La inteligencia artificial consume cada vez más energía y capacidad de procesamiento. Cada búsqueda, respuesta o generación de imágenes implica enormes centros de datos trabajando en segundo plano. En ese escenario aparece The SEMQ Group, una startup argentina que busca resolver uno de los problemas más costosos de la IA moderna: el exceso de información matemática que utilizan los modelos.
La compañía fue creada por Andrés Mac Allister, un ingeniero y emprendedor argentino oriundo de Pergamino, que transformó una idea nacida en la universidad en una tecnología que hoy llama la atención en Silicon Valley.
Qué hace The SEMQ Group y por qué importa
Para entender la propuesta de SEMQ hay que entender primero cómo funciona la IA moderna.
Los modelos de inteligencia artificial trabajan con algo llamado “embeddings”. Son representaciones matemáticas que convierten palabras, imágenes, conceptos o datos en vectores numéricos para que las máquinas puedan “entender” relaciones y significados.
El problema es que esos embeddings ocupan mucho espacio y requieren enormes recursos computacionales para almacenarse, procesarse y moverse entre sistemas.
Ahí es donde entra SEMQ.
La startup desarrolló un sistema que transforma esos embeddings tradicionales en representaciones simbólicas mucho más compactas. Según la empresa, gran parte de la información presente en esos vectores es redundante y puede comprimirse sin perder significado ni precisión.
La analogía que usa Mac Allister es sencilla:
“Los embeddings son los libros que la inteligencia artificial utiliza para entender nuestro mundo. SEMQ es una forma de resumir esos libros resaltando las palabras clave”.
El resultado sería una reducción importante del tamaño de los datos que usan los sistemas de IA, con varios efectos concretos:
Menor costo de infraestructura.
Menor consumo energético.
Menos memoria utilizada.
Transferencia de datos más rápida.
Mayor estabilidad de los modelos.
Según pruebas publicadas por la compañía, la tecnología puede comprimir embeddings hasta 5,33 veces manteniendo funcionalidad y precisión.
Cómo nació la idea
La historia de la startup comenzó mucho antes del boom de ChatGPT y la IA generativa.
En 2010, mientras estudiaba en la Universidad Nacional de Rosario, Mac Allister creyó haber encontrado una propiedad matemática relacionada con vectores durante una clase de álgebra.
En ese momento la idea no tuvo aplicación práctica y quedó guardada en un cuaderno durante quince años.
Con el crecimiento explosivo de la inteligencia artificial, el emprendedor volvió sobre aquella intuición matemática al detectar un problema concreto: el costo creciente de operar sistemas basados en embeddings y bases vectoriales.
Ese redescubrimiento terminó convirtiéndose en la base tecnológica de The SEMQ Group.
El argentino detrás de la startup
Antes de fundar SEMQ, Andrés Mac Allister ya había trabajado en proyectos tecnológicos vinculados a IoT, salud e inteligencia artificial.
También creó Mindustries, una firma orientada a servicios tecnológicos y proyectos de triple impacto, experiencia que le permitió formar equipos y trabajar en distintos sectores industriales.
Mac Allister define su recorrido emprendedor como una combinación de curiosidad, intuición y tolerancia al error. En entrevistas recientes explicó que gran parte de su aprendizaje vino de proyectos fallidos y experimentación constante.
De Argentina a Silicon Valley
El proyecto comenzó a ganar visibilidad internacional durante 2025 y 2026.
La startup cerró una ronda ángel de US$350.000 y fue aceptada en NVIDIA Inception, el programa global de NVIDIA destinado a startups de inteligencia artificial.
Además, el equipo participó en programas y encuentros de innovación en Silicon Valley junto a fondos como Draper Cygnus.
La empresa plantea un modelo mixto:
herramientas open source para desarrolladores,
servicios pagos escalables,
y soluciones enterprise para compañías.
El problema energético de la IA
El contexto también juega a favor de startups como SEMQ.
La expansión de la inteligencia artificial está disparando el consumo energético global de los centros de datos. Modelos cada vez más grandes requieren más GPUs, más almacenamiento y más procesamiento.
Reducir el tamaño de los embeddings podría convertirse en una ventaja crítica para empresas que buscan bajar costos operativos y mejorar eficiencia.
La apuesta de SEMQ no es competir contra OpenAI, Google o Meta creando otro modelo de IA, sino optimizar la “infraestructura invisible” sobre la que funcionan todos esos sistemas.