Para el desarrollo de la IA no solo hacen falta más chips y centros de datos, sino también una forma diferente de gestionar la enorme cantidad de energía que necesitan. Hacer más sostenible la IA. El camino más corto para conseguirlo es utilizar energías renovables en los centros de datos pero hay también una carrera por conseguir más inteligencia con menos recursos que pasa por modelos más pequeños, chips especializados, sistemas de refrigeración más eficientes y programas capaces de decidir cuándo y dónde ejecutar cada modelo.
Estas son las startups que están escribiendo el futuro de este negocio.
1. Ora Computing, reducir el tamaño de los LLM
Ora Computing desarrolla tecnología para hacer que los modelos de IA sean más pequeños, rápidos y eficientes. Su plataforma comprime grandes modelos de lenguaje mediante técnicas de optimización y eliminación de parámetros, automatizando el proceso para reducir su tamaño sin perder sus capacidades. De esta forma, los modelos de IA pueden funcionar en distintos tipos de hardware y con un menor consumo de recursos.
Su propuesta recuerda a la española Multiverse Computing, que trabaja desde 2019 en la compresión de modelos de IA, pero lo hacen de forma diferente. Mientras Multiverse reduce el tamaño de modelos ya entrenados, Ora busca optimizar la forma en que los modelos representan y procesan la información, actuando desde una base más matemática para mejorar su eficiencia.
Según sus fundadores, su tecnología permite reducir hasta un 70% la memoria necesaria para ejecutar determinados modelos. La compañía ha publicado pruebas en las que consigue aumentar hasta 4,1 veces el rendimiento y reducir hasta un 72% el coste por token.
Sus potenciales clientes son tanto empresas que quieren reducir el coste de ejecutar sus propios modelos como fabricantes de dispositivos, proveedores de servicios en la nube y compañías que necesitan llevar IA a dispositivos con recursos limitados. Sus modelos comprimidos pueden desplegarse en la nube, en servidores propios o directamente en dispositivos edge (equipos que procesan los datos cerca de donde se generan, sin necesidad de enviarlos continuamente a la nube).
2. SpiNNcloud, procesar información de forma más eficiente
SpiNNcloud propone reducir el consumo de energía de la IA con una tecnología inspirada en el funcionamiento del cerebro humano (supercomputación neuromórfica), capaz de procesar información de una forma más eficiente. O dicho de otro modo, desarrolla sistemas informáticos diseñados para ejecutar modelos de IA y reducir el consumo energético asociado a su funcionamiento.
Nacida como una spin-off de la Universidad Técnica de Dresde, basa su propuesta en SpiNNaker2, una arquitectura que reúne miles de procesadores de bajo consumo capaces de trabajar en paralelo. A diferencia de los sistemas tradicionales, que realizan cálculos sobre grandes cantidades de datos aunque no todos sean necesarios, su tecnología activa únicamente las partes relevantes en cada momento. Este enfoque, conocido como dynamic sparsity, permite aprovechar mejor los recursos disponibles. La compañía asegura que puede alcanzar una eficiencia energética hasta 18 veces superior a la de las GPU en determinados escenarios de uso de IA.
El siguiente paso es llevar esta tecnología a las empresas y a los centros de datos. SpiNNcloud ya comercializa sistemas basados en SpiNNaker2 y trabaja en SpiNNext, una nueva arquitectura orientada a modelos de IA más complejos.
En 2025, la compañía fue seleccionada por el Consejo Europeo de Innovación dentro del programa GenAI4EU y recibió una contribución de 10 millones de euros para impulsar el desarrollo de su infraestructura de IA neuromórfica. Su objetivo: que la próxima generación de IA no solo sea más potente, sino también mucho más eficiente.
3. d-Matrix, chips que consumen menos energía
d-Matrix desarrolla chips para que la IA pueda generar respuestas más rápidas consumiendo menos energía. Su tecnología reduce el movimiento de datos entre la memoria y el procesador, uno de los procesos que más recursos consume en los sistemas tradicionales. La compañía, fundada en Estados Unidos, está especializada en hardware para la inferencia, es decir, el momento en que la IA procesa una petición y genera una respuesta.
Para conseguirlo han creado Digital In-Memory Compute (DIMC) una tecnología que lleva parte del procesamiento directamente a la memoria. En lugar de mover constantemente los datos entre la memoria y el procesador, memoria y cálculo trabajan más cerca, reduciendo así el tiempo y la energía necesarios. Además, su plataforma Corsair combina esta tecnología con chiplets, memoria de alta velocidad y conexiones preparadas para trabajar con grandes modelos de IA.
d-Matrix está especialmente orientada a aplicaciones que necesitan respuestas rápidas, como agentes de IA, asistentes de voz o herramientas de programación automática. En estos sistemas, una misma interacción puede requerir cientos de cálculos, por lo que reducir el tiempo de cada uno puede marcar una diferencia importante.
Según sus fundadores, esta tecnología puede multiplicar por diez la velocidad de respuesta y ofrecer hasta tres veces más eficiencia energética que determinadas soluciones basadas en GPU. Son estimaciones que dependen del tipo de aplicación y de las condiciones de uso. Su tecnología tampoco pretende necesariamente sustituir a las GPU, sino trabajar junto a ellas para acelerar determinadas partes del proceso.
4. Ferveret, refrigerar los centros de datos para reducir su consumo
Otro de los problemas por resolver de la IA es el calor que generan los chips que la hacen funcionar. A medida que los centros de datos incorporan más GPU y aumenta la potencia de cálculo, también crece la energía necesaria para mantenerlos a una temperatura adecuada. La refrigeración es otra de las líneas en las que trabajan startups como Ferveret, una deeptech fundada en 2021 por dos investigadores vinculados al MIT. Su propuesta es una tecnología de refrigeración líquida inspirada en los sistemas utilizados para disipar el calor en los reactores nucleares.
La han bautizado como Adaptive Phase Cooling y utiliza un proceso de ebullición subenfriada para extraer el calor directamente de los chips. A diferencia de los sistemas convencionales de refrigeración por aire o de algunas soluciones de inmersión, genera pequeñas burbujas que se desprenden rápidamente de la superficie y vuelven a condensarse en el líquido. El resultado es una refrigeración más eficiente que permite utilizar una mayor parte de la electricidad disponible para hacer funcionar los procesadores.
Ferveret afirma que sus pruebas con GPU NVIDIA H200 han conseguido hasta un 55% más de rendimiento por vatio frente a la refrigeración por aire y hasta un 20% frente a sistemas de refrigeración líquida direct-to-chip.
La compañía ha diseñado sistemas que pueden instalarse directamente en los centros de datos que ya existen, sin necesidad de grandes cambios. Tienen un tamaño estándar para encajar en los racks (armarios) de los centros de datos y están preparados para trabajar con mucha potencia sin sobrecalentarse.
Además, es una solución que puede funcionar sin consumo de agua y en condiciones ambientales exigentes, lo que abre la puerta a centros de datos instalados en zonas donde el calor o la disponibilidad de agua son un problema.
Es un salto de gigante para el futuro de la IA, ya que se puede conseguir que prácticamente toda la energía consumida por la instalación pueda destinarse al procesamiento.
5. Emerald AI, optimizar cuándo consumir electricidad
Otro cuello de botella para el desarrollo de la IA es la falta de capacidad de la red eléctrica de muchos lugares para atender el consumo de energía de los centros de datos. Emerald AI propone darle la vuelta al problema: en lugar de que los centros de datos sean consumidores rígidos de electricidad, su tecnología permite que adapten su consumo en función de las necesidades de la red, sin comprometer el rendimiento de las aplicaciones de IA. La compañía asegura que este enfoque podría liberar hasta 100 GW de capacidad en la red estadounidense para nuevos centros de datos.
Para conseguirlo han desarrollado Emerald Conductor, una plataforma que conecta en tiempo real los centros de datos con las compañías eléctricas y coordina el consumo de los sistemas de IA. Puede, por ejemplo, reducir temporalmente determinadas cargas de trabajo cuando la red está sometida a mucha presión y recuperarlas después; trasladar cargas de inferencia de un centro de datos a otro donde haya más electricidad disponible; o coordinar el uso de baterías y otras fuentes de energía locales. La compañía ha probado este sistema en distintos escenarios: en Arizona consiguió reducir un 25% durante tres horas la demanda de IA de un centro de datos de Oracle en un momento de máxima demanda eléctrica.
El objetivo es convertir los centros de datos de IA en activos flexibles para la red eléctrica, en lugar de limitar su crecimiento por falta de capacidad.
Emerald AI ya trabaja con compañías como NVIDIA, Oracle, Digital Realty y varias utilities. En 2026 anunció una ronda de financiación de 150 millones de dólares y está valorada en 1.050 millones.
6. Euclyd, chips para mejorar la eficiencia por token
Euclyd intenta mejorar la sostenibilidad de la IA de una forma similar a d-Matrix: diseñando chips que hagan la IA más eficiente. Pero lo aborda de una forma diferente. Mientras d-Matrix se centra en conseguir respuestas de IA más rápidas y eficientes, Euclyd apuesta por construir infraestructuras completas capaces de ejecutar mucha más IA con menos energía. En otras palabras, Euclyd diseña chips y sistemas que permiten ejecutar modelos de IA reduciendo tres de sus grandes costes: la energía, la capacidad de cálculo y el espacio en los centros de datos.
Para conseguirlo, Euclyd ha desarrollado Craftwerk, una tecnología diseñada para que los modelos de IA puedan generar respuestas de forma más rápida y consumiendo menos energía. Su diseño combina procesamiento y memoria, de manera que los datos no tengan que desplazarse continuamente de un sitio a otro, algo que consume tiempo y energía. La compañía también está desarrollando CWS 32, un sistema pensado para grandes centros de datos y capaz de ofrecer mucha capacidad de cálculo con un consumo energético reducido.
Este enfoque ha despertado el interés de los inversores. Acaba de anunciar una ronda Serie A de más de 200 millones de euros para acelerar el desarrollo de sus chips y sistemas y prepararse para su despliegue comercial en empresas, infraestructuras soberanas y grandes centros de datos.
7. Starcloud, centros de datos en el espacio
Esta es, probablemente, la apuesta más llamativa de todas estas startups. Starcloud quiere llevar los centros de datos al espacio para reducir el consumo de energía y las necesidades de refrigeración de la IA. Para ello, está desarrollando satélites capaces de incorporar GPU y otros sistemas informáticos que permiten ejecutar modelos de IA en órbita.
La idea es aprovechar dos recursos abundantes en el espacio: la energía del Sol y la posibilidad de expulsar el calor mediante radiación, sin depender de las grandes cantidades de electricidad y agua que necesitan los centros de datos terrestres.
De momento se trata de una tecnología en fase de prueba. En 2025 lanzó Starcloud-1, un satélite equipado con una GPU NVIDIA H100. Después consiguió entrenar un modelo de lenguaje y ejecutar una versión de Gemini en órbita. Su siguiente paso es Starcloud-2, un satélite comercial con varias GPU, almacenamiento y sistemas propios de energía y refrigeración, cuyo lanzamiento está previsto para 2027. También podrá procesar en el espacio los datos recogidos por satélites de observación de la Tierra, evitando tener que enviarlos primero a tierra.
Pero la ambición de Starcloud va mucho más allá de poner un ordenador en órbita: quiere construir centros de datos completos en el espacio, que puedan llegar a alcanzar una capacidad de varios gigavatios.
Según sus fundadores, los centros de datos espaciales podrían generar energía solar de forma casi continua y crecer sin las limitaciones de terreno, permisos y redes eléctricas que existen en la Tierra. Pero es una apuesta con muchos peros; tiene retos muy importantes por superar, como el coste de los lanzamientos, la radiación, la refrigeración y las comunicaciones.
Aun así, ha despertado el interés de los inversores: acaba de recibir otros 250 millones de dólares y ha alcanzado una valoración de 2.300 millones.
