un precio difi-diferente a cada momento, ¿no? Hay un mercado que en cada instante está oscilando el precio. O sea, tú aquí te puedes pillar en los dedos.

Pero el Internet también. O sea, es-- solo lo que pasa es que es negligible ahora mismo. Ah, y, y entonces lo que hacen, o sea, por eso es una vez llegas a un punto de suficiente negligibility, ¿no? Eh, puedes hacer lo que hacen, lo que ha convergido todas las empresas de data, ¿no? Que es, pues te suscribes tanto al mes, eh, un markup, pero ese markup es variable en base a cuánto usen los datos la gente, eh, con el tiempo.

¿Vosotros tenéis este modelo de negocio de tener un, una suscripción que incluye X?

O sea, tú tienes una suscripción que incluye eso y es, y vas recargando cada mes. Eh, y a mí me encantaría que lleguemos a un punto en el mercado de, eh, computación sea tan barato que no tengas que pensar en esto.

Que te, te-- que puedes ofrecer un unlimited, ¿no? Pagas X, tienes unlimited.

Exactamente. Que-

Pero no estamos ahí.

Exacto.

Y menos con vídeo.

Exactamente. O sea, y de hecho es lo interesante, porque en texto ya casi estamos ahí. O sea, la, la gente usa ChatGPT por gratis.

Bueno, bueno, estamos ahí. O sea, en texto. Código es texto también y, y, y todo el mundo que conozco está, está al límite.

Pero es que depende, depende de la, de la computación que tengas que hacer, ¿no? O sea, por ejemplo, hay modelos de, o sea, large language models que se ejecutan en el iPhone y funcionan en el iPhone, pero son para queries estándar, ¿no? Que no hace falta tanto predictive power. Pero luego si es como: "¿Cómo cambio toda mi app, mi app de React a este otro framework?" Ah, ¿cuántas líneas de código tienes ahí?

Un millón. Okey, eso ya te va a costar un poquito más, que es lo mismo que Internet. O sea, a nivel de consumidor, aquí en España, 20 € te da un montón de bandwidth, pero nosotros nos comemos six-figure invoices relacionados con Internet, porque ahora es el egress y el, y el ingress. O sea, cuando empieza la escala es cuando empieza el problema.

¿No os habéis pillado los dedos con un error? Por un error de, de pricing podéis hacer un, un agujero importante.

Sí.

¿No?

Sí, sí. Mhm.

Si no os aseguráis que siempre facturáis por encima de, de vuestro coste.

Sí, o sea, yo, pero yo no, ya la forma en la que lo veo yo es, eh, ahora mismo estamos en el momento, o sea, es muy early y estamos en el momento de innovación. Yo creo que para mí, siempre y cuando no hagas un tremendo agujero y estés sangrando, es, es, es demasiado pronto para estar aquí haciendo optimización de, de pricing.

Porque lo importante es: estás haci-- o sea, ¿funciona el modelo? ¿Resuelve los problemas? ¿La gente está como encantada con esto? Sí, pues ahora podemos empezar a distillation, optimizations, etcétera, etcétera. Pero es que si no resuelves el problema todavía...

Vale. La propiedad intelectual de las imágenes que usáis para entrenar el modelo, ¿no os preocupa?

Mmm, la, el tipo de imágenes-- nosotros estamos teniendo la misma postura que la que cualquier otro lab en el espacio tiene. Eh, y creo que la postura aquí es: esto es una tecnología que se puede utilizar tanto de forma transformativa como de forma derivativa. Y creo que el hecho de que tenga un uso tan increíble de forma transformativa hace que exista fair use de esos datos que se han utilizado para entrenar.

Mhm.

Yo creo que donde está-- entonces nosotros, la, el stance que tenemos es que a la hora, a la hora de entrenar, vas a entrenar con millones o billones de, de imágenes que, de, que, que están públicamente, eh, disponibles en Internet. Y es a la hora de hacer inferencia donde estamos haciendo un montón de trabajo para con-

Ahí sí.

Sí, es a la, a la hora de la inferencia donde estamos ahora desarrollando un modelo de detección de IP y aparte de obviamente detección de, eh, non serve for work images o si-

¿El qué?

Non serve-- unacceptable images que sean, yo qué sé, gore, con sangre, muertos o pornografía, este, este tipo de cosas. Lo hemos dicho a la vez.

Todo esto lo filtráis. ¿El qué? Todo esto lo filtráis y lo sacáis.

Todo esto, hay filtros que trabajan en el prompt y hay filtros que trabajan en la imagen. Entonces, esto son bastante comunes, la mayoría de empresas lo tienen. Nosotros lo estamos intentando llevar más allá y queremos hacer un, un IP detector que sea capaz de decirte: "Okey, esta imagen tiene muchos puntos de que venga de, de un sitio en el dataset o en el modelo que está prote-protegido por IP." Y ya ahí ya estamos mirando si, si queremos hacer que, que hasta le, se le muestre en, en la plataforma y donde se le diga: "Esto no lo puedes utilizar de forma comercial"

o que ni siquiera le salga en la plataforma. Eso son preguntas que aún estamos, aún estamos pensando, intentando contestar.

Grok durante mucho tiempo ha sido muy laxo en eso, ¿no? Por ejemplo, pues mostraba el presidente del Gobierno en bikini

Claro, hay-- es-eso es porno, eso es-

Bueno, no sé, pero esto con KREA se puede hacer o no.

Sí.

¿S-sí?

Sí.

Pero claro, hay-

Bueno, o sea, hay también tema de, de caracteres públicos que ahora, ahora no sé cuánto estamos capando eso. Ah, pero hay, hay memes de estos que, que puedes hacerlos.

Si hay Trump en bikini, mmm, KREA bien.

Seguramente, no sé.

Pero claro, esa es la cosa también, que entras también ahora en el-- no, no. Y ahora entras en el trade off, ¿no? Porque está-- no me acuerdo ahora el nombre de la revista esta francesa que hace caricaturas de-- como de los presidentes.

Sí. No me sale-

No me sale el nombre, pero, pero hay así. Y claro, ahora es como: pero quién soy yo para, para el free speech, ¿no? Entonces-

Ya

...y es como, vale, por una parte tienes cosas que se puede demostrar que son nocivas para, yo qué sé, niños, ¿no? Luego, por otra parte, es como esta imagen no tiene nada malo como tal, en el sentido de es legal, no hay, no hay copyright tal, pero pornografía, ¿no?

No, no es tan demandado.

No.

¿No?

No.

Curioso, ¿eh?

Sí, a nosotros-- y de hecho, nosotros somos de la empresa que hemos tenido menos, eh, backslash de creativos.

Mhm.

Y creo que en gran parte fue por el real time, que es como, o sea, coges a cualquier persona, va al real time y en realidad no saben qué dibujar porque no tienen la creatividad. Y mientras que el creativo es como: "Tengo que usar el iPad y mi habilidad de dibujar sigue siendo relevante ahora". Sí, una, una cosa interesante de, o sea, una, una, una estancia que tenemos nosotros ba-bastante es como de, es como cuando, cuando t-- cuando los humanos en sí aprenden a, yo qué sé, yo qué sé, dibujar, hacer esculturas, hacer 3D.

O sea, que esto-- ya, ya empezamos a entrar como con las filosofías muy de Silicon Valley, como de: yo no discrimino si estás hecho de carbono o de silicona. O sea, para mí un humano, una máquina es lo mismo, o sea, muy ¡uh!, así. Y claro, y es como, imagínate, te ponen la analogía, imagínate que tú eres como un niño y quieres aprender a dibujar.

Y esto es muy a lo, eh, "Black Mirror". Y cuando ves algo que tiene copyright, como que tus ojos lo filtran y no puedes verlo. ¿Sabes? Eh, ¿cómo aprende ese niño? O sea, todos los niños aprenden, yo qué sé, miran Spiderman. Pero luego, ese niño que se convierte en un creativo no hace un anuncio que es un blatant copyright infringement de Spiderman y lo pone en la diagonal y se, eh, s-s-saca pasta de eso.

No, eso no. Entonces, mucha gente de Silicon Valley está como: "O sea, hemos resuelto este problema ya". O sea, pues claro, que, que vean lo que quieran, pero a la hora de-- y, y, y genéralo también si quieres, pero a la hora de, eh, lucrarte, ahí cambia la cosa. Eh, lo, lo-- pero el, el problema se convierte no tanto en IP, se convierte en problema de, de, o sea, de escala.

Pues claro, pero es que hay tantas imágenes. O sea, antes el bottleneck era que la gente capaz de hacer, yo qué sé, manejar Photoshop no son tantos. Entonces, puedes ir viendo lo que hay. Pero si de repente esto es Internet y son billions y billions de imágenes ahí fuera, ¿cómo regulas eso?

¿No? O sea, es más ese problema. El, el, el-- a mí personalmente, al menos me preocupa más ese problema, que no el puedes usar IP o no para esta tecnología. Es como, para mí no tiene sentido que la tecnología esté handicapped. No, no, no, no me cuadra.

Una cosa es poner en la diagonal, eh, un anuncio, que ahí el, el ánimo de lucro es como muy evidente.

Mhm.

Pero cuando tú das acceso a una IA que, eh, da acceso a millones de personas que tienen su consumo personal, em, ahí, pues, tam-también ahí estás utilizando la IP a escala, ¿no?

Eh, o sea, tú puedes generarte un cuento de Spiderman.

Mhm.

Pues oye, mmm, no es un anuncio en Paseo de Gracia, pero, eh, pero es una forma de uso de la IP de Spiderman.

Mhm.

Aunque sea marginalmente este usuario.

No, si yo me, me leí lo-los, lo-los juicios, por ejemplo, que hubo con los editoriales contra, eh, Google, por ejemplo-

Mhm

...que era como Google Imágenes. Estás usando la IP de todas las imágenes que estás buscando. Buscas Spiderman en Google Imágenes y te sale Spiderman. ¿Ahora qué? Y-

Bueno, como referencia a la fuente. O sea, Google eso lo hace con todo el contenido del mundo, pero te lleva al original. Es un buscador.

O no, o, o te lleva a Wikipedia y te dice: "Esto es Spiderman". Y-- o te lleva a un ar-- a un sitio web random de alguien que publicó una-- un archivo de Spiderman con un nombre de-

Ya, pero el sitio web random es el problema. O sea, sí se ha escudado Google.

No, Google se escudó porque es-- porque el juez dijo que era transformativo y no derivativo. Esa era la clave. La clave es: ¿es cap-- se puede hacer esto que está haciendo Google de alguna otra forma, sin, o sea, sin utili-- tener que utilizar la IP de esta forma? Y se demostró. ¿Cómo, o sea, cómo buscarías una imagen u-- que estás, o sea, estoy buscando una imagen, estoy haciendo research.

¿Cómo encuentras eso sin tecnología de search engine? Era un poco la, la, la cuestión en el juicio y se demostró que no hay forma. Es completamente innovador. O sea, es-- y, y, y hay leyes en el mundo de la IP que están para balancear, porque una cosa es IP para contribución justa a la gente que innova, pero a la vez es un poco contraproducente que esas leyes paren la innovación.

Entonces, eh, e-e-ese es el gran, la gran rama que se dedica a, a, a pelearse con ese balance, es lo del, eh, en, en ley, es lo de transformativo versus derivativo.

Mhm.

Y nosotros creemos: esto es transformativo. O sea, no hay formas de hacer esto y puedes ahora crear imágenes que antes no se iban a crear, sino con esta tecnología. Pero eso no significa, pues que por ejemplo, en Google Imágenes, pues no puedes encontrar imágenes que el FBI dice son de seguridad nacional y no se pueden poner estas web-webs y estas tal.

Y Google pues bloquea eso. O en Europa estás buscando información como el DNI de alguien, pues se bloquean webs por, por, eh, regulación europea. Yo creo que será muy similar lo que pasará

¿Cómo decidís, eh, montar esto? ¿Cómo os conocéis? ¿De dónde venís? ¿Cuál es vuestra historia?

Vale, ¿quién empieza?

Me entero.

Ya, yo empiezo. Ehm, o sea, vale, pero, ¿qué, qué quieres que explique? ¿Cómo, cómo empieza KREA? ¿Cómo nos conocimos?

Sí, cómo os conocisteis primero.

En, en la Pompeu. O sea, la historia fue que-

Aquí en Barcelona.

Sí, aquí en Barcelona, en la Pompeu, en la UPF.

¿Qué estudiabais?

Ingeniería en Sistemas Audiovisuales, que el motivo para mí para estudiarlo era, curiosamente, yo estaba entre hacer o nanotecnología o director de cine. Yo estaba de una de estas dos. Y encontré que la Pompeu tenía esta carrera llamada Ingeniería en Sistemas Audiovisuales, que cuando me vi el, el, como el plan de estudios decía: "Ah, mira, tienes cortometraje y edición de vídeo, pero también ingeniería".

Y digo: "Ah, pues esto es lo que yo quiero". Y a-- y creo que para Víctor fue similar.

Sí, yo, yo estaba entre estudiar, ah, estu-- o sea, guitarra clásica a nivel profesional en el Liceo de Barcelona o hacer una ingeniería. Ah, mmm, o sea, se me daban bien las mates y tenía cu-- o sea, me gustaban los-- o sea, resolver problemas que requerían cognición . Y, y de ahí también encontré como un poco el balance en esta Ingeniería de Sistemas Audiovisuales.

Sí.

¿Sigues tocando la guitarra?

Hace bastante que no toco. Ahora hago más DJ, pero la to-- bueno, la toqué durante muchos años.

Durante la pre-sea-- durante pre-seed times, lo recuerdo. Era-

Ahí fue cuando dejé. O sea, cuando empezó KREA dejé de tocar la guitarra .

Sí, qué pena, ¿no?

La iro-la ironía. Es la ironía. Eh, eh, como, como dice, eh: "Hijo de zapatero va descalzo", ¿no? Es lo mismo.

Sí, perfecto.

Entonces, creador creativo no KREA ya.

Bueno.

Eh, pero...

Entonces, ¿os conocéis en la universidad?

Sí.

¿Y?

Y, o sea, fue un poco algo, o sea, eh-- ay, me acuerdo, yo introduje a Víctor a inteligencia artificial, un curso de Andrew Ng, de un profesor de Stanford, pero es como, como que le di algo y él fue, y es como: "Guau". O sea, él ya-- me acuerdo que cuando aprendió sobre inteligencia artificial, para él recu-- o sea, entró ya.

¿Cuánto tardaste? ¿Qué, un año o algo así en entrar ya en generative AI? O sea-

No, menos.

Menos, no, o sea-

Generative AI es después de ChatGPT.

No.

No, no, no. O sea-

No, Víctor lleva, ¿cuánto? ¿Más de 10 años haciendo esto?

Nueve. O sea, yo empecé en-- sí, porque estamos en 2026. Yo empecé en 2017. O sea que al final, o sea, mi transición fue desde que era muy pequeño tocar la guitarra, luego tenía un grupo de música y toda mi adolescencia al final era alrededor de ese grupo de música. Y hacía, bueno, pro-producción musical, componía o hacía cosas, ah, creativas de ese tipo.

Y luego, cuando entré en la universidad para hacer sistema-- o los-- la Ingeniería en Sistemas Audiovisuales, ahí es cuando de alguna forma descubrí la programación. Y para mí la programación se sintió como algo también supercreativo, ¿no? Que al final tienes un medio a partir del cual te puedes comunicar y vía código puedes hacer mil cosas.

Puedes hacer desde arte generativo hasta una app random que puedas hacer en un moment para, para, yo qué sé, para hacer un meme con tus amigos. Entonces, a mí me atrajo mucho el tema de la programación. Me metí bastante, bastante a muerte. Y después, después de que Diego me introdujese a temas de inteligencia artificial y de yo volverme un poco loco con la idea de que había gente por ahí que estaba entrenando redes neuronales intentando, intentando, eh, de alguna forma, como mimic, como se dice en castellano, como imitar la forma en la que una neurona funciona

en el cerebro y metiendo eso en un ordenador y entrenándolo para resolver problemas, a mí eso me, me pareció fascinante, ¿no? Me pareció superinteresante. Me puse a leer sobre redes neuronales y en un momento vi que había gente que estaba utilizando un tipo de red neuronal que se llamaban GANs para hacer arte, para generar imágenes.

Y ahí fue de alguna forma cuando mis dos mundos, pues se juntaron y ya me metí super, supera a fondo en el, en el rabbit hole, ¿no? De leer todos los papers que podía. En ese momento era superearly en el, en el espacio. O sea que había-- todo era open source. O sea, cualquier paper que tú leías de GANs tenías acceso al código y si tenías una GPU, pues lo podías correr.

Entonces era muy, muy, muy fácil ensuciarse las manos y, y aprender sobre, sobre eso.

¿Midjourney cuándo aparece?

En 2023.

No, 2022.

2022. 2022.

¿Y los Transformers?

2017.

O sea, en este año 2017.

El año en el que los Transformers empezaron fue cuando yo empecé con las GANs. Y desde el día número uno mi objetivo era-- es que es eso. O sea, a nivel creativo o a nivel artístico, siempre hay mucho más que la obra final. O sea, cuando tú miras una pintura, no es solo la pintura lo que estás viendo, es toda la historia del pintor y de todo lo que hubo, todo lo que quería transmitir a partir de esa pintura.

Y yo cuando veía una imagen generada con inteligencia artificial, me explotaba la cabeza de que tú pudieras haber puesto como un minicerebro dentro de un ordenador, que le hubieras enseñado todo un set de imágenes y que en ese momento, ya te digo, eran de 200 píxeles y superpsicodélicas, pero había algo que era capaz de, de proyectar de los datos que tú tenías en un principio y las formas en las que podías utilizar ese conocimiento, ese miniconocimiento que se había creado en, en la red neuronal me parecía completamente fascinante.

Entonces, aunque el resultado no era, no era muy, muy impresionante, el proceso a partir del cual se estaba creando una imagen con una red neuronal fue un poco lo que, lo que, lo que me fascinó.

Sí, yo me acuerdo que en 2019 o así, que esto es más o menos cuando nos vamos a graduar, Víctor me decía: "El fu-- en el futuro, el futuro de la creatividad creo que es que la gente se convertirá en investigadores de inteligencia artificial". En el sentido de que Su tarea es como escoger imágenes y de alguna forma que todavía no sé cuál será, será más fácil entrenar modelos y la gente pondrá esas imágenes y crea-- es como crearás un, un creativo a, a la carte y los buenos-

El mes de s-- el creativo, en vez de crear, creará creativos.

Sí, es como esta meta cre-- meta creatividad.

Esto pasa en todos los ámbitos, ¿eh? Pero es, es, es bastante-

Y, y eso, eso me acuerdo, o sea, de eso me acuerdo. Y yo recuerdo que él, o sea, lo que dice lo, lo practicaba. O sea, porque recuerdo que a partir de GAN, descubrió las GANs, todas las prácticas de cualquier cosa, él veía la forma de cómo lo hago de GANs, me acuerdo.

O GANs o LSTMs o-

O LSTMs o Convolutional Neural Networks. Era como: vale, estoy en image processing, hay que hacer una práctica de editado de imágenes con-- mi red neuronal genera imágenes. Luego era una cosa de música y es como ahora genera notas musicales. Y era como todo lo, lo, como que lo hi-- lo hizo para, para seguir aprendiendo.

¿Vosotros nacéis en Barcelona?

No. ¿Tú? Tú sí, ¿no?

Yo sí.

Barcelona.

Sí.

¿Y tú?

Yo en Zaragoza, pero luego me fui a Venezuela, eh, y volví a los 12. Y de ahí estoy en Barcelona desde los 12 hasta poco después de graduarme de la uni, hasta, hasta que me fui al, al correr-

Tu familia es venezolana.

Sí.

Pero se vino a, a Zaragoza.

Sí, mi madre se vino, eh, porque estaba muy en contra de Chávez, eh, estaban las protestas y todo. Y ella cuando ganó Chávez dijo: "Bueno, este país se va para abajo ya". Y, y di-- y se-- o sea, tuvo una oportunidad de hacer un doctorado en Zaragoza, que es lo que hizo. Entonces, me tuvo a mí, hacía un máster y hacía un doctorado todo a la vez como madre soltera.

Y, y, eh, y entonces luego como que, o sea, lo hizo muy bien. Se fue a Venezuela, pero le dieron como un contrato de: "Si quieres te puedes venir a la UAB a hacer investigación de producción animal", que es lo que hace ella. Y, mmm, y o sea, pues aceptó diciendo-- porque me decía: "Mi objetivo es que tú vayas a una buena universidad donde no te vayan a lavar el cerebro", algo así.

Y, y así acabé aquí.

Vale. ¿Entonces empezáis a trabajar juntos? ¿KREA cuándo nace?

9 de febrero de 2022.

Bueno, eso oficialmente nace ahí, pero KREA viene de un, de un proyecto en el que yo estaba. O sea, yo, yo llevaba trabajando con este tercer cofounder, que es Javier Ideami, que es con, con el que empez-- o sea, todo esto de alguna forma empezó en un proyecto con el New York City Media Lab y Chanel, en el que n-- en el que entré.

Y yo en ese momento, pues es eso, o sea, todas las prácticas de la uni, justo acabamos de salir de la uni y yo estaba como haciendo un montón de, de proyectos con ella ahí. Y pum, seguían saliendo papers y me los leía, hacía proyectos, hacía tweets-

¿Pero para ti?

Para mí.

¿O vendiendo consultoría?

No, no, no, no, eso era para mí y-

Nadie quería eso. Esto, o sea, eran 200 personas en Twitter total en todo el mundo. ¿Quién conocía esto?

Había como, como una comunidad emergiendo en, en Twitter de gente que eran programadores, pero que estaban utilizando esa tecnología de forma artística. Y yo estaba supermetido ahí. Quizá alguna vez hice un tuit, pero ni siquiera, ni siquiera tuiteaba mucho. O sea, yo veía lo que hacía la gente, veía los códigos, cambiaba cosas y pues yo qué sé. Por ejemplo, cuando hice lo de StyleCLIP, que, o sea, cambié una cosa.

Ahí hice un post de, de Medium diciendo la cosa que hice, que era supersimple. Y después un paper de Adobe me tuvo que mencionar mi post de Medium diciendo: "Okey, este tío lo hizo primero y nosotros hemos hecho pues otra técnica encima de, del hack este, que era con un modelo de CLIP, que, que, que, que era muy fácil de hacer. Es que era un momento, además, como muy , co-co-como muy de, de white canvas.

Había muy poca gente trabajando en esto y era como muy fácil innovar y muy fácil también sacar papers. O sea, yo saqué un paper en ese momento y creo que seguramente que fuera el momento más fácil de la historia para sacar un paper, porque literalmente tú metías transformers a cualquier problema que existía por ahí y-

Y era como, buah

...y tenías un state of the art. Y nosotros metimos transformers al problema de segmentación de ilustraciones, ¿no? Que es un problema que cualquier persona que está trabajando en la industria de la animación tiene. Y, o sea, hicimos segmentación de, de ilustraciones para colorizar ilustraciones, para que tú puedas tener el primer frame colore-- eh, colo-- con color y tú puedas, pues colorear 10 frames más.

Y eso, pues hacía a un ilustrador 10 veces más eficiente.

Mhm.

Y de eso hice un paper. Ah, pero bueno, KREA empezó con yo trabajando en todos estos temas creativos. Hice el proyecto con Chanel y en el proyecto con Chanel fue la primera vez en la que dije: "Me gustaría-

¿Pero cómo llegas a un proyecto con Chanel?

Esto fue vía una-- o sea, yo estaba aplicando a la beca de La Caixa y una de las chicas que me ayudó a aplicar a la beca de La Caixa, que era Irene Font, ah, me lo propuso. Me dijo: "Tú, mira este-- lo que están haciendo como un-una colaboración con, con g-- universitarios". Ella estaba en Cornell University.

Yo en ese momento no, no estaba, no estaba en ninguna universidad. O sea, había acabado en la UPF, pero no estaba en ninguna universidad. Y gracias a ella, que se apuntó al, al-- no sé cómo acabamos en el, en el proyecto este, pero acabamos haciendo esa colaboración con Chanel y el Universi-el, el University Media Lab. Ah-

Vale.

Y a partir de ahí fue cuando dije: "Tío, me gustaría enfocarme-

¿Esto qué año era? Que...

Debe de ser 2021.

Vale.

Seguramente.

Porque vosotros acabáis la universidad, ¿cuándo? O, o-

2019.

Sí.

Vale. O sea, tenéis 30 años menos.

29.

29.

Mhm.

Vale.

Y él y yo, o sea, tra-- habíamos trabajado en varios proyectos juntos, como de hackathon, o sea, de job. Sí, creo que gana-ganamos una hackathon del MIT durante el, el 2020, porque era del COVID.

Mhm.

Hicimos una app que era para conectar a gente que ha sido afectada por el COVID con sitios que tienen comida de sobra para que puedan comprar. Y, y que da la casualidad que las chicas con las que lo hicimos eran de Beirut, en, en el Líbano, y luego pasó la explosión De Beirut, que luego hizo que nuestra app funcionara también para la gente que tuviera que conseguir, eh, comida o medicinas por lo de Beirut.

Total, que eso ganó primer lugar en MIT COVID-19 Hackathon. Y de ahí yo me-- y, y yo estaba, o sea, junto con Víctor, como: "Tenemos que aplicar a la beca de La Caixa, porque si queremos hacer cosas de, eh, AI..." Bueno, yo estaba-

Pero ¿qué es esta beca de La Caixa?

Ah, la-

No, o sea, asumimos que ya-- que, que lo sabías. No, no tengo ni idea. ¿Que, que de qué va esto? Ah, ok, ok.

Sí, sí. O sea, yo-

¿Qué es esta beca?

O sea, esto, o sea, la beca es básicamente, eh, la Fundación La Caixa te patrocina, eh, ¿cómo, cómo decirlo? Pos-- eh, estudios de posgrado en el extranjero. Entonces, básicamente tú aplicas y si te la dan, te pagan todo. O sea, te pagan, eh, desde el tuition, la-- el coste de las visas, algunas, eh, el viaje y hasta un stipend para que no tengas que preocuparte de trabajar mientras estudias, eh, en, en Estados Unidos.

La gente que va, cuando le dan la beca, suelen ir a sitios como Harvard, MIT, Cornell, UC Berkeley y tal. Yo la conocí por el jefe de mi madre, que en paz descanse, que se murió hace relativamente poco. Eh, él de-- él le dijo a mi ma-- a mi madre: "Dile..." Porque él la consiguió.

Dijo: "Dile a tu hijo que aplique a la beca de La Caixa, porque a mí me cambió la vida". Y o sea, o sea, fue un profesor brillante. Y entonces-

Qué buen testimonial de la beca de La Caixa, ¿eh?

Sí, sí, sí. Y, y eso que lo, lo, lo, lo irónico un poco es que la perdimos los dos por KREA, pero, o sea, sabemos que sin la beca de La Caixa no la habríamos conseguido.

No, 100 %.

O sea, eso lo-- yo lo, lo sé. Y, pues, a mi tru-- el, el, el, el plan que yo le había dicho a Víctor es como, o sea, nosotros no tenemos ni siquiera las notas más buenas de la clase. O sea, son muy buenas, pero comparado con la gente que aplica es media 9,9, por ejemplo, la media de la carrera.

Sobre 10.

Sí, 9,9 en Matemáticas y han publicado un "paper". Y es como: vale, esa es la competencia. Pero yo me acuerdo que lo que dije: el truco es, tengo que hacer que mi, mi, mi aplicación sea como, eh, difícil de, de, como de valorar. Decir: aquí hay más que solo las notas.

Y entonces, yo estaba como con Víctor diciendo: "¿Cómo publicamos 'papers'? Vamos a hackatones, vamos a trabajar también para tener años de experiencia trabajado, que la gente-- estos son más como estudian, pero no trabajan. Pues también trabajar. Y yo estaba haciendo de todo para ser como un "holistic profile". Y apliqué, me la dieron y al año siguiente te, te la dieron a ti.

Sí.

Y, y yo estaba en Cornell haciendo un máster en Inteligencia Artificial, eh, bueno, dual máster, Inteligencia Artificial y, eh, eh, Psicología y Diseño, eran como doble. Y el-- o sea, yo sa-- yo decía: "Buah, tien-- va a venir Víctor el año que viene, qué guay, que voy a estar aquí como con mi compi en la Pompeu".

Y, y empezamos como a hablar de si trabajar en algo y me mostró la primera versión de lo que se podría quizá llamar el-- la versión arcaica de KREA, se llamaba Geniverse, que había estado él con Ideami ocho o nueve meses o así trabajando en ella, que me estaba diciendo: "Déjate de tanto 'paper' y ponte a ayudarme con esto", me decía.

Y me acuerdo que yo lo que hice, es que es muy loco. Esta es la parte donde se vuelve muy loca la historia. Yo básicamente estaba pensando muy fuertemente qué importará a nivel de trabajo, porque creo que a nivel de-- yo, yo, mi, mi, mi, mi "paper" o aplicación de la beca La Caixa hablaba de cómo el trabajo iba a cambiar drásticamente por inteligencia artificial.

Y yo pensé mucho y digo: ¿qué importa? Yo digo: lo único que importa, haga lo que haga, digo, en 10, 20, 30 años, solo estaré o hablando con ordenadores o hablando con gente. O sea, esa será la única cosa que puedo decir que seguro va a ocurrir. Y dije: ya sé hablar con ordenadores, porque he estado programando un buen rato y aquí estoy en Cornell haciendo-- aprendiendo más de compiladores y GPUs, por ejemplo, pero no sé hablar con gente.

Así que dije: me voy a poner a, a aplicar a trabajos de-- que tengan que ver-- o sea, que para yo estoy completamente "unqualified for". Y apliqué a analista en Bloomberg, apliqué a ventas, apliqué a ser inversor, apliqué a ser emprendedor y, y ap-- y apliqué-

¿Cómo se aplica a ser emprendedor? Por curiosidad.

Eh, fui a, a, a una VC firm y dije: "Tengo una idea".

Ah, vale.

Que no la tenía, por cierto. Y, y apliqué a Stripe también para ingeniero de infraestructura en Stripe. Y resulta que me dieron el trabajo de ingeniero de infraestructura en Stripe. Llegué a la final de Bloomberg para ser analista y nos llamaron del VC firm, eh, al que yo básicamente digo-- o sea, yo apliqué, no me acuerdo, no me acuerdo ni qué escribí.

O sea, yo apliqué, digo: da igual, o sea, es "rejection". Y me acuerdo que-

O sea, tú querías "rejection therapy" y tuviste todo lo contrario.

Eh-

Te cogieron en todos lados.

No, no en todos, pero, pero par-- fue mucho más "success" del que esperábamos, básicamente. Y claro, yo veo el trabajo ahí en Stripe: becario, 20.000 dólares al, al mes. Y digo: madre mía, ya está. O sea, nunca he tenido tanto dinero, esto es increíble. Dije que sí "on the spot", pero luego, claro, digo yo: yo sigo practicando.

Voy al VC firm. Claro, yo pensaba que me iba a preguntar algo como de: "¿Cómo estás? ¿Cuál es tu background?" No sé qué. Yo digo: algo se me ocurrirá, improvisaré. No, no. Empieza la entrevista y me dicen: "What are you building?" Directo. Esto, esto fue HF0. No sé si conoces el fondo.

No.

Es un fondo de, fondo de ear-early stage en San Francisco. Y yo-

¿Cómo se llama? ¿HR?

HF0. Viene de Hacker Fellowship Zero. HF0.

Okey.

Y yo me acuerdo que yo quedé flash, como en blanco. Y lo primero que me vino a la mente fue la idea de Víctor, porque como era épocas de COVID, me dio COVID y me había pasado, literalmente, Víctor me pasó mi, mi pódcast. O sea, un, un, un archivo de vídeo de seis horas de él grabándose Programando Geniverse o la versión early de KREA, porque yo quería aprender de esto que él estaba haciendo, que me estaba pasando unas imágenes que digo: ¿Cómo estás haciendo eso?

Y me pasó eso, me lo puse para dormir y lo que me vino fue -

Y no te dormiste.

No, o sea, me, me quedé escuchando como por cuatro horas, eh, como él iba modificando código de PyTorch. Y en la entrevista yo lo que dije fue-- porque me mostró una prototipo y dijo: Estamos haciendo una aplicación para modificar y-- modelos de inteligencia artificial en tiempo real, eh, y crear contenido de esa forma.

Y dice: ¿Tienes demo? Y yo: Sí, te la preparo. Eso fue lo que dije. Pero preparar significa coger la URL que tenía él, rezar porque el servidor estuviera encendido y les pase el código que él me pasó a mí para entrar y funcionó. Y se pusieron a crear Pikachus en la demo y decía: Ay, qué chulo, se-- está haciendo Pikachus y se ven tal.

Es muy raro, pero hay algo aquí, quizá, no sé. Y esto fue con, eh, ¿conoces a Lucy Guo, la cofundadora de Scale AI?

No.

O sea, es, es-- está Alexander Wang, que ahora es más famoso. Y Lucy Guo fue su cofundadora. Pues Lucy, eh, fue la que me, me hizo la entrevista junto a Dave. Y claro, me llama. O sea, me llamaron varias veces para la primera o la segunda con Lucy, como varias interviews. Y para la segunda yo ya estaba muy cagado, porque digo: Le, le he robado aquí la idea .

No le, no le había dicho nada. No le dije absolutamente nada a Víctor porque no pensaba, o sea, yo, yo no pensaba que, que iban a in-- a estar interesados. Y empecé a llamar a Víctor como loco. O sea, diecisiete llamadas perdidas por diferencia horario en plan: Dios mío, Dios mío. Y al final me dijo: No, no, tú vende esto, o sea, tú, tú dale.

O sea, porque yo le digo: Si tú me dices yo paro mañana. O sea, yo es que no sabía qué iba a pasar esto. Tú dale, tú dale. Y les dije, hicimos la entre-- la, y esa-- y me dijeron: Puedes venirte a Miami. Y si nosotros-

¿Y por qué Miami?

Porque ellos estaban basados ahí.

Ah, ¿sí?

Sí, en ese entonces. Ahora están en San Francisco. Porque eran, eran, todo el mundo era cripto. En, en los que aplicaron y los que estaban era todo el mundo cripto. Y Miami era la criptocapital, ¿no?

Ya.

Y vamos. O sea, bueno, yo le dije a Víctor: Mira, en el peor de los casos nos timan y nos vamos de fiesta a Miami. Ese es el peor de los casos. Y en el mejor de los casos, vamos a ver, a ver qué pasa. Y vamos. Y pe-- o sea, pensamos que era un scam diciendo esto porque decían: No, no tenéis que venir a Miami, os pagáis el vuelo y luego-

Os pagáis el vuelo.

Os pagáis el vuelo y luego os lo, os lo hacemos un refund y tal. Y nosotros: Vale, vale. Y fuimos. Y fue como... No sé, describe tú la experiencia que tuviste tú cuando estuviste ahí.

Bueno, o sea, lo, lo hicimos fatal. O sea, lo hicimos fatal porque yo no estaba pensando en hacer una startup entonces .

Claro, ya él estaba en su-

¿Pero qué significa hacerlo fatal? O sea, ¿qué paquete?

Pues que nos pusieron en un, en una, en una sala con los inversores. Okey, pitch me your idea. Y yo, pues, o sea, no sabía pitchar.

O sea, es que para que te hagas una idea, que le estaba haciendo imágenes de Elon Musk fumando marihuana .

No, pero eso-- o sea, podías hacer eso con la plataforma, pero no es lo que le, lo que le enseñé.

No, no, no, exacto. Pero me refiero que tú estabas pensando: Ey, esto a mí me, me mola, me flipa. Estoy haciendo grafiti, estoy haciendo una, una medusa que vuela en las nubes, estoy haciendo, estoy has-- estoy dibujando.

O sea, yo no sabía.

Y te preguntan: ¿Quién es tu primer usuario? ¿Cómo vas a hacer pasta? ¿Cómo vas?

Que al final es, es eso, ¿no? O sea, eso fue la derivación de lo que comentaba antes, que empecé con el New York City Media Lab y yo estaba haciendo esa herramienta para mí. O sea, yo estaba haciendo esa herramienta para, bueno, para mí y para poder hac-hacer esa tecnología que yo creía que era tan interesante, más accesible para todo el mundo, pero no había una idea de montar una startup o de levantar pasta.

O sea, todo esto vino-

Pero tú tenías un cofounder ya.

Bueno, ahora le llamamos cofounder, pero en ese momento estamos trabajando él y yo en esto porque los dos estamos motivados.

Y él sigue motivado y, o sea, tú ves-

No, y de a mí sigue, sigue-

Desde, desde antes de esto.

¿Ah, sí?

Sí.

Desde antes y ahora. O sea, tú ve-- tú ves que es un artista.

Es, es más un artista que un programador, pero sabe programar también muy bien.

¿Qué pasó con el tercer cofounder?

Había una diferencia de edad muy, muy grande. O sea, él tenía no sé si cuarenta y algo, cincuenta años. Eh, Diego y yo, o sea, cuando es-- o sea, nos acaba-nos acabaron, aunque lo hicimos supermal, el producto en sí hicieron reference checks y le dijeron: O sea, este es el producto más avanzado ahora mismo a nivel de UI para utilizar esta tecnología. Y ese fue el motivo por el que-

O sea, tuvieron criterio ellos.

Sí.

Esto fue Dave. Dave lo dijo, el, el GP dijo: Yo la vi y dije: Yo no entiendo nada. O sea, yo estoy aquí haciendo unas imágenes y, pero son feas. No entiendo por qué esto importa, pero llamé a un amigo mío que tengo, que es el genio matemático más inteligente que conozco y le dijo, que me acuerdo porque lo contó, dijo: Esta es la segunda mejor herramienta que he visto para modificar modelos de inteligencia artificial.

Y Dave dijo: ¿Y por qué estoy hablando con este chico? Preséntame al que hizo la mejor. Yo quiero invertir en esa.

¿Y cuál era?

Eh, Artbreeder, que es la empresa donde trabajó Víctor.

O sea, que yo fui la primera persona en trabajar con el chico que hizo Artbreeder y monté un, un montón de cosas ahí también.

Y dice-

O sea, ¿tú habías trabajado en una empresa?

O sea, había otra empresa que estaba haciendo, que estaba intentando hacer herramientas creativas con GANs, que es la primera herramienta que permitió a un usuario que con un ordenador puedas poner una URL y puedas generar GANs. Se llamaba GANbreeder y luego se llamó Artbreeder y yo contacté con el chico y me puse a trabajar con él. Fue la primera persona que, que trabajé con él y esa era la única otra opción para utilizar esos-

Y ahí aprendiste.

Bueno, yo ya sabía, ¿no? Porque eso era-- o sea, yo ya sabía bastante de, de GANs, pero ahí me permitió aplicar bastante más todo mi conocimiento.

Claro, y Dave dice-

Y este matemático casualmente conocía a-

Casualmente era amigo del founder de, eh, Artbreeder.

Y el tío dijo, y, y claro, y Dave dijo: Hostia, que es, que es el mismo tío . El primero y el segundo. Dijo: Vale, me parece. Y el-- o sea, estoy bastante seguro que nosotros fuimos, se invirtieron en diez startup o así. Nosotros fuimos la que esta seguro que no, pero ya tenemos nueve que están bastante bien. Seguro que esta va, va-- a ver qué pasa, porque tenía mucha pinta de ser así.

¿Y qué-- cuántos invierten? ¿Y dónde os invierten? Porque no había empresa ni había nada

No había nada, no había nada. No había-- de, de hecho, sí, o sea, no había... O sea, tardó un montón en crearse la cuenta bancaria. O sea, no había ni, ni para poner la pasta. Pero claro, la cosa es que aquí es donde entró el drama, porque es como: vale, tenemos una term sheet, que acabamos de aprender lo que es una term sheet en Hacker Fellowship. O sea, y, y, y, y no hay ChatGPT, es como aprender qué es esto, qué es esto.

Ciento veinticinco mil dólares. ¿Pero esto es un timo? No entiendo. Porque era la YC offer, de ciento veinticinco mil por ciento y por ciento. Y...

O sea, era, eh, como la YC offer.

La, la, la de antes.

Pero no era YC.

No.

Era equivalente.

Sí, pero era una SAFE.

Es como un estándar.

Era literal exactamente la YC SAFE.

Vale.

Y pero cambia la-

Siete por ciento, ciento veinticinco K.

Sí.

Muy heavy, ¿eh? Muy...

Es lo mismo que YC.

Buen upside.

Buen upside.

Y esto es verdad, o sea, siguen siendo-- ¿están en el cap table?

Sí.

Sí, sí, sí. Sí, sí. Y, y-

Pero qué, qué será en DPA más heavy, ¿no? O sea, ¿tú elegiste mucho este VC o fue el primero?

No, no, pero es que yo no sabía lo que era un VC.

Pero tú cuando dijiste que ibas a pitchear un VC, ¿de dónde sacas este VC?

Porque estaba en Twitter y Lucy tuiteó: "¿Quieres trabajar? ¿Quieres conocer a las personas más interesantes que vas a conocer en toda tu vida? Ciento veinticinco mil dólares para trabajar en lo que te dé la gana y estar en, en, en un hotel con piscina e ingenieros de las mejores empresas del mundo por tres meses, eh, hackeando en lo que te dé la gana".

Y yo: "Pues parece scam, pero sí". Yo digo... Yo me acuerdo que-

Así llegaste a ellos.

Que yo me acuerdo que JCO tenía treinta followers en Twitter. Ahora tienen, no sé, treinta mil o yo qué sé, pero tenían treinta. Y yo digo: "Parece scam, pero dale". Y apliqué casi que antes de irme a dormir, no me acordaba. Y luego pasó esto y claro, yo es como: pero espérate, que yo tengo la, la visa de estudiante, que este va a entrar en Cor-- que este va a entrar en Cornell el año que viene, que acabo de a-a-aceptar trabajar en Stripe para el verano y estamos en enero, enero 2022 y que no me he graduado, que yo solo llevo un semestre e-e-en la, en la uni, en el paseo del máster.

Eh, y, y yo... Ahí empezó el lío para ver cómo pauso yo la beca, cómo, cómo... Por favor, no me quitéis el trabajo de Stripe, que nunca, o sea, que son veinte mil pavos al mes y, y, y-

O sea, cuánto, tres hitos a la vez, ¿no?

Todo. O sea, y, y además estaban en plan a lo buen VC, ¿no? Tenéis que decidir antes de que acabe la semana. Y esto era viernes. Y era como... Y estamos él y yo en Miami. Y me acuerdo que Víctor no tuvo muchas dudas. Víctor fue como...

No, no, o sea, si a mí, o sea, la primera vez que yo tuve un salario de los inversores por trabajar en este proyecto, casi que sentía que les estaba scameando. Pero no, no porque les estaba scameando, sino porque, joder, es que estaba trabajando en esto, que era mi side project. O sea, yo estaba trabajando en esto por pura diversión.

Estás gastando tu salario para comprar las GPU para hacer esto.

Sí, no, o sea, para mí era la hostia. Yo-- y además, o sea, habiendo oportunidad de que te den una visa como founder.

Sí, eso también era...

Ah, ellos dijeron, porque decían: "Vais, vais a dejar..." Lucy me-- Lucy dijo: "Vais a dejarlo, ¿no? La uni". Y yo... Dice: "No, porque a ver, si no, si no te pones en serio, esto no, no va a salir". Y dice: "Ya, ¿pero y la visa?" Y dice: "¿Qué necesitas? Una O-1, te la conseguimos, no pasa nada, te hacen-

¿Esto va así?

Sí.

Sí.

¿Sí?

Nosotros somos expertísimos en conseguir visas para nuestros empleados.

Hemos aprendido...

¿Pero no era que era extremadamente complicado con Trump?

Bueno, eso es lo que te dicen, pero todo se puede hackear.

Eso es como hackear el sistema.

Esto da para otro pódcast. Este pódcast va a ser largo, ¿eh? Yo me tenía que ir antes de... Pero bueno, venga, sigamos.

Sí, sí. O sea, me acu-- pero yo me acuerdo que yo me leí, yo, yo-- o sea, el problema es que la, la, la, el vocabulario es como... Yo me lo di-- yo lo vi como: esto es otra caja, esto se puede hackear. Dije: porque el vocabulario es lo que... es como un honeypot.

Hecha-

El vocabulario del VC, ¿no?

No, no, de, de, de la vi-- de la visa y de la caja. Es muy, por ejemplo: beca para solo los cuarenta o cien mejores estudiantes de toda España cada año. Y tú: hay cinco millones, ¿sabes? Como...

Te da el rey la beca. Tenemos una, una foto con el rey.

¿Ah, sí? ¿Os la dio el rey?

A mí me envió una carta porque era COVID.

Ah, es verdad.

Pero fue el único año que pasó eso. Y, y a él le, le, o sea, tiene una foto en Instagram con el rey dándole la, la, la beca. Que, que, que luego...

Que ya existía KREA en ese momento.

Claro, claro, le estaban aceptando la-

O sea, esta foto puede ser generada con KREA, ¿no?

No, no, no. Imagínate, no, en ese momento ni lo soñábamos.

Pero se refiere a que le estaban aceptando la beca de, de, del Rey, cuando ya creo que ahí ya habíamos firmado la term sheet. Eh, pero-

¿Ah, sí?

Sí, sí, pero era como-

Ah, vale, vale, vale. O sea, vale.

Pero, pero total, que, o sea, el vocabulario de la O-1 es, eh, extraordinary ability, o sea, es como visa para personas de habilidad extraordinaria.

Ya.

Y luego tú te la lees, que yo me la estaba leyendo diciendo: ¿cómo se consigue esto? Y sale: tienes que demostrar que tienes algún achievement o, o sea, logro o premio, eh, relevante. Y te pone ejemplos: un Pulitzer, un Óscar, una medalla olímpica. Y tú: bueno. Eh, y así es como-- todo ese es el vocabulario.

Pero en realidad yo me embu-- me miré las estadísticas de gente que aplica y se lo dan noventa y dos por ciento acceptance rate. Y yo digo: esto...

Es un hack esta O-1, ¿no? Pero está limitado, ¿no? No, no hay una cuo-- una cuota máxima.

No, eso es la H-1B.

Es la H-1B.

Sí, la, la O-1 no tiene límite para nada.

O sea, solo tienes que demostrar-

¿Y eso no quería limitarlo Trump o lo limitó o algo? No.

Limitaron la H-1B y ahora te hacen pagar cien mil dólares.

Cierto.

Para cada persona. Hay una lotería, pero obviamente si tú haces que la gente tenga que pagar cien mil dólares, pues se va, va a aplicar mucha menos gente.

Sí, pero la O-1 más bien Trump está muy a favor, o al menos lo estaba antes, de, eh, gente, o sea, traer talento de inteligencia artificial a los Estados Unidos.

Claro.

Pero esto pasó, claro, después. O sea, nosotros, para tener una idea, esto es Enero 2022. O sea, no hay ChatGPT, OpenAI son 200 personas. Conocimos a Sam Altman en ese sitio, de hecho.

¿Ah, sí?

Sí, el tío vino porque nadie, porque, o sea, era famosillo, pero en las burbujitas de SF. Pero de OpenAI todavía-

Bueno, era, estaba en YC en aquel momento, ¿no?

No.

No, ya no estaba en YC.

Él había empezado OpenAI hace unos cuantos años y tenían, eh, OpenAI creo que eran 200 personas en ese entonces. Y, y él, Dave, conocía a Sam y se lo trajo durante el batch, por así decirlo. Y-

¿Y qué os dijo?

Eso, hablaste tú con él.

Bueno, yo hablé con él. O sea, nos ponemos, o sea, entramos en una habitación y le estuve explicando un poco sobre lo que estamos construyendo con KREA. Y claro, nosotros, o sea, lo que él me dijo es: "Espérate, deja que te enseñe una cosa." Y me sacó su Slack de OpenAI y me en-- y me empezó a enseñar generaciones de DALL-E 2.

Antes de que salga DALL-E 2.

Y yo dije: "What the fuck?" Que, o sea, yo ya sabía el paper en el que estaba basado DALL-E 2, que se llamaba CLIP. Y yo ya sabía que era posible hacer generaciones a ese nivel, que en ese momento era un 10 X de cualquier cosa que estábamos haciendo. Y en ese, en esa conversación fue donde me enseñó DALL-E 2 y me dijo: "Todo esto está a punto de cambiar.

O sea, estamos a punto de, de hacer este release. Va a haber APIs, lo vais a poder utilizar. Va a salir en, en, en unos días." Además, estamos como a cinco días o 10 que, que saliera el-

¿Y no os dijo: "Dejad de hacerlo y veniros a OpenAI"?

No.

¿No? Qué raro.

Bueno, seguro a saber la percepción que tuvo de, de nosotros.

Vale. ¿Y qué pasó a partir de entonces?

Pues nada, a partir de ahí nosotros estamos haciendo-

Volváis a San Francisco.

Ah, bueno, después de ahí, antes, en un mes y medio, ya y creo que fue cuando conocimos a Ramtin y ya...

Sí, esto fue fe-febrero, el 9 de febrero. Bueno, 1 de febrero del 2022 empieza el, el batch, todo el mundo haciendo cripto. Miami, se escucha de fiesta todo el rato. Nosotros solo los únicos haciendo generative AI. Y todo el mundo quería, o sea, intentando nosotros vender a gente y decían: "Pero esto me sirve para hacer NFTs." Y nosotros: "Madre mía."

Y, y unos meses, ¿cuánto fue esto? En abril.

Pero es que creo que fue como un mes y medio, dos meses que pasó todo lo del Demo Day, que el Demo Day lo hicieron como en la mitad del batch, lo guardan al final, no sé por qué.

Eh-

Y...

Creo que tenía algo que ver con que, no sé si era, era algo de timing-

No sé

...que YC hacía su Demo Day también, no me acuerdo, pero movieron el Demo Day a la mitad del batch de repente.

Sí. Y bueno, o sea, trabajamos un montón, mejoramos un montón la plataforma, hicimos una, o sea, hicimos un montón de cosas y Diego hizo una presentación increíble en, en, en el Demo Day. Vinieron un montón de investors. Uno de estos fue Ramtin, que, que es el, el fundador de Abstract Ventures, que es un, un, una firma bastante guay en, en, en San Francisco, y el tío nos hizo una term sheet on the spot.

¿De cuánto?

¿Esto cuánto fue?

Ah, o sea, este, que también la, la historia de la negociación fue...

Resumamos un poco, porque si no, nos quedamos aquí.

Esto al principio nos, nos ofreció creo que 500 K a 10 millones. Acabamos cerrándolo a 2,5 millones a 18. No, do-dos, sí, 2,5 millones a 18 millones de valuation.

Ostra, evolucionó mucho.

Sí.

¿De 500 K a 2 millones?

A 2,5.

O sea, habí-habíais aprendido a negociar.

Aprendí on the spot.

O sea...

¿Cuándo tenéis la conversación de cuál es el cap table que queréis cada uno, qué proporción tenéis?

Esto, o sea, fue un desastre. O sea, fue puro freestyle. No teníamos ni idea.

No, pero digo entre vosotros.

Ah, eso fue fifty-fifty.

Lo teníais claro.

Yo tengo una share más. En caso de que haya un disagreement, yo soy el que tiene la última palabra. O sea, tengo la mayoría, pero es fifty-fifty con un share más para mí.

Bueno, eso entre vosotros.

Sí.

Sí, o sea, esto nos-- porque nos lo recomendaron los de H0, diciendo: "Haced fifty-fifty y, ah, escoged a un CEO y que ese tenga una share más. Ya está. No, no, no os compliquéis."

Y vesting a-- queríamos hacer vesting a 10 años y al final lo, lo hicimos a seis, porque el abogado nos hizo mucho pushback.

O sea, queríamos hacer un vesting a 10 años.

Es que 10 años pasan muchas cosas, ¿eh? Está bien, ¿eh? Como declaración. O sea, seguro que a los investors moló esto.

Sí.

¿Qué pasó con el tercer cofounder?

Nada, cuando estábamos durante estos, ah, tres meses nos empezamos a distanciar y él se quedaba como en su, en su habitación trabajando en sus cosas y Diego y yo estábamos como en un comedor donde pusimos mesas para trabajar ahí grinding. Y al final es como que acabamos haciendo casi que dos productos o acabamos-

Pero él, él se vino también a San Francisco.

Sí, sí. Bueno, no, él se vino a Miami.

A Miami.

Y antes de que acabase Miami, de que empecemo-- o, y de que, de que actuali-- hiciéramos una, una empresa, ya tuvimos una conversación con él, le dimos un, un buen porcentaje de, de equity para hacer como un separation agreement y quedarse todo limpio. Creo que él también entendió que...

O sea, le disteis un buen porcentaje de equity.

Sí. Y sí, sí. O sea, fue un separation agreement superclean con todos los documentos legales. Él tuvo su porcentaje de equity y todo el mundo salió contento.

¿Y no ha hecho nada más en la empresa?

No.

Vale.

Se quedó el nombre de Jennyverse. Eso-

Forma parte del agreement.

A mí me gustaba el nombre, pero...

Entonces, cambiasteis a KREA.

Sí.

Vale. ¿Y qué, cómo evoluciona? ¿Volvéis a San Francisco o no?

Nosotros que, o sea, con-- venimos a Barcelona, estamos allí tres meses, conseguimos nuestra O-1 y con la O-1 volamos a Nueva York. En Nueva York, que es, ahí es donde nosotros pensábamos que habría la mejor combinación entre tecnología, creatividad y money, ¿no? Que es, que es al final un poco lo que estamos buscando.

Y-

Más que, que Silicon Valley.

A nivel de creatividad, sí. O sea, mu-muchísimas agencias creativas o muchos creativos en general en-

Vale

...en New York. Eh, pero estuvimos ahí tres meses, no encontrábamos piso. El real estate en, en Nueva York es un, es una auténtica locura. Y unos, unos amigos, incluyendo Dave, el chico de H0 Nos estaban haciendo mucho, mucho push de decir: "Chicos, os tenéis que venir a, a San Francisco". O sea, mmm, Dave nos dijo: "Si vais en serio con el tema de la AI, sería de irresponsable no estar en San Francisco ahora mismo".

Y nosotros, pues, yo no que si dijimos: "Okey, pues qué más da."

Vamos dos semanas, vemos y, y si no, pues volvemos.

Y una vez en San Francisco, pues ya empezamos a ir a hacker houses, empezamos a ir a-- bueno, conocimos a un montón de gente. O sea, San Francisco es el sitio donde todo el mundo-- o sea, mucha gente utiliza Twitter y mucha gente son como micro celebrities en, en Twitter. Entonces, llegamos a las hacker houses y empezamos a conocer un montón de gente que conocíamos de Twitter, que nosotros admirábamos muchísimo.

Entonces, a mí me sobresaltó mucho conocer a toda esta gente que hoy son nuestros amigos y el, el ambiente que se respiraba en ese momento en San Francisco era brutal. O sea, todo el mundo estaba supermetido en, en temas de inteligencia artificial. Podías tener conversaciones súper, súper, supertécnicas con cualquier persona en cualquier evento que, que hacían.

Había un montón de eventos también, ah, ah, pasando todo, todo el tiempo. Era como, no sé, o sea, parecía-- y aparte, la ciudad de San Francisco también es un, es un sitio que noto que, que te hace la vida un poco más fácil para, para estar enfocado construyendo algo. Es como que es, es mucho más abierta, obviamente, que, que Nueva York.

Hay-- tienes la naturaleza al lado, hay calles muy, muy, muy amplias, parques, de todo. Es como un sitio mucho, mucho más tranquilo que, que Nueva York. Y nos gustó y "on the spot" decidimos venirnos y, de hecho, estuvimos, o sea, nos mudamos. O sea, fuimos a New York, volvimos directamente y mandamos nuestras maletas y vinimos sin casa y estuvimos viviendo durante dos o tres semanas en, en las oficinas de unos de PebbleVet.

O sea, en el sitio ese de-

El sitio ese que tú fuiste, ese fue nuestro primer apartamento. O sea, dormimos ahí.

Porque era como un apartamento, ¿no? Esto yo me acuerdo-

Había como unas camas para founders.

Sí, había como camas para founders. Me dijeron: "Son camas para founders de Dios".

Pues ahí estuvimos nosotros.

Pues ahí, ahí do-- ahí, ahí estuvimos las primeras semanas, que curiosamente es como eso llevó a, a ellos haciendo inversión después.

¿Ah, sí?

Sí, pero es como-

Pero este era un equipo de, de Meta, ¿no? Que salía de... ¿O de dónde era?

Claro, esto es-

Ejecutivos de Meta.

No, no, no. O sea, esto es Pam y Keith, que Pam es, o sea, eh, fue una de las founding members de OpenAI. Fueron nueve, una era Pam. Y-

Ah, de OpenAI. Vale, sí, sí, sí.

Sí, pero también-

Y de Meta también.

Y también, porque Keith, ah, su pareja, fue el fundador de Facebook AI Research. Él fue el que literal convenció a Mark: "Pon en esta cosa de AI." Esto en 2012. Y él c-- fue el que contrató a Yann LeCun.

Mhm.

Él nos lo contaba. Y claro, o sea, esta gente-- o sea, acabamos de llegar. Decimos: "A ver qué tanto puede haber en esta ciudad." Semana dos hemos conocido a este-- a estas personas y decimos: "Bueno, eh, creo que este es el sitio." Y luego nos dicen: "Sí, sí, trae las maletas, envíalas aquí y veníos a dor-veníos a dormir aquí." Y yo-- porque decíamos: "No sabemos de apartamento, tenemos que buscar." Y dice: "Quedaos aquí, ya encontraréis.

No, no os preocupéis por la, el alquiler ni nada." Y, y ahí estuvimos dos semanas o así, y eventualmente, meses después, ellos acabaron invirtiendo con este bridge, cre-- que me acuerdo que Víctor era como: "No nos hace falta, pero es que son tan guays esta gente, como molaría tenerlos en el cap table." Y, mmm, sí.

¿Y cuánto invirtieron?

¿Cuánto fue? 750 K.

Sí, me acuerdo.

Sí, creo que 750 K.

Que, que habíais levantado 2 millones.

Pero esa la hicimos a una valuation un poco más alta. Creo que la hicimos a 25 millones o algo así. Era como un bridge.

Vale.

Sí.

Mhm. ¿Y qué hacíais con este dinero? ¿GPUs?

En ese momento casi que no había tampoco tantas GPUs. Estábamos, como yo le digo, fucking around. O sea, estábamos haciendo cosas. O sea, hicimos una librería de prompts, hicimos un, una herramienta para, ¿qué hicimos? Para generar imágenes, pero que era, que era muy, muy básica. Hicimos un canvas, estuvimos mucho tiempo trabajando en un, en un producto que era un canvas y yo creía que el futuro de trabajar con este tipo de, ah, modelos se basaría en, o sea, sería muy importante el proceso de curation.

Entonces, hicimos todo un canvas donde tenías una ventanita donde generabas imágenes y tú luego, pues las, las arrastrabas al canvas. Y el canvas, pues encima de eso, pues ya hicimos temas de entrenado de, de modelos. Ya lo hicimos en ese momento.

Vale.

Ya los modelos que había en ese momento, pues ya los podías entrenar y podías utilizar esos modelos y añadirlos en el canvas. Hasta el momento en el que, en contra de mi voluntad, lanzamos el, el producto ese de, de -- o sea, hubo-

Los espirales.

Los espirales, los, los patterns.

Sí.

O sea, hubo como una t-trend que a partir de, de-

Fue el primer o segundo de KREA ese.

O sea, ahí fue cuando vimos cómo teníamos que cambiar KREA para que KREA funcionase. Lo del canvas no, no estaba funcionando. Y estuvimos, yo qué sé, como ocho meses.

Sí, o seis, ocho meses.

Estuvimos bastante tiempo trabajando en el producto ese.

Nada, básicamente.

Era supereficiente y había otra competición. O sea, no estábamos solos trabajando en, en ese tipo de producto. Y salió como una trend viral, donde que a lo mejor te acuerdas, que era como, sa-sa-- era como una foto donde a lo mejor veías un, yo qué sé, parecía como una, una escena de, de una calle de Nueva York y tú hacías, eh, squint con, con los ojos, o sea, cerrabas tus ojos y veías un, una frase.

Mhm.

Que decía, yo qué sé: New York. O veías una, una foto con gatos, hacías así con los ojos.

¿Tú eso lo viste?

Sí, creo que sí.

Pues en ese momento salió esta trend y nosotros obviamente salí-- sabíamos cuál era el, cuáles eran las te-- las técnicas que se estaban utilizando para eso.

O sea, que gene-generabas texto con los objetos de la foto, ¿no? O sea, con-

Sí

...con los distintos tú podías leer-

Sí

...un texto.

Pero si te alejabas. Pero si mirabas de cerca, la foto no parecía. Era como si de repente el estudio de pódcast, si te alejas, de repente dice Itnig. Pero si lo miras de cerca, es un estudio de pódcast.

Sí, sí, sí, recuerdo eso, sí.

Pues salió eso y, y Diego fue, fue el que pusheó de decir: "Tú, tú, tenemos que hacer algo con esto. O sea, se está haciendo superviral, no sé qué." Y yo estaba como: "No, tío, o sea, estamos, estamos haciendo todo, todo lo del canvas, como focus, o sea, focus en esto, que, que tenemos que, que, que sacar el canvas este." Y-- pero en algún momento dije Fuck it, va, lo hacemos

Me acuerdo que dijiste-

Un día

No, ni eso. Dijiste cuatro horas.

No, no dije-

Yo me acuerdo que dijiste al principio cuatro horas. Pero luego, so-son, son cuatro horas de programador

Es decir, cuatro meses

No, u-uno o dos días al menos, pero sí

Pero bueno, lo hicimos y un montón de, de growth

Se hizo tan viral que el Barça-

Eso, sí

...el Barça usó esa herramienta para una imagen que consiguió más de un millón de likes, que era de una mezcla de Messi con las galaxias, yo me acuerdo. Yo dije: "Madre mía", o sea... Y fue un, fue un momento como de, de cuestionarte todo. Es decir, he estado ocho meses y lo que he hecho en cinco horas ha traído más resultado que nueve, 10 meses de todo ese esfuerzo, ¿sabes?

Todo junto

Esto pasa

Pero también te digo una cosa, ¿eh? Fue fue así.

Ya

O sea, igual que fue para arriba, fue para abajo, porque era un meme. O sea, era un meme, tampoco había mucho que hacer con lo... O sea, mucha gente lo seguía utilizando, pero era un meme. Eh, pero creo que vimos algo muy importante ahí y fue el, el potencial y el valor que se puede aportar al ser los primeros en hacer una, una técnica que viene del research accesible para, para el, el gran público, ¿no?

Hacer que un nuevo research en un día pueda estar en una plataforma que es supersimple de utilizar y, y que todo el mundo ti-tiene, tiene acceso a eso. Y de alguna forma crea-- o sea, dejamos lo del Canvas y empezamos a enfocarnos en eso. O sea, vimos el potencial, en que la gente estaba interesada por todos estos research que estaban saliendo con, con los modelos de imágenes y tal, sobre todo artistas.

Y ahí fue cuando cambiamos y ahí fue donde encontramos la perfe-- la, la tormenta perfecta con el real time. Porque el, el-- ya switcheamos, o sea, ya cambiamos un poco el, el producto para enfocarse en eso, en ser los primeros, o sea, traer, eh, research al, al mercado. Y salió esta tecnología que nos permitía crear imágenes en tiempo real.

Entonces, nosotros en una semana hackeamos como locos un producto, que es el que te he enseñado antes, de real time, que tienes una cosa a la izquierda y te genera la imagen en la derecha. Pues lo hicimos en, en siete días. Am, fuimos los primeros en hacerlo, hicimos obviamente toda la infraestructura y toda l-- todo el proceso con GPUs para que pudiera escalar.

O sea, ¿ya, ya comprasteis GPUs?

Sí, sí, sí. Ya teníamos-- ya estamos utilizando GPUs en, en ese momento. No había APIs. En ese momento no existía el concepto de, de, de API. De hecho, bueno, en DALL-E quizá lo podías utilizar.

Sí, pero ya está, solo era DALL-E y era lento también.

Era muy lento. Pero, o sea, teníamos ya una infraestructura, pero creamos todo. O sea, la, la infraestructura para el real time casi que la creamos desde cero, porque había problemas muy específicos para, para hacer que el real time funcionase. En una semana lo hicimos. Lo... Y, y yo, o sea, fue, fue como algo supertonto, es decir, hice una captura de pantalla donde hacía como prompting y en tiempo real lo que estaba pronteando cambiaba arriba de la imagen.

Pero la, la captura de pantalla más cutre que te puedas imaginar, ah, que aún está en mi Twitter. Hice la captura de pantalla y estaba como, estaba delante de Twitter diciendo: "Fua, ¿lo cuelgo o no lo cuelgo? Es que se ve muy cutre."

Era muy cutre.

Se ve muy cutre.

O sea, era el Canvas y un-- que no tenía ni CSS, para que te hagas una idea, y es-- y no estaba ni desplegado, estaba en localhost.

O sea, nada funcionaba, en verdad. Y, y hice la demo, la puse como 2x o un poco más rápida para que se viese un poco más interesante y dije: "Fuck it." Y la puse en Twitter y me fui a correr. Y, y luego cuando volví de correr, miro el Twitter y bueno, 500 likes. Y bueno, y fue un, un, un post que se hizo superviral.

O bueno, se hizo-- a lo mejor no era tan, tan viral, a lo mejor tuvo como mil y pico likes o algo así, pero para nosotros era algo superviral. Y dijimos: "Guau." Empezamos a hacer one on one, o sea, empezamos a hacer demos y tests con, con artistas, en plan one on one, le dimos acceso a esa tecnología y es que era supermágico. O sea, era algo que no se lo podrían, no se lo podían creer, que estuvieron hac-- poniendo el prompt y en real time, tal y como escribían el prompt, salía la imagen y, y se generaba.

Entonces, sabíamos que era potente y que la gente le iba a prestar atención, pero es que lanzamos la waitlist y creo que en unos días teníamos como 300.000 personas apuntadas en la waitlist

No, no, o sea, lo que ocurrió fue que lanzamos una waitlist y...

Ah, y la gente empezó a pagar

La gente empezó a pagar, pero empezó a pagar porque estaba la infraestructura de pago que montamos para el Canvas. Y empezaron a entrar a la web y empezaron a pagar. Generamos que si 10.000 dólares en un día, o sea, cero a 10.000 dólares en un solo día. Y la gente empezó a enviar correos cabreadísimos diciendo: "Aquí no hay real time, ¿qué es esto?

Aquí hay un Canvas, no entiendo nada, no sé qué." Cabreadísimos pidiendo refunds. Y yo: "Sí, sí, yo devuelvo la pasta, no te preocupes, es que estoy lidiando aquí con mucho." Y decían: "Ah, pero que sí existe, porque la gente está cabreada porque pensaba que era un scam y que no existía." Y dice: "Eso es mentira." Y dice: "Ah, no, no, sí que existe, pero es que no es, que no está en producción todavía, que falta u-- danos una semana, unos días." Dice: "Ah, ¿sí, es verdad?" "Sí." "Ah, pues quédate la pasta.

Tú avísame cuando no sé qué." Y, y me acuerdo, se, se empezó a registrar, creo que eran 100.000 personas por semana. Empezaron a registrarse. Y ahí fue cuando empezó el fundraising más loco de que hemos tenido, que fue con el Day16, sí.

Bueno, y lo lanzamos y obviamente, pues tuvo un montón, un montón de... O sea, un growth increíble.

Por dos semanas-

Y estábamos como dos o tres semanas delante de cualquier competidor que quisiera hacerlo.

Y ahí os empezaron a visitar los inversores.

Ahí empezaron a llamar, sí.

A llamar, a escribir.

Bueno, que-- siem-- o sea, ya había un, un montón de inversores que nos llevaban contactando por todo lo del Canvas y lo que estábamos haciendo, pero nosotros nunca queríamos hablar con inversores. Y de hecho, nunca queremos hablar con inversores. O sea, siempre estamos como en building mode y cuando queremos, eh, abrir ronda, hablamos con los contactos que tenemos, que son inversores, y les decimos: "Okey, organízanos meetings." Y solo es en ese momento que hablamos con inversores.

Qué suerte, ¿eh?

Y así fue como, como lo hicimos, sabes.

Pero esto fue desde el, desde la preseed, porque esto, esto es lo que decía Ramtin. Decía: "Yo-- a mí no me preguntéis de producto ni de marketing ni de nada, ¿sabes qué? Yo solo tengo un trabajo, que es: yo voy a hacer que vuestras rondas sean hot. Es mi único trabajo." Todo lo demás, vosotros. Así que cuando creéis que estáis listos para levantar-

¿Ese quién?

Ramting, el de Absolut. Y nos decía-- y, y ojo, hasta gente de a16z muchas veces nos ha dicho: "¿Queréis levantar? Hablad con Ramting".

Mhm.

¿Sabes? Y, y Ramting: "¿Cuándo estáis listos? ¿Sí, no?" Bueno, y, y con lo del real time me acuerdo que Cla-- Ramting, o sea, él es un inversor finance guy que no entiende nada, pero él dice: "A mí me da igual". Y le explicamos esto y decía: "Pero no entiendo, o sea, ¿quién usa esto? ¿Quién es el customer?" Lo, lo decía, pero es como: "A ver, no lo entiendes.

Es para dibujar y lo está usando mucha gente". Y le pa-- nos pasamos unos bullet points y Ramting: "Bueno, yo envío esto y si hay interés ya os diré algo". Se envía, nos vamos, dormimos cuatro horas, nos despertamos y, y dice: "Chicos, estaréis durmiendo, pero, eh, Sequoia, a16z y Benchmark os quieren conocer".

O sea, esto inmediato. Y fue, bueno, o sea...

En tres días lo cerramos, pero fueron los tres días más jodidos de, de nuestras vidas.

Psicológicamente.

¿Por qué elegisteis a16z?

A16z. Mmm, al final, reference checks, deal que conseguimos con ellos era, era más a-- pero realmente no fue por el deal, porque tuvimos hasta, hasta, eh, opciones más altas de los que, de lo que ellos acabaron, ah, invirtiendo. O sea, la serie S fue a 130 millones y tuvimos ofertas a 150.

Ah, mmm, fue, no sé, o sea, al final son, son vibes, o sea...

Del partner.

Anish.

Del partner que te-- que tenéis.

Anish.

Anish.

Sí, no sé, hablamos con ellos, sabían sobre el producto, estaban interesados. Era lo típico de... O sea, también había como un poco el vibe de

si-- o sea, primero de todo, cualquier persona que preguntamos de a16z nos hablaba maravillas, pero nosotros éramos mucho del, de, de la opinión de que los VCs pueden ayu-pueden ayudar poco. O sea, los VCs nos habían ayudado poco. Ah, no, o sea, le, al levantar la ronda de inversión era el, el, el momento en el que habían sido más helpful, pero hasta ese momento no habíamos visto que, que nos hubieran ayudado mucho, con lo cual no nos creíamos que necesitáramos ningún investor que fuera helpful.

Hay gente que no habla maravillas, ¿eh? de Andreessen Horowitz.

Jo. Bueno son-

Parker Conrad, por poner un ejemplo, ¿no?

Son, son muy grandes también. Hay, hay mucha gente.

Mmm.

Sí.

Pero por lo menos las referencias que tuvimos de Anish y en general de founders que conocíamos-

Fueron muy buenas

...y yo si me preguntas ahora sobre a16z, yo solo tengo cosas buenas que, que decir.

Sí.

Y de hecho es que actualmente nos han ayudado, sobre todo para temas de enterprise y de go to market. O sea, muchos de los deals de los que estábamos hablando antes, esto viene del mega network que tienen. O sea, si tú quieres hablar con cualquier persona del mundo, estás a dos hops con a16z.

Tienen el equipo de platform, ¿no? Que tienen un equipo que...

También, pero ese no, no hemos interactuado tanto con platform, que yo sepa.

O sea, ¿cómo, cómo os ayudan? ¿En qué os ayudan? ¿Quién, quién os ayuda a hacer intros, eh, intros con clientes?

Hay va-varias personas, porque por ejemplo, hay uno que se encarga, por ejemplo, tienen hasta equipos por industria, por ejemplo, ¿no? Y tienen media and entertainment. Y me acuerdo que decía: "Chicos, queréis conocer a estudios de cine de Amazon, por ejemplo, y gente de LA." Y digo: "Pues sí." Y: "Buah, pues veníos a Nueva York y, o, o, y van a venir como ejecutivos de varias de empresas, ¿no?

De AT&T, de, de, de Amazon, de MGM. Y, y venís y podéis hacer como pitch, como se, eh, rápido a todos ellos en, en una, en un solo día. Entonces es como muy eficiente, porque es como puedes estar enfocado en innovation, producto, lo que sea, y ah, ah, tienes que salir de la cueva y es como nos encargamos de eso rápido, porque conocemos a todo el mundo.

Y, y ya está. Y entonces es así.

O necesitamos GPUs. A quién conocéis.

Sí.

Okey, tenemos al tío este que está conectado con todo el mundo. Deja que le envíe un mensaje. En 30 minutos y tengo un mensaje del tío: "Ey, ¿qué necesitas? Hacemos una llamada. Llamada: estamos buscando no sé cuántas H100. ¿Cuál es el market price? ¿Con quién hablamos? ¿Cómo negociamos? ¿Qué, qué hacemos? Okey, hazme las intros. Intros y, y deal de GPU cerrado.

O sea, ese tipo de-

¿Con Nvidia?

No, no, no con, o sea, acabamos cerrando con, con, con otra, con otros.

Vale.

Sí. Pero bueno, ese, ese es el vibe, ¿sabes? O sea, cada vez que nos hace falta algo, o hasta con recruiters-

Porque no compráis tanto como para hablar directamente con...

Nos presentaron, nos presentaron a Carmen.

Ah, Carmen.

Sí.

El ángel caído del cielo.

Que es la persona que os lleva el, el mark-o el marketing, ¿o qué os lleva exactamente?

Bueno, es un poco la persona que, o sea, empezó con operaciones y nos ayudó con muchas operations que ha habido. O sea, imagínate, o sea, acaba-

Que Carmen es la persona que me ha escrito a mí.

Carmen-

Claro, en cierta forma.

Me, me escribió por WhatsApp. No, no sabía quién era. Me escribió por WhatsApp y me dijo...

No, no, es-eso es Carmen. O sea, mega resourceful, eh, superdeterminada. Ah, si hay algo que hacer, 100 % lo hace. O sea, extremadamente reliable. Ah, entró a arreglar todo el caos que había en ese momento, que éramos cuatro mataos que acabamos de salir con, de una hacker house en nuestra primera oficina, ah, donde era todo un caos.

O sea, era todo un absoluto caos. Entonces ella entró y nos ayudó, pues a arreglar todo un poco, desde finance hasta hiring. No sé, es una de las cosas en la, en las que nos ayudó más, ¿no? A hire, a hacer pipelines de hiring, porque teníamos bastante inbound, pero ni lo sabíamos. Ah, mmm, y, y después de eso, ahora se está moviendo más hacia temas de go to market.

Y estoy super, superexcited por, por el trabajo que yo creo que está a punto de hacer a ni-a nivel de, de go to market, ah, que es un poco el, uno de los push, pushes más grandes que, que tenemos ahora, sobre todo a nivel de, a nivel de, de sales y de growth dentro de enterprise.

Sí, para que te des una idea, la serie S-A fue con, ¿qué? ¿Cuatro, cinco personas?

Sí, levantamos la serie S-A con cuatro personas.

Y la serie S-B con siete. O sea, llegó Carmen diciendo: "Madre mía, a ver."

La, la serie S-B, ¿cómo fue? Esto fue el 2024.

Sí, diciembre de 2024.

Sí, la, la serie S-B fue, ah, por Flux, ¿no? Pues por todo el trabajo que hicimos con, con encima de, del modelo open source, ah, Flux. O sea, hicimos todo un producto con un montón de cosas custom, que-

¿Pero cuánto levantáis?

En ese momento, 40 y algo millones.

Sí, 47.

Con Bain.

Con Bain y con A16z

¿Y cómo fue este proceso? También fue igual de-

Ahí fue el primer pitch deck que nosotros hicimos y fue igual. O sea, le dijimos a Ramtin: "Hey, estamos pensando en hacer una serie B, ¿tú cómo lo ves?" Y nos dijo: "Sí, o sea, las métricas cuadran, estáis, eh-

Las métricas de usage del producto gratuito.

No, no, no. En ese momento ya teníamos una, un, un sistema de suscripciones.

Ah, es verdad.

¿Y la RR de aquel momento o el revenue? ¿Se puede compartir de aquel momento?

Es que n-- e-eso nunca lo hemos hecho público y ni creo que-- no va, no va a ser la primera vez. Ah, pero era suficiente para levantar esa serie B.

¿Menos de 10 millones?

Eran menos de 10 millones en ese momento.

Pero hace nueve meses era cero.

Y hoy es menos de 100.

O sea, hoy me refiero-

¿Hoy es menos de 100 o no?

Has-- o sea-

Eso, eso ya, eso ya para lo, para los inversores de la serie B.

Perdona, digo.

No, y, y no, iba a decir, eso, corrección: de, de nueve meses antes de la B o así, era, creo que era cero. O sea, sé que cuando invirtió Andreessen no había revenue.

Mhm.

Ah, que fue un poco heavy porque invirtió Andreessen y el revenue empezó a subir. Pero fue como: vaya timing. Se esperaron al último momento, porque yo recuerdo ver el Stripe, que estaba planísimo. Invirtió A16z y siete días y empezó a subir. Y fue como-- pero, pero no, no qu-- no, no-- o sea, no creo que sea causa, pero digo que, que, que vaya timing, ¿no?

De-

Con Bain, con Bain igual. O sea-

Sí

...después de levantar la serie B fue cuando empezamos a hacer todo lo, lo de las APIs con modelos de vídeo y eso fue una locura. O sea, a nivel de-

Que normalmente es al revés, ¿no? Cualquier emprendedor le piden: "Oye, primero enseña, enséñame las métricas y luego te invierto."

Es que-

Ellos fueron valientes, vieron, entendieron el potencial del...

Es que yo, yo, yo, yo creo que el-- o sea, que cuando, cuando hemos ido a hablar con inversores y tal, les motiva bastante. O sea, creo que es bastante fresh ver gente que viene de muy fuera de los clusters, que son los típicos founders, mmm, que ves en, en San Francisco.

Sí, porque, porque se cansan de su propia historia-

Sí

...de su propia narrativa, ¿no?

Sí.

Es, es como un echo chamber-

Sí

...el mundo BC.

Mhm.

Sí.

Entonces, cuando ves a alguien que está haciendo algo genuino y tal.

Mhm. No, no, les motiva bastante.

¿Y qué pasa desde los últimos dos años? ¿24, 25, 26, 26?

Pues, o sea, mucho, mucho cambio en, en el espacio, ¿no? O sea, lo de las APIs es que, ya te digo, también nos salió un poco de, de chiripa, porque nosotros hicimos la agregación de las APIs que había para vídeos, pero pensábamos que nos las iban a chapar en dos días, porque esas APIs no estaban hechas para que otra empresa, que en parte era competidor, porque nos-- nosotros al final, pues competíamos con empresas como RunwayML o Pika Labs.

Integramos sus APIs y lo anunciamos como de: "All in one place for using all the AI models." Y como: pagas solo una suscripción en lugar de pagar 10 y ten acceso a todos los modelos que quieras. Claro, ¿cómo, cómo iban a permitir esta gente que se había gastado tantos millones en entrenar estos modelos que unos matados, o sea, hicieran la, la agregación de estos modelos, hicieran un producto encima de eso anunciándolo de esa forma?

Entonces, algunos se enfadaron, pero otros dijeron: "Mmm, actually, ¿podríamos hacer un partnership y haces que mi modelo salga el primero en tu lista?" Ah, entonces, al final la recepción fue mucho más positiva de lo que pensábamos y obviamente funcionó muy bien y a partir de ahí, pues vinieron muchos, muchas otras empresas que hicieron el tema. O sea, se dieron cuenta de que se podía hacer eso y de que la industria cambió de alguna forma.

Entonces, uno de los principales cambios que ha pasado desde ese momento es que cada vez hay menos open source y cada vez la diferencia entre open source y closed source, que es state of the art, es más grande. Em, que esto, mmm, también pasa un poco con LLMs, pero, pero no tanto, yo creo. Yo creo que, que con los LLMs quizás estamos viendo como un poco lo que va a pasar en el futuro en nuestro espacio.

No sé, antes era como complicado tener un modelo LLM open source que se acercase al state of the art. Ahora no sé cómo de cerca debe estar un Qimi 2.5 a un Opus 4.6 o 4.7. Am, pero bueno, o sea, la, la diferencia entre lo que podíamos hacer en ese momento con modelos de open source y lo que podemos hacer ahora, o lo que-- que eso ha sido como una transición, o lo que podíamos hacer desde el último año, ha sido brutal.

Entonces, nosotros desde el día uno que hemos querido, ah, hacer herramientas creativas.

¿Y no han ido evolucionando los modelos open source?

No.

No.

O sea, han sal-- han salido cosas, pero es que no son, no son, no son usables. O sea, nosotros tenemos como, como un poco los problemas que, que comentábamos antes con estilos que los modelos no pueden hacer. Malos hábitos de post training que hacen que las imágenes se vean mal. El clas-- el caso más claro es el de OpenAI con, con las imágenes que se veían naranjas, ¿no?

Eso es por hacer un post training de una forma en la que no miras cómo están yendo los resultados y solo optimizas por las métricas. Entonces, había un montón de problemas que nosotros veíamos, pero no éramos incapaces de hacer nada para intentar arreglarlos, aunque tuviéramos las ideas de cómo hacerlo, porque no teníamos un modelo que fuese lo suficientemente, em, bueno como para poder hacer técnicas encima de, de estos.

¿Có-cómo os comparáis con Freepik, con este modelo de APIs? Ahora vais a crear un modelo, pero antes.

O sea, mi-- bueno, am, o sea, Freepik fue yo creo que la prim-- una de las primeras empresas que nos copió el, el real time. Eh, y desde ese momento fue cuando se com-- cuando pasaron de estarse muriendo con, con el, con, con lo que tenían de-

Con el modelo anterior

...con el modelo de stock a volverse una plataforma generativa como KREA. O sea, nosotros empezamos un poco antes, ellos empezaron un poco después, pero claro, Joaquín, el, el, el CEO de Freepik, lo hizo superbién porque no empezaron desde cero. Empezaron con una, con una distribución gigante y han sido capaces de utilizar esa distribución súper, superbién.

O sea que yo, o sea, big shoutout para, para Joaquín, porque mil, o sea, mis respetos de salvar un negocio como ese tan grande y tan, y tan, ah, a punto de morirse a lo que tienen ahora, que no lo ha hecho Shutterstock, no lo ha hecho Getty y no lo han hecho otras personas que se están muriendo Cuando que estaban en, en la misma situación en la que estaba Joaquín, ¿no?

Entonces, en ese momento, yo en el momento del real time y tal no estamos compitiendo tanto. Ahora, obviamente, estamos compitiendo. La, la diferencia entre Freepik y KREA es que nosotros somos más-- bueno, yo la percepción que tengo, tampoco sé lo que están haciendo ahora, pero mi percepción es que nosotros somos más técnicos y estamos más enfocados en hacer herramientas para creat-- para creativos profesionales.

Y nos importa mucho el tener acceso a un modelo que podamos correr en nuestras GPUs para tener full control de eso y poder hacer un producto encima de eso.

Ellos no están haciendo un modelo.

Ellos lo intentaron, pero no les salió bien y ya creo que ya lo dejaron de intentar y ahora están full, ehm, APIs y tienen partnerships.

Y brokerage.

Sí, que, que a mí es un poco el que, lo que veo que puedes estar haciendo el revenue que quieras, que es un revenue volátil, que, o sea-

Temporal.

O sea, es un revenue que al final-- o sea, primero de todo, a nivel de defen-de defensibilidad, el tema de estar construyendo encima de una API de otra empresa que claramente tiene ganas de competir contigo es un poco, es, es un poco-

Te puede capar en cualquier momento.

Es que estás-- que un programador de Google te diga: "Pues tú ya no tienes acceso a esta nueva versión del NanoBanana."

Hay VPNs y... ¿no?

Yo qué sé, o de que con-- a nivel de, de contrato.

Legal.

Sí.

Ya.

De, es como single point of failure, ¿sabes? O sea, estás a nada de que no te den acceso a una API y de que tú-

Si hay pocos modelos, es una putada. Si hay muchos modelos, no es una putada.

Sí, pero desde hace ya uno-- unos meses, el mejor modelo by far es el de NanoBanana de Google.

Mhm.

Entonces, no sé, o sea, a nivel de defensibilidad y a nivel de, de creatividad, ¿no? De qué, qué cosas puedes hacer. O sea, yo es que yo además creo que estamos empezando aún en el espacio. O sea, la cantidad de cosas que no son posibles de, de, de hacer con, con estos modelos es gigante. Entonces, yo es que creo que hay como una falta de creatividad en general en el espacio.

Con una API estás completamente, o sea, completamente, ehm, ¿cómo se dice? Con...

¿Limitado?

Limitado por las cosas que puedes hacer por no tener acceso al producto y con el single point of failure de que cualquier día te la quitan. Entonces, no sé.

Y luego está el tema también de los precios y... ¿no?

Y de, de que-

No sé cuál es el modelo de, de márgenes brutos. O sea, la diferencia entre lo que tú pagas versus lo que tú cobras.

Es que ese, ese es el otro problema que, que yo creo que es muy indicativo de cómo de podrido está el espacio ahora mismo. O sea, ahora mismo la diferenciación número uno que tienen empresas como Higgsfield, como, como Freepik, es que te hacen full, te, te hacen un subsidizing de los precios que ellos pagan luego a Google o a empresas chinas que hacen cualquier modelo de imagen o, o vídeo brutales.

O sea, te pagan como el 75 % de le-- de, de lo que vale. Y así es como hacen que un usuario se decida a ir a una plataforma o ir a otra. Y-

Bueno, será para captarlo y luego lo retienen.

Pero como-- ¿lo retienen sí o no?

No lo sé.

Es lo que yo tampoco sé.

Bueno, ¿KREA lo retiene?

Nosotros hemos hecho alguna prueba de hacer algo así y sí que es verdad que vienen más usuarios y, y, y ganan, pero es como, es algo que es que no quiero estar ahí, ¿sabes? No quiero optimizar, es como una forma-

A ver, esto tú antes has dicho que esto es el modelo utilities, ¿no? O sea, tú al final son usos y costumbres. Tú te vas a un sitio a crear, pues si una vez creas tres, cuatro veces y te da buenos resultados, no tienes razón para estar buscando siempre uno nuevo.

Claro.

No sé, yo, yo veo a los españoles cambiando de provider del móvil todo el rato.

O sea, el, el, no, no, no, el usuario-

Cada X tiempo.

El usuario, el usuario de plataformas de, de IA generativa es extremadamente promiscuo. O sea-

Sobre todo el early adopter.

Sí. O sea, son megapromiscuos. Están-- hoy están en una plataforma, mañana están en la otra.

Claro, es que por la misma razón que han llegado a ti y te han descubierto en-

Sí

...en Twitter, no sé cómo, van a descubrir lo siguiente.

Exacto, es el, el early adopter.

Ya luego vienen los demás. Vienen la mayoría, vienen los que una vez ya tienes cierta atracción-

Mhm

...el comportamiento de los siguientes usuarios ya no es tan promiscuo.

Puede ser, pero es eso. O sea, aunque, aunque lo retengas, o sea, yo en-- o sea, aunque lo retengas, tú le sigues pagando cada generación que hace. O sea, tú por cada generación que hace estás perdiendo dinero.

¿Sí?

Sí. O sea, y que están haciendo subsidizing de más el 75 % del, del coste total. O sea, que a ti lo que te cuesta hacer un vídeo.

A ver, yo tal-- no, yo no sé mucho, pero-

Sí

...por lo que es-- hablando con Cuenca, eh, llego a la conclusión es que ellos tienen buenos márgenes brutos, ¿eh?

No, yo no sé los márgenes que deben tener. Yo lo que sé es que está pasando un-una, una cantidad de, de, ah, subsidizing de estos modelos desde-

Pero para captar, al principio.

Pero que sigue siendo la-- el, el precio que tienen lo-los modelos de imagen o de vídeos de este tipo de plataformas.

¿Para siempre?

Mmm, no sé si para siempre, pero no, no es una oferta que te hagan la primera vez. O sea, es lo que ponen. O sea, obviamente tienes que ponerte en un plan un poco más, más alto y tienes que-

Es eso

...obviamente es como un poco el gym membership, ¿no? Que si no, si no lo utilizas todo.

Pero todos, todos los modelos, también Anthropic hace lo mismo, ¿no?

No, pero Anthropic cuánto-- o sea, cambiaron el pricing hace muy poco, pero ¿sabes cuánto les estaba costando una suscripción de 200 dólares a ellos a nivel de coste de GPUs?

¿Cuánto?

Creo que eran como 5.000 dólares. Yo lo que sé es que Freepik quizá no sea tan hardcore. Hay empresas como Higgsfield que están ahora, ehm, presumably, ah, haciendo 300 millones de, de ARR y que están siguiendo esta estrategia y que yo estoy-- yo lo que veo es que cuando le pregunto a usuarios por qué vas a este producto versus a otro, te dicen: porque es más barato.

No es porque sea un mejor producto o porque tengan otros modelos, es porque es más barato. Y yo veo que está habiendo como una subsidiación. ¿Se dice así en castellano?

No.

Okey. ¿Cómo se dice?

Eh, subvención.

Subvención, okey. Subsidizing. Ahm...

Por cierto, tú has-- ¿tú sabías in-inglés antes? ¿Tú has aprendido inglés cuándo?

Yo la primera vez que fui a Nueva York casi que ni sabía.

¿Tú has aprendido recientemente inglés?

No, yo aprendí cuando-- en 2019, que fue la primera vez que, que me fui para Nueva York a-

¿Pero aprendiste tan bien que se te ha olvidado el español?

Bueno, es que ya no hablo español O sea, llevo como cuatro a- cuatro años casi que sin hablar español, solo cuando vengo aquí.

Ostras.

Sí.

¿Y tú también hablabas inglés? Eh...

Sí, yo sí que desde pequeñito, porque mi madre decía: "Aprende inglés, que te va a servir seguro".

Es que esto es muy importante, ¿eh?

El mantener la, la lengua.

No, el, no el aprender inglés. ¿Sabes? Porque pa-parece una tontería, pero vosotros ya habéis ido ahí y una barrera más de las que tenéis por moveros de sitio no ha sido la lengua.

Mhm.

¿No? Os habéis sentido cómodos pitcheando y hablando con gente y, ¿no? Y...

Yo la primera vez que fui en, en 2019 tampoco sabía, sabía mucho, ¿eh? Pero sí que te espabilas en un momento. O sea, el, el ir ahí y estar tres meses ahí, te espabilas un montón.

Vale.

Sí.

Total. Sí, sí.

Mhm.

Vale, pues sigamos. No sé, te he interrumpido-

Ah, no, eso, sí, sí

...por lo del inglés.

Que, que de, de alguna forma, o sea, no sé si, si Joaquín está haciendo márgenes positivos, pues superfeliz, ah, po-por, eh, por él y si les está funcionando este modelo, seguro que, que se nos está pasando a nivel de, de growth y a nivel de cosas que podemos hacer a nivel de optimización. Yo lo que estoy viendo es que empresas como Higgsfield, 100 % que están teniendo-- o sea, hemos hecho spreadsheets y hemos mirado cuánto cobran por vídeo y cuánto vale esto en la API, y es gigante.

Y ese es el motivo por el cual muchos usuarios están yendo a esa plataforma. Pero el, es que la, la, el elephant in the room, ¿no? El, el-- es que eso, ¿ves? Queda mal en Ca-- en castellano, ¿no? El elefante-

El elefante en la sala.

¿Eso se dice?

Sí. Creo que sí, no sé.

Okey. Ah, pero-

A nosotros nos acusan mucho también en el pódcast de hablar medio spanglish, ¿eh?

Okey.

O sea, pero lo vuestro es de, es otro nivel.

Ya, ya, ya. Sí. Pero bueno, o sea, esta-- que eso sea, que esa sea la diferenciación que tú tienes en tu producto, me huele mal. O sea, me huele mal que desde hace seis meses podemos hacer el nuevo real time, podemos hacer tal, podemos hacer cual, pero la mayoría de growth nos está viniendo de, mmm, de dar acceso a modelos como NanoBanana, que te permiten hacer edición de imágenes o generar imágenes, ah, y que funciona superbién, pero es que el tipo de interfaz que necesitas para dar acceso a NanoBanana es que te lo bi-- te lo bi-codeas.

Es que es un prompt box. Y por eso, pues ahora Runway también lo tiene, Luma también lo tiene, ElevenLabs también lo tiene y todo Dios lo va a tener. O sea, eso no va a ser una, una diferenciación. Entonces, eso ya lleva como un año pasando, hace seis meses. Nosotros lo intentamos todo para no intentar entrenar un modelo de IA, porque es que inten-

Intentasteis todo para no intentar-

Claro

...ent-entrenar un modelo.

Claro, o sea-

Sí, sí, o sea, no, se-- teníamos muchas-

Y ya hacéis la conclusión de que tenéis que hacer vuestro modelo.

Hasta, hasta hicimos una, una partnership con los de Black Forest Labs para intentar decir: "Ey, ¿por qué no colaboramos? Nos dais acceso a un pre-training o mid-training, ah, model y nosotros hacemos el post-training, porque creemos que estáis haciendo, eh, que, que el post-training que es-- que está haciendo la industria está mal." Y acabamos consiguiendo ese deal, acabamos consiguiendo esa relación y hacer un modelo y yo creo que se creían que ni de coña íbamos a hacer un post-training bueno.

Y lo hicimos. O sea, en cinco meses-

¿Y por qué os convencisteis de crear el vuestro?

Pues porque cuando, cuando, cuando lanzamos el, el modelo, es que es eso, al final del día, de alguna forma, también estamos compitiendo, ¿sabes? Porque ellos querían que el mo-- o sea, al final del día, le-- aún les estamos pagando 300.000 dólares al mes por tener acceso al modelo que entre-- que, que en parte hicimos nosotros.

Mhm.

Y todo el revenue que ellos se hicieron del, del hacerlo open source fue para ellos. Y API no, no quisimos hacer al final, pero yo quería hacer APIs y yo que también quería hacer un revenue share con API, se me daba igual. Entonces, hubo un montón de fricción, porque otro elephant in the room era que en algunas, en algunos aspectos estábamos compitiendo y de que el modelo estaba hecho encima de Flux, que es un modelo que hicieron ellos, y sin eso nosotros no hubiéramos podido hacer nada y ellos no valoraban todo el trabajo que hicimos en, en post-training y que fue gracias a eso que el modelo se veía tan bien cuando, cuando generabas con él.

Entonces, a partir de ahí ya fue como...

¿Y comparado con NanoBanana? O sea, ¿cómo ganáis contra NanoBanana?

O sea, NanoBanana se intenta-- es que ojalá les-- cuando, cuando he estado en el baño he llamado a los, a los ingenieros y les he dicho: "Tú, esto no está funcionando."

Ya, ya, ya.

"¿Lo, lo po-- lo podéis arreglar?"

Hoy no será ya.

Hoy no será, pero bueno, si eso otro día ya, ya lo mostramos, pero es eso. O sea, a nivel creativo hay ciertos tipos de imágenes que estos modelos no son capaces de hacer. Eh, si quieres hacer una imagen, una, una de estas imágenes que es como de, de alguna forma, u-u-una de las formas en las que se puede ver es a estos modelos les da miedo equivocarse.

Mhm.

Les da miedo salirse del average, les da miedo hacer una imagen que está mal. Pero los creativos muchas veces ven algo extremoan-extremadamente valioso en una imagen que está mal, porque por lo que sea, tienen una idea con lo que decía antes, ¿no? Con una cinta superantigua de VHS que está superpixelada y que es una imagen que se ve fatal, pero ponen un Pikachu ahí fumando un cigarro y hacen-- les hace un montón de gracia y, y l-y les gusta esa imagen y de repente, pues la pueden generar.

Entonces, hay como una, una limitación creativa gigante en la forma en la que estos modelos, eh, están entrenados. Y nosotros, pues al final es que queremos hacer una herramienta creativa y la, la base de la herramienta creativa es el modelo de inteligencia artificial. Entonces, este modelo de inteligencia artificial tiene que ser capaz de hacer, de generar en todos estos aesthetics que existen en el mundo, aparte de otras muchas cosas.

Y eso fue lo que nosotros queríamos que existiera. Nadie estaba trabajando en eso, porque todo el mundo quiere hacer general purpose models y se basan en cosas random como el cómo de bien pueden escribir texto y eso es lo que te vas a encontrar en NanoBanana, ¿no? O sea, te hace un texto de la hostia o el nuevo modelo de, de ChatGPT. Te hace un, un text rendering de la hostia que a nosotros en verdad nos da igual.

O sea, nos da igual que tú puedas escribir una biblia, lo que nos interesa es que tú puedas hacer un texto que aun-aunque sea más corto, tenga una tip-- una tipografía de la hostia y sea creativo y tenga unos colores y tenga unas, unos, unos gradientes y que, y que realmente sea lo que el creativo quiere. Yo creo que eso es un modelo que es necesario si queremos hacer una, una herramienta creativa.

Os llama mañana Google y os ofrece 5 billion Cash up front. ¿Vendéis?

No

No

No, porque ahí matas KREA

¿Por qué? Imagina-imaginaros que os dice: "No, no podéis seguir creando."

Eso es lo que le dicen a todo el mundo .

Tú, tú crees que no, no hay una-- porque yo me acuerdo que, de hecho, eh, real story, nos contactó el CTO de Meta-

Sí

...y nos dijo: " ¿Estáis listo para acquisition?" Y Víctor dijo: "No, nada, no lo, no lo-"

¿Cuántos billions puso encima de la mesa?

No hablamos ni números

No, no, no, no, no. Y el, mmm-- o sea, quedaría mal si lo deja-si lo dejamos.

O sea, como que quería-

La, la razón por la que lo digo es porque esto se leakeó, eh, en público. O sea, esto es pu-public information lo que he dicho. Eh, pero, o sea, el, la, la-- cuando pasó eso, o sea, te fuerza a pensar, ¿no? El quiero vender. Y me acuerdo que Víctor dijo como: "What do we do about this?" Y, o sea, es como l-el problema es que casi ninguna acquisition acaba con la esencia de la empresa, es la o-- la, la adquirida estando ahí todavía, ¿no?

Eh, no sé, quizás es discutible DeepMind de Google, quizá. Ah, pero-

Es un ejemplo

...pero esas, esas, hay-- porque lo pensábamos, yo: "¿Cuáles son esas?" Y pa-- y a mí las únicas que se me ocurrían eran DeepMind y Pixar. Pixar por, y yo se lo dije a Víctor, porque Be-Steve Jobs negoció mucho para que cuando Disney adquiriera Pixar, Pixar se iba a mantener. De hecho, están separados de Disney todavía a día de hoy, que están al lado de San Francisco.

Y, y entonces Víctor decía: "Bueno, quizá, quizá en ese caso, pero eso es, ah, superanómalo."

Pero en este, en este espacio tan competido donde pueden pasar tantas cosas, eh, un outcome posible es ir a cero. Entonces, si te, si a ti te ofrecen, que es lo que decía el, el de Dennis, eh, de DeepMind, ¿no? Ehm, decía: "Hostia, yo lo que quiero es hacer lo que me gusta. Yo he llegado a un acuerdo con Google que me deja seguir haciéndolo de forma indeterminada.

Además, me da toda la infraestructura y toda la tecnología, porque esto cuesta pasta, ¿no? Es GPU, las GPUs, y me quita el riesgo de que, oye, pues esto puede ir a cero o puede no tener sentido, ¿no?" Eso no lo dijo, esto último, ¿eh? Esto lo añado yo.

O sea, y-yo lo que creo es que con lo que estamos montando hay un Adobe level potential. Y yo creo que estamos ju-- especialmente después de haber, eh, comprobado que podemos hacer esto, que es extremadamente difícil y que empresas con tantos billones como Meta todavía no han conseguido hacer.

De hecho, hubo una-- como mu-muchos partnerships que Meta hizo, desde con Black Forest Labs hasta con Midjourney, porque no han sido capaces aún de, de hacer un, un modelo de, de imagen que les funcione bien. Y nosotros lo hemos con-- lo hemos conseguido con recursos limitados y con un equipo superpequeño, pero que es superbueno.

Ah-

¿Cuál es el futuro de Adobe?

Pues es u-es una buena pregunta. No lo sé. O sea, Adobe...

Tienen-

Adobe lo tenían todo para ganar. Es un poco como Adobe no tenía un Joaquín. Adobe no tenía un CEO que, que di-- que tuviese huevos y dijese: "This is the future." Y esto es en lo que se va a centrar la empresa.

¿Figma?

Figma van a, van a hacer, van a implementar LLMs, pero es que yo creo que ya se les está pasando el arroz. O sea, tu-tuvieron, tuvieron en sus manos el, el Design to Website, que era como el holy grail, ¿no? Que tú puedas tener a un diseñador utilizando Figma y que de repente eso se con-- que se convierta en una, en una web y tienes ya 40 startups que lo están haciendo y ellos han hecho alguna cosa, pero no parece que, que estén yéndolo suficientemente rápido y que estén poniéndole, eh, la importancia que requiere a AI.

¿Y Canva?

Y Canva, pues hicieron la acquisition de Leonardo, pero están un poco en las mismas. O sea, no creo que vayan a cambiar.

Es que crecen de la hostia, ¿eh, Canva?

Canva es una locura.

Adobe no crece, vale.

Sí, sí. Canva es una locura.

Figma menos, pero crece, pero menos. Eh, pero Canva crece de la hostia.

Canva es una locura, sí. No, y yo creo que, o sea, yo creo que hay dos vertientes de cómo se va a utilizar esta tecnología. Una vertiente va a reemplazar el trabajo creativo y otra vertien-vertiente va a aumentar el trabajo creativo. Yo creo que Canva, desde lo que lleva haciendo historically, está intentando reemplazarlo.

O sea, es-está intentando darte, darte un template para que tú no necesites un creativo para hacer X o Y. Y lo que está intentan-- lo que estaba haciendo Adobe era un-- no era eso, era un poco lo contrario, ¿no? Te doy todas las herramientas para que tú como creativo puedas hacer de todo. Hoy en día, que tenemos modelos de inteligencia artificial que con un prompt te hacen una imagen, es como que esto ya le sirve right away a, a un Canva.

Pero también hay el potencial de crear un Adobe. Pero lo que pasa es que lo que en los últimos 20 años se ha diferenciado a base de hacer un cierto código que te permite construir una plataforma como Adobe, ahora ya no vale. Ahora hay que construir AI. Ahora hay que construir como los modelos que van a hacer que esta tecnología se pueda utilizar para usos creativos, como muchos en, en los que estamos trabajando nosotros con nuestro modelo.

Cambio de tema. ¿Volveréis a Barcelona en algún momento?

No tengo ni, no tengo ni idea, la verdad.

¿Os veis en San Francisco para siempre?

Yo me veo en Estados Unidos por bastante tiempo, pero, o sea, sí que planeo venir aquí porque, o sea, hay cosas que solo me puede ofrecer el Mediterráneo . O sea... Pero a nivel de empresa, no sé, es que yo creo que tiene sentido para expandir hacia mercado europeo, porque creatividad hace falta en todas partes y Víctor y yo hemos hablado muchas veces de: "Okey, seguramente Barcelona será la entrada hacia Europa, ehm, y Tokio a Asia".

Ahm, pero yo creo que, o sea, en Estados Unidos pasaremos tiempo, eso seguro.

El sitio para montar una empresa como la vuestra es Estados Unidos, no es Europa.

San Francisco.

San Francisco.

Ni siquiera Estados Unidos.

Sí.

Tienes que estar en San Francisco. Yo he hablado con VCs que han rechazado startups porque no han estado dispuestas a mudarse a San Francisco. Y lo entiendo, ¿eh?

Es una especie de nacionalismo proteccionista de particularmente Andreessen Horowitz y de muchos otros VCs, eh, muy fuerte

Mhm

Obviamente.

Mhm. Sí, o sea, esto, esto ya es como casi que otro pódcast, ¿no? Pero es hacia dónde va el mundo. Eh, yo creo que el mundo se está volviendo bastante mercantilista, ¿sabes? Hacia economías localizadas. Ah, y, o sea, creo que ahora mismo es como, eh, eh, el, el-- no, no es solo startups, es, es como el orden mundial, ¿no?

Es, es, es, es Apple diciendo: "Los nuevos Mac se generan en Texas". ¿Sabes? Que, que literalmente es lo que está pasando, ¿no? Y, y, y América diciendo: "Necesitamos nuestro Taiwán" y a crear chips aquí. Y Europa diciendo: "Necesitamos a un Mistral, necesitamos nuestra propia inteligencia artificial".

Y en ese mundo de bloques vosotros estáis creando el modelo americano, o sea, estáis invirtiendo en el modelo americano, que es también quien os da-- quien os ha dado, quien ha creído en vosotros, ¿no? Y os ha dado los recursos.

Sí, o sea, yo creo que, yo creo, eh, o sea, creo que, o sea, es un mercado mundial, pero, pero sí. O sea, ahora mismo la inno-- s-siento que la innovación está ocurriendo en América y la optimización está ocurriendo en China.

Y la regulación está ocurriendo en Europa .

Sí, y la regulación-

Es, es, es muy de Andreessen Horowitz también.

Sí.

Lo dicen mucho.

No, es que es verdad. O sea, ahora que estamos trabajando en, en el tema del modelo, hay un momento-

Es verdad, relativamente. O sea, es, es relativamente. Vosotros, si por casualidad hubierais conocido un fondo en-europeo y hubierais montado lo mismo, porque la en-- la energía la lleváis dentro. Es verdad que os ha influido mucha gente en San Francisco, esas conversaciones, hacker houses. Lo entiendo, ¿eh? Lo entiendo perfectamente. Pero quiero decir, si vosotros estuvierais creando e innovando en Europa, igual no estaríamos todos diciendo que Europa regula, ¿no?

Pero qué tiene-

O sea, Europa le interesa crear también, ¿eh?

Pero ¿qué tiene que ver el crear con regular? Porque yo sí que veo, o sea, hasta empresas como Black Forest Labs, que están en Alemania, son una empresa americana.

Ya.

Son una, eh, C corp de, de Delaware. Y Mistral me sorprende. Creo que Global, no son...

Bueno, pero al final una empresa no es la su entidad legal, eh, es donde hace su actividad principalmente.

Sí.

No, da igual donde esté la entidad legal, no es tan relevante.

Pero yo creo que, pero yo creo que en realidad da igual, porque no importa si estés, que estés en Alemania o que estés en, en Esta-- o sea, yo creo que importa que te hayan invertido, que sea una empresa americana y que tengas inversión americana, porque eso ya significa que no lo estás haciendo todo a nivel, a nivel europeo, ¿no? O sea, no estás participando en, en el ecosistema de startups europeo, aunque tu startup esté aquí.

Ah, eso por un lado, y por otro lado, es-- la regulación te afecta estés donde estés. O sea, la regulación europea le afecta tanto a Black Forest Labs como nos va a afectar a nosotros a la que lancemos esto. Y yo ahora que estoy metido en todo el papeleo legal y estoy hablando con abogados y tal para prepararlo todo, hay un montón de cosas que son solo, que te las tenemos que hacer solo por Europa.

Que también las entiendo, ¿eh? Pero, pero hay-- y, y, o sea, y hace falta regulación. O sea, esto es una, es una locura, es una ticking bomb . Pero, pero sí que es verdad que, sí que es verdad que nos-- es una regulación que se está haciendo rápida y no sé si se está haciendo con un conocimiento profundo de la tecnología.

Seguramente no.

Mhm.

Oye, muchísimas gracias chicos por, por venir aquí y contarnos vuestra historia. Es increíble.

Gracias.

Sin ninguna duda y creo que, que bueno, enhorabuena porque lo vais a petar. Eh, y os seguiremos sin duda.

Okey, gracias.

Muchas gracias.

Muy bien. Pues hasta la semana que viene.