Oumi, Larridin y Runware desarrollan herramientas para reducir las facturas de IA en las empresas.

Why it matters

Enterprise AI adoption has moved from experimentation to cost control. The founders that own measurement and routing could influence which models companies buy and how much work reaches frontier labs.

Manos Koukoumidis ha encontrado un negocio en un problema que los compradores corporativos de IA se crearon a sí mismos: adoptaron modelos poderosos rápidamente y luego descubrieron que la conveniencia venía con una factura sin límite.

Koukoumidis, cofundador y CEO de Oumi, describió el uso rutinario de modelos de vanguardia caros para tareas estrechas como "ampliamente irracional e ineficiente" en un informe de Business Insider publicado el 2 de agosto de 2026. Su prescripción es proporcionar a las empresas modelos más pequeños ajustados a trabajos específicos en lugar de enviar cada solicitud a un sistema de propósito general de OpenAI, Anthropic o Google.

Ese argumento se basa en la experiencia de Koukoumidis dentro de la pila incumbente. Anteriormente dirigió el trabajo de IA generativa en Google Cloud, según el anuncio de lanzamiento de enero de 2025 de Oumi. Koukoumidis tiene un doctorado por Princeton y una tesis de que la IA necesitaba una plataforma de desarrollo abierta parecida a Linux. Oumi ahora ofrece herramientas para construir, afinar, evaluar e implementar modelos en máquinas locales, proveedores de nube y APIs comerciales.

Oumi recaudó una ronda semilla de $10 millones en 2024 liderada por Venrock y Obvious Ventures, con Plug and Play y Ascend participando. Ese financiamiento y el lanzamiento público de Oumi en enero de 2025 ya son historia. El desarrollo actual es el mercado que se forma alrededor del diagnóstico de Koukoumidis. Consultores, plataformas de medición, enrutadores de modelos y proveedores de inferencia intentan convertirse en la capa que diga a las empresas por qué IA vale la pena pagar.

La factura llega después de la experimentación

Los primeros programas empresariales de IA recompensaron la adopción. Los empleados recibieron acceso a chatbots y asistentes de codificación, los grupos de producto añadieron APIs de modelos y los ejecutivos observaron el uso como evidencia de que una estrategia de IA estaba arraigando. La atribución de costos y las ganancias de productividad verificadas a menudo llegaron después.

El informe 2026 de FinOps Foundation encontró que el 98% de los encuestados gestionaban el gasto en IA, frente al 63% en 2025. Los encuestados clasificaron el seguimiento granular de tokens, solicitudes de modelo y uso de GPU como la capacidad de herramienta faltante que más deseaban. También identificaron la asignación de costos y la determinación del valor comercial de la IA como problemas persistentes.

Esa brecha ha creado espacio para asesores como Adaptovate. Michael Murphy, socio de Adaptovate que anteriormente dirigió proyectos de transformación en Deloitte, dijo a Business Insider que el trabajo comienza con decisiones sobre estructura organizacional, talento y modelos operativos. Las asignaciones de Adaptovate van desde ayudar a un fabricante de alimentos a introducir IA en su cadena de suministro hasta ayudar a una organización de servicios profesionales de 30,000 personas a rediseñar equipos en torno a productos de IA generativa.

Los consultores se benefician cuando la adopción de IA se convierte en un rediseño organizacional en lugar de una compra de software. Su desafío es demostrar que un nuevo modelo operativo produjo ganancias mensurables después de contabilizar los costos de implementación, la capacitación y la factura subyacente de los modelos.

Larridin quiere medir el retorno

Los fundadores de Larridin, Russ Fradin y Jim Larrison llegaron al problema desde la medición digital y más tarde ayudaron a construir Dynamic Signal. Construyeron Larridin junto con Ameya Kanitkar, un ejecutivo de ingeniería y datos cuyos empleadores anteriores incluyen LinkedIn, Coinbase y Groupon, como cofundador y CTO.

Su producto, Larridin Scout, monitorea qué aplicaciones de IA usan los empleados, con qué frecuencia las usan y cómo los trabajadores evalúan las ganancias de productividad resultantes. Larridin dice que Scout reconoce más de 300 herramientas de IA y actualiza los datos de uso cada 15 minutos. Scout también combina la detección pasiva de actividad con encuestas a empleados, lo que da a la dirección una vista de la adopción mientras deja parte del cálculo de productividad dependiente de resultados autoinformados.

Kanitkar dijo a Business Insider que Larridin tuvo un inicio lento porque los primeros compradores estaban menos preocupados por el gasto. Afirmó que la tracción se había duplicado cada trimestre desde principios de 2026 a medida que crecían los compromisos corporativos. Esa tasa de crecimiento es la propia medida operativa de Larridin.

Larridin lanzó Scout en 2025 y recaudó $17 millones en financiamiento semilla de Andreessen Horowitz, Bloomberg Beta, GV y otros inversores. Los fundadores de Larridin apuestan a que el gasto en IA necesitará una capa de medición parecida a la infraestructura de analítica que siguió a la web comercial. La comparación es útil, aunque la atribución en IA es más difícil: un clic puede contarse directamente, mientras que el tiempo ahorrado o el trabajo mejorado por un modelo depende del flujo de trabajo, el comportamiento del empleado y la línea base elegida por la dirección.

Los constructores atacan el costo unitario

Otros fundadores atacan el gasto antes de que llegue a un tablero financiero.

Flaviu Radulescu, fundador y CEO de Runware, pasó más de 20 años construyendo infraestructura de datos y cómputo, incluidos sistemas para Booking.com, Vodafone y Transport for London. Fundó Runware en 2023 y diseñó clústeres de inferencia personalizados que abarcaban almacenamiento, refrigeración y otros componentes de hardware alrededor de las GPU.

La cofundadora de Runware, Ioana Hreninciuc, aportó experiencia en producto y operaciones desde Homa Games, Huuuge Games y GameAnalytics. Business Insider agrupa a Runware con los constructores que intentan bajar los costos de IA en la capa de infraestructura.

Runware vende una API unificada para cambiar y enrutar trabajo entre modelos de imagen, video, audio y lenguaje. El 11 de diciembre de 2025, Runware anunció una Serie A de $50 millones liderada por Dawn Capital, con la participación de Comcast Ventures, Speedinvest, Insight Partners y a16z Speedrun. Runware dice que su infraestructura había procesado más de 10,000 millones de generaciones para más de 200,000 desarrolladores en ese momento. Esas cifras y las afirmaciones de Runware sobre mejoras en precio y rendimiento provienen de Runware.

Junchen Jiang persigue una cuña técnica más estrecha en Tensormesh. Jiang, profesor de ciencias de la computación en University of Chicago, co-creó LMCache, un proyecto de código abierto para retener los datos intermedios que los modelos generan al procesar indicaciones. Tensormesh comercializa esa investigación para que el contexto repetido pueda reutilizarse en lugar de recalcularse en cada solicitud.

En mayo de 2026, Tensormesh anunció $20 millones en nuevos fondos de AMD Ventures, CoreWeave, NVentures, Valley Capital Partners y Laude Ventures, llevando su total declarado a $24.5 millones. Tensormesh afirma que su caché puede reducir la latencia y el gasto en GPU hasta 10 veces, mientras que su propia divulgación dice que los resultados varían según la carga de trabajo, el hardware y la configuración de la infraestructura. El financiamiento le da a Tensormesh una sorprendente alineación de inversores: varios patrocinadores venden o financian el cómputo que Tensormesh intenta hacer más productivo.

Conifer comienza con el modelo más barato

En el extremo más temprano de la categoría, Michael Jeffords y Charles Muehlberger están construyendo Conifer, una empresa de tres personas en San Francisco en la cohorte Summer 2026 de Y Combinator.

Jeffords trabajó anteriormente en investigación clínica y sistemas de machine learning para detectar signos de enfermedades neurológicas. Muehlberger es un investigador de ingeniería en Princeton cuyo trabajo incluye inferencia multimodal en dispositivos edge y redes neuronales físicas. Su producto enruta cada consulta desde el hardware del propio usuario hacia un modelo en la nube eficiente y, finalmente, hacia un modelo de vanguardia cuando la tarea lo exige.

Conifer dijo a Business Insider que había recaudado $1.3 millones antes del Demo Day, representando alrededor del 20% de su meta.

La jerarquía de enrutamiento de los fundadores captura la apuesta central detrás de esta categoría. Los modelos de vanguardia siguen siendo útiles para trabajos difíciles, mientras que sistemas más pequeños y locales pueden absorber solicitudes rutinarias. Un comprador que pueda identificar la diferencia antes de que comience la inferencia tiene la oportunidad de reducir costos sin simplemente imponer límites de uso.

Los negocios duraderos deberán demostrar ahorros contra líneas base claras y retener a los clientes a medida que bajen los precios de los modelos. Los proveedores de medición deben conectar la actividad con los resultados comerciales. Los enrutadores necesitan suficientes datos de carga de trabajo para elegir modelos con precisión. Los proveedores de infraestructura deben mantener su ventaja de costos a medida que mejoran los chips, los modelos abiertos y las APIs incumbentes.

Los compradores empresariales solían considerar el acceso máximo a modelos como la estrategia de IA más segura. Koukoumidis, Kanitkar, Hreninciuc, Jiang, Jeffords y Muehlberger están construyendo para la siguiente fase, cuando cada token, ciclo de GPU y licencia empresarial tendrá que ganarse su lugar en la factura.