La carrera por acelerar la inteligencia artificial no se libra solo en nuevos chips. Kog, una startup francesa fundada por Gael Delalleau, quiere demostrar que las GPU convencionales todavía pueden entregar mucho más rendimiento en inferencia si se trabaja en capas muy bajas del software. Su promesa es relevante para empresas que ya tienen hardware de Nvidia o AMD y buscan reducir esperas y costes.
TechCrunch explica que Kog llamó la atención en mayo con una demostración técnica en GPU de centro de datos como AMD MI300X y Nvidia H200. La empresa mostró velocidades muy altas en decodificación de tokens con un modelo pequeño propio, Laneformer 2B, y ahora intenta trasladar ese enfoque a modelos grandes de lenguaje. Si Kog logra acelerar modelos de mayor tamaño sin exigir chips especializados, puede abrir una vía europea para competir en infraestructura de IA desde el software.
El punto de partida es un problema cotidiano para muchas compañías. La IA generativa puede ser útil, pero la latencia y el coste de inferencia condicionan el producto final. Un agente de programación que tarda demasiado pierde valor. Una herramienta que genera aplicaciones, juegos o análisis complejos con un prompt necesita entregar resultados rápido para sostener conversión y retención.
Kog afirma que su motor de inferencia puede multiplicar la velocidad en ciertos escenarios. La empresa todavía tiene que probarlo en modelos grandes, y su propio fundador reconoce que ese es el siguiente hito. Según TechCrunch, Delalleau espera mostrar una primera implementación relevante con una aceleración fuerte en septiembre, paso que sería clave antes de levantar una Serie A.
La tesis de Kog conecta con una preocupación empresarial muy concreta: muchas organizaciones no pueden renovar toda su infraestructura cada vez que aparece un chip mejor. Aprovechar mejor las GPU existentes reduce dependencia de ciclos de compra largos y puede mejorar el retorno de inversiones ya realizadas en centros de datos o nubes privadas.
La startup también entra en una conversación europea más amplia. Francia ha reforzado su posición en IA con laboratorios, proveedores cloud y programas públicos, pero el continente sigue dependiendo de hardware estadounidense y asiático. Kog no elimina esa dependencia, aunque podría reducir parte del cuello de botella si convierte su ingeniería en producto escalable.
La dificultad está en la profundidad del trabajo. Optimizar a bajo nivel para cada GPU exige semanas o meses de ingeniería, según explicó la empresa. Eso limita la velocidad de expansión a nuevos chips y modelos, sobre todo con un equipo reducido. La promesa de automatizar parte de esa metodología mediante agentes suena lógica, pero todavía deberá probarse.
Para clientes potenciales, la pregunta será pragmática: cuánto acelera, en qué modelos, con qué estabilidad y a qué coste de integración. Una mejora de laboratorio no siempre se traduce en ahorro real cuando entran colas de usuarios, cargas mixtas, seguridad y mantenimiento.
Kog representa una idea atractiva para la próxima fase de la IA: hacer más con el hardware disponible antes de asumir que la única respuesta es comprar más capacidad. Si la compañía cumple su hoja de ruta, el mercado de inferencia puede ganar un actor europeo con una propuesta técnica difícil de copiar rápido.
