El objetivo de Creayı es construir las herramientas creativas del futuro y nosotros [música] 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 [música] historia. Se envía, dormimos 4 horas, nos despertamos y

dice, "Chicos, estaréis durmiendo, pero Seollyya Existenc y Bench os quieren conocer." Pero que qué ser enendia más heavy, no sé. ¿Tú lejiste mucho este BC [música] o fue el primero? No, no, pero que yo no sabía lo que era un BC. 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 [música] imágenes que usáis nos 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

Samorman en ese sitio, de hecho. Ah, sí. Y me sacó su slack de Open AI y me empezó a enseñar generaciones de Datichitu antes de que salga. Y yo dije,

"Bienvenido a las historias de Startups de Idne." Bienvenidos una semana más al podcast de IDNK. Yo soy Bernard Farrero y hoy estoy con Víctor Pérez y Diego Rodríguez

[risas] de Crea ¿Cómo estáis? Muy bien, muchas gracias por por invitarnos al podcast. Bienvenidos al podcast deck. Oye, ¿qué es crea AI? ¿Qué es Crea AI? Buena pregunta. Crea AI

pregunta es la pregunta. CreaI es una lo que es, o sea, el objetivo de CreaI 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 crea 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 nuestros modelos encima de open source y como lo haremos en un rato, pues llevamos unos seis o si meses creando

nuestro propio modelo, pero al final es una Creative AI suite donde creativos de todos tipos pueden generar imágenes, vídeos, 3D. Vámonos a casos de uso más concretos,

¿no? Porque es es una proposición muy muy general, ¿no? Herramientas creativas. O sea, concretamente, ¿cuáles son los casos de uso más típicos que hoy la gente soluciona con crea?

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

O sea, ¿qué hace la gente en crea? Entra y ¿qué hace la gente? Entra y ponle que eres un equipo de de marketing de una de INC y queréis hacer un ad para Instagram.

Em, vienes a Crea, tienes un un modelo de imagen, creas una imagen de un perrito con un cartel que pone eh welcome toic o o o lo que quieras. Eh,

después de tener esa imagen te das cuenta de que está en baja resolución y quizá para para Instagram te da un poco igual, pero ponle que la quieres para Instagram y 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 un enhancer y ahí la puedes tener la puedes aumentar a 4K o hasta 27K si quieres

solución y ponle que la la lanzas, lanzas un ad campaign y funciona también que quieres empezar a hacer vídeos con ella. pues tienes ah herramientas de

vídeo y otro tipo de herramientas que te permiten esa imagen y generar pues todo un contenido audiovisual que incluye audio, incluye vídeo, incluye todo lo que necesitas para un para un ad campaign que ya es un poco más seria y

ya incluye vídeo con el mismo concepto que haya funcionado genial y ya pues es como cualquier tipo de generación de contenido que necesites para algo como un ad un equipo creativo lo podría utilizar de diferentes formas,

¿no? Twitter está lleno de vídeos generados con con inteligencia artificial. Ajá. Y y mucho slop, muchísimo, mucho demasiado, muchísimo, muchísimo.

¿Sois vosotros los del slop? No, [risas] no, pero bueno, a veces seguro que sí. Usuarios, imagino, algún usuario por ahí debe haber que hace slow, pero nosotros en sí no. Eso ha evolucionado mucho la calidad de los

vídeos, ¿no? Hay este ejemplo del Will Smith con los espaguettis, ¿no? Que antes que era como muy ortopédico, ¿no? No se veía como muy falso y ahora es muy muy realista, ¿no?

Hasta el punto que ya no sabes cuando ves un vídeo qué es de y qué no. No. Entonces vosotros lo que habéis hecho es agregar modelos, ¿no? Los últimos que más se ha hablado son sedans, ¿no? Creo Sidans 2 ha sido uno de los

Sidans 2. Eh, lo ha petado. Sí. Eh, y lo agregáis y e y producís vídeos y imágenes con muchos modelos,

¿sí? Pero habéis decidido crear vuestro propio modelo, 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 interesa el el nuance. Okay. O sea, al final nosotros no empezamos como como un API wrapper, o sea, no el

objetivo de crear desde el principio no era agregar API y ponerlas en en en un producto. ¿Y 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 en donde nadie lo sabía, 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 y ingeniería.

Entonces, veníamos de ver un potencial al creativo muy experimental a el o bueno, más 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 pensábamos que iba a tardar 5 años en llegar tardó en 2 meses que fue un poco

el DU, ¿no? O sea, los resultados que empezamos a ver con Dali 2, después Sora, después pues todo lo que lo que ha venido, esto 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 1000 productos iterando, ¿no? O sea, al principio no es que empezásemos con una visión supercara. 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 crea, aunque esté utilizando una tecnología que casi

parece a alguien y que es totalmente nueva. Le ponemos mucho esfuerzo a todo eso, pero o sea, todo eso vino de 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 de revenue. Después de ahí hicimos un un enhancer que también est 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 tercer, bueno, el tercer boom fue cuando salió un modelo que se llama Flax, que es un modelo de de imagen que nosotros

ahí estuvimos en nuestra salsa, ¿no? que teníamos el modelo este open source, empezamos a hacer mil de técnicas encima de ese modelo, te dejábamos entrenar el modelo en tu propio estilo, te dejábamos

poner imágenes de referencia, te dejábamos 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 huner e decimos otras cosas, pero yo creo que ese momento fue un bo super grande y después de eso fue cuando vino lo del rapper. Exacto. que de hecho nosotros fuimos

que, o sea, hasta aquel momento vosotros entrenabais, no entrenábamos, trabajáamos en entrenáis open source, digo, no, bueno, sí, hacíamos fine tunings, hacíamos fine tunings o hacíamos módulos

encima de modelos open source que te diesen una cierta habilidad que el modelo no tenía by default, como por ejemplo el en lugar de ponerle un promes 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 trabajo y de adaptadores para que el modelo entendiese más aparte del PR. Este podcast está patrocinado por Conto. Si tienes una empresa, ya sabes que es un

lío tener cobros, pagos, facturas, todo en plataformas diferentes. Con Conto puedes centralizar todo esto en un solo sitio. Cuentas remuneradas para la empresa, tarjetas para ti, para tu

equipo y facturación. Todo integrado en un mismo sitio. Crea una cuenta, emite una factura, procesa un gasto, todo en una única plataforma. Obtén la claridad y el control financiero que necesitas.

Puedes abrir una cuenta hoy gratis. Más información en la descripción. Gracias, Conto. Para acabar de resumir un poco lo que es Crea, vosotros habéis levantado 83 millones de euros con fondos como

dólares, pero sí, eh, dólares, pero de dólares, con fondos como A1Z, e como Bin, ¿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 podcast hablamos eh muchas veces, ¿no? Sois un equipo de 40 personas

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 8

millones de euros de RR 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 o 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 vender a empresas

[carraspeo] también. Entonces, claro, eh, o sea, es que está muy líquido también como está cambiando el modelo de negocio en sí, o sea, ahora, o sea, ¿hace cuánto? Sí, hace ni un año,

o sea, ahora 11 meses que empezamos a vender a empresas. Bueno, a querer vender a empresas. Claro. O sea, en la web tenéis que que tenéis 30 millones de usuarios. Sí, más, pero sí,

más. Sí. Bueno, tenéis en vuestra web, ¿eh? Sí, sí, sí. No, sí tenemos más de casi 40, yo creo. Lo creo en la web pone más de 30, si no hay que cambiar. Pues más de pues 40.

Eh, esos son usuarios, pero no clientes. No pagan estos usuarios. Bueno, pues o sea, muchos pagan, pero pero puedes utilizar el producto sin pagar, ¿no? Sí, sí. Hay un porcentaje de estos 40 millones

que pagan más o menos. ¿Qué orden de magnitud paga? O sea, no sé cuál debe ser el porcentaje, la verdad, pero relevante o más del 50%.

No, no, no. O sea, está como más consumed, o sea, no debe ser un 1 2% algo así. Sí, vale. O sea, un un porcentaje relativamente pequeño. ¿Paga cuánto paga?

O sea, ¿cuál es el pricing ahora? Depende. Sí, porque está el pricing de consumidor, el pricing de agencia, el pricing de business y el pricing de enterprise, ¿no? Entonces el consumidor,

creo que el más pequeño es de yo que sé, creo que era el más al mes, el más el más bajo, pero o sea que hay gente que, por ejemplo, es un artista de Nueva York y

he visto y 2,000 al mes, ¿sabes? que se gasta en la suscripción más cómputo extra para generar más y tienes a a como bien 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, como quien dice, ¿no? De ah sí, uy, uso CR para hacerme todos los anuncios en casa y es un negocio pequeño Midwest que es como

más ahí es donde entraría más a lo can quizás, ¿no? tienes agencias creativas que son 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? Y luego tienes Enterprise como Amazon, Shopify, incluso Apple, que es como, "Okay, estos son ya monstruos a nivel

corporativo, ¿vale? O sea, vosotros seréis como un labable es a lo que es el diseño web, ¿no? Estois al a imágenes, ¿no? Que también entiendo que competís con Canva.

Mencionado Can también ofrece la generación de imágenes, ¿no? Sí. adquirieron a un competidor. Sí, teníamos un competidor nuestro, se llamaba Leonardo, Leonardo AI, y lo compraron.

V luego está Freepic aquí en España, ¿no? También ofrece este servicio, ¿no? M Ellos son full full rapper, pero sí es

competidores directos. Vale. Eh, ¿quién más puede haber? Eh, hay unos otro player español que es Mito, ¿no?

Que se ha movido también a San Francisco, si no recuerdo mal. Sí, creo que lo vi en LinkedIn, ¿eh? Que también están en este espacio, ¿no? Mm. Y imagino que habrá un long tail, ¿no?

Es que es raro porque cada uno cada uno está teniendo un approach diferente. O sea, tienes un Rway ML que están super enfocados en vídeo, pero ahora de repente desde hace un par de semanas o tres, bueno, no creo que hac ya 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, pero también sacado un vídeo y también se han vuelto un agregator. tienes Eleven Labs,

que empezó con audio y están petándolo con temas de audio que de repente te sacan un Creative Studio y también se vuelven 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 IPI 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 [risas] en servicio en mi producto. Entonces, ahora mismo es por eso digo

que es un poco raro. O sea, yo creo que Pero si integraliz todos los modelos, o sea, 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, necesitan alguien que les ayude a acceder estos servicios, estos modelos, ¿no?

Y esto es lo que ofrecíais antes o lo que ofrec y seguid ofreciendo. Sí. ¿Qué más hace el producto? Yo no utilizar el producto. Entonces, ¿cuál es la experiencia de usuario del producto?

Es bueno, como he dicho antes, hay varias herramientas y cada herramienta tiene un use casase. 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 nich, como quiero hacer una texturación, hacer como un texturing de vídeo, que tú le le metas un vídeo en 3D y tú puedas promptearle, okay, quiero que esto se

vea como un como Chrome o como yo que sé, que tenga un una textura de metal y de repente pues hace el vídeo tu vídeo y aplica y para cosas un poco más específicas. Podemos verlo.

Sí. Explíqueme qué es Crea. Bueno, esto es Crea. 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. Esta esta es 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 real time es porque nos hemos vuelto superlcos en optimizar el modelo y en hacer ahcks para que funcione así de rápido desde nuestros servidores. O sea, por ejemplo, el

producto en sí de crea está corriendo en el clúster donde tenemos las GPUs, o sea, que no hay hay mínima latencia entre entre las cosas. Y esto, por ejemplo, pues lo que te permite hacer es pues cambiar el estilo. Puedo decir a ad

puedo añadir barba sunglasses. Esto es un poco más a 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 Mascarate, creo, si no recuerdo mal, rusa, eh, que hacían filtros en real time, pero con asteroids, ¿no?

Sí, puede ser. 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, "Okay, ah, o sea, tú estás jugando con el dibujo y con un prompt a la vez." Exacto. O sea, tienes aquí el prom 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 esto yo

ni le estoy diciendo que es una silla. Ah, pero 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. Ah, latencia con servidores americanos, ahora que lo pienso también. Y tú tienes aquí, pues yo que sé, vamos a

que esto obviamente un alguien con un iPad pues haría un dibujo mucho mejor, pero aquí pues lo que puedes hacer, pero ves ha detectado directamente que quiero hacer el base solo 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 PROM lo que le estoy diciendo es haz

que esté como enterrado en rocas. Lo ves en tiempo real. Aquí le puedes decir, "Okay, Bed with rocks." Y eso te genera una imagen de baja resolución, pero tenéis un modelo de enhancement, ¿no? Que

le da más calidad o más píxeles, ¿no? Tener a píxeles que es un es un enhancer realista también. Aquí hubo la la gente pasó por aquí también la gente Magnific

que vendió a Freepic que hacía un enhancer creativo. Eso es lo mismo. Es lo mismo. De hecho, tenemos Magnífica aquí también. Ah, sí, vale. Esto, pu, o sea, puedes utilizar el que tenemos aquí de

Crea, puedes utilizar el el de Magnific y puedes utilizar también los de Topath que funcionan s super bien. Entonces aquí pues le acabo de hacer un

enhancement con tres modelos diferentes, con tres clics. Ah, y cada uno del 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 te lo ha hecho a 2K, pero con modelos como como el de Topath. Esto lo puedes tirar creo que a 27K si quieres. ¿De dónde viene Topat? El de dónde viene

esto es una una empresa americana. una empresa americana que se lleva enfocando en temas de procesado de de bueno, postprocesado de de imagen desde hace muchos años y ahora se metieron en en

sí 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 Laura. 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 podrías

hacer upload de 10 imágenes tuyas, podrías entrenar 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 super optimizado. Entonces, esto creo que modelos como Flags en un minuto o dos y ojo que es un fine tuning, no es

un entrenamiento, o sea, es un fine tuning con un montón de optimizaciones para que pueda, o sea, sobre hay muchas técnicas para para que 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 h como en diferentes ángulos, con diferentes 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. ¿Qué significa un carácter? ¿Qué significa carácter? un carácter es quiero es una persona lo que quiero que el modelo aprenda, un personaje, ¿sí? No, 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 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 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 cuesta entender. una de, este es un ejemplo tonto, de unos chicos de de Doodles que son unos un

estudio creativo que crearon este arte que se hizo muy famoso durante los tiempos de NFT y lo que nos decían es, tío, 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 eso podemos hablar un poco más tarde de otros otra otros componentes que hemos que hemos

creado para para que para que eso funcione, como por ejemplo el estilo de una imagen, una imagen en sí o un prom 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 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 tiempo de esto nada ni céntimos, o sea, a lo mejor yo que sé, un céntimo, 2 céntimos y me lo estoy inventando. O sea, que cuesta muy poco. 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 volcano y o sea, esto

obviamente los creativos lo aprecian mucho más porque es que hay ciertos detal y se acojonan en iguales en igual partes, ¿no? Hay, yo creo que están superdividos los que están super acojonados y los que

están como let's fucking go de decir esto es la O sea, ¿tú te crees que a mí me gustaba pasarme 4 horas con el iPad para hacer 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 4 horas moviendo el muñeco al volcán. Pero es que ahora Pero es que ahora el que el que quería tenerlo en el

volcán se lo va a decir a Crea. Es que eso no es lo que va a pasar. No, no. el el este le va a dar un modelo, o sea, es eso, o sea, la al final 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 genial, que de repente puedan dedicar un 50% más

de su tiempo a a pensar en las ideas, pero son capas de abstracción diferentes. Una cosa es la capa de abstracción visual pura 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 dónde cómo

definimos creativo. O sea, es creativo el que ejecuta. Es que hay distintos tipos de creatividad y está aplicado 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 uno de los al final tienes que tener un taste, un criterio visual para juzgar entre este

millón de posibilidades, ¿no? Sigues sigues necesitando el la capacidad de síntesis o de elección. Sí. O sea, ese 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 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 hay diferentes diferentes procesos

a hasta que consigues entrenar un modelo from scratch. Está el free training, midraining y post training. La consistencia. Yo la verdad es que no sé cómo cómo trabajo en otros laps, 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 midraining. Es decir, acabamos el el pretraining 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 pequeñas dentro de una imagen, que es donde suele donde la suele un

modelo de inteligencia artificial. Hasta el momento de mi training nosotros ya lo teníamos bastante bien, pero aún así es todo el estadio 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 prom. Todo eso al final pasa en el postraing. ¿Cómo se da la opinión e ante tal variabilidad de cosas en el mundo?

es un proceso muy muy de alto nivel y es un, o sea, lo que yo me he dado cuenta en estos últimos meses, estando super involucrado en en la creación de de este

nuevo modelo, es que entrenar modelos 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 a a nuestro a nuestro a nuestra disposición hoy en día, o sea, 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, 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 validar, validar, validar, o sea, estar Yo me he pasado muchísimas horas probando proms super largas con ciertos

estilos para asegurarme que pueda hacer un bhs cam coder, ¿no? 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 parte de generalización que tienen estos modelos en los que si ha aprendido estas, o sea, tú al

final no pienses 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,

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 pretraining y en midraining. Post training no necesitas

tantos datos, pero así habis hecho pr training, midraining, 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 grandes laps eh van a invertir 800 billion año han publicado en Capex, en inversión pura de entrenamiento de los modelos a fuerza

bruta, que yo me pregunto, ya no sé qué, cómo los entrenan ya no sé dónde sacan los datos, porque están todos agotados los datos del mundo. Hm,

yo creo que hay, o sea, seguramente, o sea, es que a 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 Andre Carpathy que dice, "Yo te lo juro que no entiendo

cómo estos modelos han aprendido tamban bien. Si tú miras un una un data sample de los datasets que que estamos utilizando para entrenar algo como GPT3

es están malísimos. O sea, son malísimos. O sea, la cantidad es como una una cantidad inmensa de datos donde 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 y ya, o sea, ya hace que que alguien como Andre Carpaz 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 tanto datos, lo que necesitamos es buena calidad. Y cuanto mejor, ¿qué es buena calidad? Estaba pensando

que podrías mostrar el blog o o resumir el blog post de Flock Crea, que creo que conveis este punto, o sea, bastante bien.

Sabes mostrar los lo porque hablaba de los malos datasets que hay en los estheticas sets. Bueno, pero eso es más para postraing, o sea, esto es un poco la pregunta de Okay, pues nos vamos a quedar sin datos.

Es la pregunta del millón [risas] del del trillón del millón del trillón. también, o sea, esto es gente que está metida en large language model, son todo técnicas como son bastante eh secretos

en lo que hacen y lo que no hacen. O sea, que al final todo esto es Sí, todo sec muy secreto. Claro. Sí. O sea, a ver, todo muy secreto, pero al final tampoco hay mucho tampoco hay mucho misterio alrededor de las arquitecturas. Imagino, vosotros

estáis en Silicon Valley, conoceréis a gente de que está en Openi Sí. Y en Antropic, ¿sí? No, sí, sí. Y ahí comentaréis cómo entrenamos, cómo entrena todo el mundo

los modelos. Yo no comento cómo entrenamos nosotros en nuestro modelo, ¿no? Sois también confidenciales ahí. Y ellos tampoco te creas tú que hablan mucho, ¿eh? No sé. No, bueno, tienen fuertes.

Sí, y nosotros también. O sea, cualquier persona que entra en cre aunque sea un trial, lo primero que hacen es firmar un DJ. Sí, de hecho, bueno, no sé si viste el de Open AI, que era había un NDA que te

prohibía hablar del NDA. ¿Y cómo lo sabes? por [risas] no por el porque creo creo no sé si fue por el juicio de Elon Musk

con Samman o algo así. Luego se publica todo en acaba publicáis y todas las conversaciones que creo que luego lo eliminaron, pero pero sea se hizo cuando se hizo público lo tuvieron que eliminarm

Sí, ¿no? Pero o sea, mejores modelos, mejor data, mejor data, mejor modelo la siguiente vez que lo entrenes. Es un data es lo más importante, 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 trabaj. ¿Qué significa arquitecturas más grandes? 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 hay muchas

muchos muchos componentes aparte de la arquitectura. La arquitectura suele ser uno 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 que no esté utilizando, o sea, una

versión escalada basada en Transformers para entrenar todos estos LLMs. O sea, al final hay muchos trucos, ¿no? hay como los 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 neuronas o hay varias técnicas, pero

todo al final son transformers escalados a a todo lo que pueden. entiendo que eh hay un tradeof entre eh número de parámetros, tamaño de de

data del data, ¿no? Y computación, ¿no? 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 partir de las

cuales no, o sea, necesitas más data para entrenar un modelo más grande, pero la verdad es que no 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 GPT4 ya no está pasando. O sea, las nuevas eh Deepsic probó un poco esto, ¿no? que con

no sé, o sea, que que los modelos chinos que con mucha menos computación podían conseguir muy buenos resultados. Bueno, pero también están 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 esto lo habéis hecho vosotros. vosotros habéis hecho destilation, o sea, os habéis basado en otros modelos para entrenar 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. Hay gente que dice que sí, ¿no? Hay gente que dice que sí. Sí, dicen está basada 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 cómo funciona el modelo, puede venir bien utilizar otro modelo, ¿no? Bueno, cuando haces benchmarks sí hay veces que cuando estás haciendo técnicas

de postraining quizá metes en el mix a imágenes de varios modelos, pero no es para hacer distilation 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 postraining que funcionan así, funcionan a partir de tener un sample positivo y un sample negativo

donde tienes un, yo que 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 los problemas que están y luego hay otro tipo de modelos que no

están basados en replicar píxeles o texto, sino eh los Wall Models que intentan crear modelos de física en algunos casos como Warlaps, eh, que

también está ahí en en Silicon Valley, ¿no? Sí, sí, sí. em intentan recrear las tres dimensiones desde un punto de vista humano, ¿no?, de de la física y en otros

como el ¿cómo se llama ahora? Jan Leun, 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? Esto esto tiene algo que ver con lo que vosotros hacéis. ¿Utilizáis algún modelo del mundo? No,

no. O sea, nosotros lo que hemos lo que hemos entrenado con con Crea 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 a Transformers es como bueno, de hecho que es lo mismo que el texto, ¿no? O sea, de hecho no lo

decir el texto pero con píxeles, ¿no? No del todo. De hecho, no es una buena analogía la que he hecho. Eh, hablar de modelos de difusión es un, es decir, modelos como Large Language Models están

entrenados para predecir un token detrás de otro y 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 generado han generado una una imagen que forma parte de una distribución de datos que al final

distribuciones to 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 de noising 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 precir píxel después de un píxel, porque al final las, o sea, las formas en las que estas estas 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 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 arquitecturas que están optimizadas para eso y que funcionan mejor y esos son los

diffusion models. ¿Vale? ¿Cómo cambia entre imagen y vídeo? ¿Qué cómo cambia la tecnología? Hm. Suelen ser arquitecturas muy muy similares, solo que le añades la el

extra la extradimensionalidad del tiempo. Entonces, pues tú normalmente tienes un, yo que sé, por 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 similares al de a los de las imágenes. Eh, 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 cuanto más tiempo quieras generar un vídeo de una hora

es muy caro. Sí, 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, depende del modelo, ¿no? Suelen

ser 5 segundos o 10 segundos. Eso es lo típico. Si dan 2, por ejemplo, te deja generar 15 segundos, pero depende 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, "Okay, 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 v estás en Twitter y ves que casualmente muchos de estos vídeos que son como slop duran exactamente 5 segundos. Es como así

sabes que ha sido, o sea, muy seguro que si parece, pero encima 5 segundos o 10 segundos o 15 dices, vale, o sea, la persona ni siquiera se ha esforzado en hacer los vídeos y editarlos o lo que

sea. Es como eh directo del modelo, ¿vale? Eh, entonces en en crea hoy yo puedo hacer un vídeo de más de 10 segundos o

no no me queda claro. Con sidence sí, ¿no? Pero con otros modelos a lo mejor es solo 5 segundos. O sea, no puedo, no depende del modelo, no puedo encadenarlo. Esto que estáis

diciendo no lo puedo hacer en crear. Ah, vale. Dice edición de vídeo como tradicional. Eh, bueno, teníamos, ¿no? O sea, tenemos una herramienta que quizás saquemos en algún momento, pero normalmente, yo que sé, o sea, puedes

hacer este, por ejemplo, yo lo he escogido hacerlo de 6 segundos, que esto es una foto que hice de mi coche y le aplicamos un efecto de de estos para hacer un como un medio 360, pero aquí

cuando seleccionas un modelo como sedance 2, sidan este, aquí tú puedes elegir cuántos segundos quieres y el máximo son 15. Sí, pero sí es cierto que en la en la herramienta de nodos, la

nodes tool, bueno, claro, ahora me acordado. Nosotros una cosa que hacemos que a veces es es un poco irónico porque hablamos con clientes, prueban la notes tool y para una es básicamente una es un es un sitio donde

puedes crear workflows más avanzados, donde puedes encadenar 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 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. E porque claro, y es y uno de ellos es stitching o ser capaz de encadenar

vídeos eh directamente desde aquí. Entonces es interesante ver a muchas herramientas fuera como AI companies 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 computador de tarjeta gráfica solo para cambiar el brillo. O sea, ya sabemos cómo hacer eso y hecho 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 el output. que, o sea, cada uno, cada nodo de estos

generaría un vídeo de hasta 15 segundos y lo que podrías hacer es pues juntarlos todos aquí y ponerlo uno detrás de un poco incómodo, ¿no? Si quiero hacer un vídeo de 10 minutos,

tengo que montarme todo esto. Si eso, o sea, si quieres hacer un vídeo de 10 minutos, mejor ir a Final Cut Pro o Premiere o After Effects. Sí, o sea, es que esa es un poco también

la decisión que hacemos nosotros, ¿no? Yo no, o sea, yo no voy a gastar el tiempo, el dinero y la conciencia de los ingenieros en recrear algo que ya

resuelve el trabajo. Genial. Y además es una industry standard. Por eso antes cuando estamos hablando, pero pero es industry estándar el el el, o sea, la herramienta para editar el vídeo, pero para generarlo, si yo quiero

generar 10 minutos de vídeo, o sea, yo me voy a Premiere y ahí puedo modificarlo, editarlo, pero si quiero generar cóo, pero cómo generarías 10 minutos de vídeo, pues no sé,

o sea, pondrías ahí como toda una descripción de todo, están haciendo inidan por ejemplo con Donald Trump, ¿no? están sacando vídeos. 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, o sea, que tú 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 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 promo. A lo mejor no ha entendido bien una cosa, no ha entendido bien otra. Entonces me Quizás llegamos

en a un momento en el que sí que le das a un promo 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 prom muy largo, eh,

puedes puedes y creer un un script, ¿no? Un storyboard eh larguísimo, ¿no? Sí. O sea, cómo poder. Y luego tú puedes decir, "Oye, regenérame este trozo." O sea, yo me me

imagino la herramienta. Otra cosa es que debe ser carísimo hacer esto. O sea, es carísimo. Yo creo que no es la no es no sería, 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 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

crea y si luego quieres combinar crea con Photoshop o crea con After Effects o con lo que sea, bienvenido. O sea, a veces vas a utilizar After Effects para meter un input a crea y a veces vas a hacer algo con crea 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 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 decir, aquí está, o sea, 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. Mi caso era Sí, perfecto. Desde el primer día. Desde el primer día que dijiste, obviamente no. Aquí está el modelo. Aquí está el modelo de negocio, el prompto. Y y se lo das a un equipo ingenier otro se

tú puedes partir de algo ir eterando por trozos, ¿no? O 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 como, es decir, no hay que simplificarlo a a 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 prom largo, los eh los modelos de large language models entienden un prom 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 lo hace de forma agéntica. Yo diría que hay dos, o

sea, por ejemplo, nosotros, un cliente es Fox, Fox Corporation usa Grea y, o sea, yo he hablado con los que hacen ahí y hay gente que, ah, uso clar con con

modelos de crea o lo que sea para ser de una forma agéntica, pero suele ser el que sabe de dentro de Fox y luego están los otros nueve que es como no yo creo mis clips, mis escenas y luego me las

llevo a After Effects y edito y le muestro eso a mi manager y dice, "Ah, 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 aquí, hay una parte de Diego que

salió mal, ¿eh? Ah, pero en el en el WF tradicional no la puedes regrabar, pero como hay suficiente contenido de vídeo de Diego, en realidad sí que podrías hacer un trocito de ahí donde regrabas

porque yo que sé. 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 sí, yo lo he

visto ya, o sea, he visto ejemplos de que alguien eso, o sea, exactamente ese US case, alguien en un podcast 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 11 Labs que se está entrenando en mi voz más un montón de imágenes de referencia más un sedance más etcétera, etcétera,

etcétera, lo pongo ahí y ya no se ha notado. Vale. Oye, ¿hay algo más? enseñar. ¿Qué puede haber? Bueno, hay hay muchas cosas para

enseñar, pero [risas] eh no, 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 expliando cómo funciona este proceso, pero sí que no o sea, todavía no me lo imagino y y yo soy

ingeniero, eh, pero no me imagino cómo es este proceso de entrenado a la práctica. Ya. Eh, yo entiendo que mucha gente se lo se lo pregunta, ¿no? Como como qué hay qué hay dentro de estos labs, ¿no? ¿Qué hace

ahí la gente? No, eh, y vosotros habéis decidido montar un labm y hay mucha gente haciendo labs, ¿no? Parece una un parece una escena muy competida ahora mismo, ¿no?

En nuestro espacio hay varios, pero yo no 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 de cuál se quieres generar imágenes de la forma más eh fiel posible, ¿no? A la a la

realidad. Sí, claro. Pero, ¿qué significa generar imágenes? Mm. 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 estilo de arquitectura y yo creciendo pues tenía un grupo de música y hice un montón de producción musical, guitarra, etcétera. Entonces tenemos un punto creativo que siempre hemos tenido ahí y yo de hecho

estoy super en voz en temas de diseño de Crea o todos los vídeos que tú veas en Crea hasta hace dos semanas los hice yo con After Effects a las 2 de la mañana en la en la oficina. [risas] Entonces tenemos ese punto creativo que

es el el motivo por el que empezamos a a intentar hacer algo como crea. 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

del apps 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 una forma en la que setean unas métricas e intentan optimizar para esas métricas.

Entonces eso funciona muy bien en pretraining, porque en pretraining al final lo que tienes es el loss, ¿no? Que al final así es como funcionan las redes neuronales. Tienes una un número que se

llama loss y tú tu objetivo es llevarlo para abajo. Hay 1000 técnicas para hacer eso, pero al final tú lo que quieres es hacer que el loss baje. Entonces en a nivel de pretraining, tú le pones, "¿Qué significa este número?

El loss pues, o sea, tú al final eh de alguna forma estás como [resoplido] 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 bals o

no. Todo esto es ah todo esto es una, o sea, todo el es decir, es el el método con el que se

entrenan estos estos cualquier renur vía lo que se dice cradient descendent, que es el el más común, al final funciona funciona así. Ah, funciona,

o sea, de 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 y no son humanos ni nada, son billones de de samples que tú se lo das

y es como que lo acabas martirizando, ¿sabes? Es como el que el modelo dice, "Por favor, por favor, o sea, para ya 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 como demás lo está haciendo y de esa forma pues puede aprender, pero una vez ha llegado a un cierto punto

necesitas, o sea, 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, 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 data que ya está es un poco más difícil de hacer. Entonces, así se podría definir de alguna forma el meet training de decir, no es solo que hagas una imagen, es que hagas este tipo de de

imagen de alta calidad o lo que yo considero que es de alta calidad y es donde veis la oportunidad, ¿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 loses, 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 acabar con un modelo que porque eso al final cuando digo subjetivo es de decir que es una ilustración buena y que es una ilustración mala, ¿sabes? Es decir, el modelo muy complicado. El modelo sabe hacer ilustraciones y yo

ahora le estoy intentando enseñar que es una ilustración mala y que es una ilustración buena. Y lo que estos laps 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 qué es el labeling famoso este que que hacen los Mercors de turno, ¿no? ¿Qué qué son Mercors?

Mercor, eh, se me viene Mercor es una de estas herramientas eh de training que al final son muchos humanos eh que entrenan los modelos. Sí,

etiquetan los modelos. Nosotros, por ejemplo, utilizamos un provider que se llama Rapidata, eh, y hay mucho, muchas empresas que 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 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 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 laps 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 todo el rango de creatividad que existe en lo más average que te puedas imaginar, que 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 a la breche. Sí, pero ya es una brecha un poco diferente. O sea, seguramente si nosotros porque estás creando un subsegmento de gente que dices, "Tú eres creativo."

Seguramente, seguramente. O sea, nosotros 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, [risas] ya, pero cuántos días y cuántas horas que va a ser nada comparado con el la dispersión que existe en el universo,

¿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 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 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 entiendo el punto que dices de

decir la cantidad de aesterics, o sea, la cantidad de estilos que existen ahí, o sea, no no te los acabas, pero lo que nosotros estamos viendo es que

por un lado El modelo en be training 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, o sea, tiene capacidad pero no tiene criterio.

Bueno, o sea, deja de tener, tiene un criterio que está muy enfocado en ese average que han conseguido. Es un modelo normal. ¿Te refieres a un a Grock, por ejemplo,

por ejemplo, o sea, GR Grock genera imágenes, ¿no? Sí, sí, sí. O sea, y lo haces relativamente bien. Claro. Y si y si tú haces una una ilustración con Grock o con hasta con Nano Banana, las ilustraciones que te

suelen dar suelen ser muy características y suelen ser muy simples, con mucha saturación, con con unos ciertos tipos de su 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 haber hecho hasta cierto punto porque es 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 Grock. Yo entiendo que hay alguien es eso, 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 Creados puedes hacer. Por ejemplo, bueno, a ver si te pued un ejemplo aquí. Sí, sí.

Es que me gustaría ver este detalle, por cierto, es brutal lo de Sidens 2. Es que yo flipo con lo que por ejemplo aquí voy a poner primero un

nano banana pro y voy a decirle illustration of a cut riding a bicycle. Vale, y lo hacemos cuadrado. Y esto es lo que

me va a hacer Nano Banana Pro. Y aquí podemos ver lo que va a hacer creado sin ningún Ahora mismo, ¿qué está pasando?

estáis primero, que crea dos es más rápido. Eso es lo primero que está pasando. Primero, creáis, ¿qué? Perdona, que crea dos es más rápido. Mira, lo hemos tirado después, ya casi acabado. Vale, pero vosotros tenéis las GPUs

generando, haciendo inferencia con esto. Bueno, con nan para ambos modelos, ¿no? Banana, no. Y con con este API, sí,

vale. Y con deja que haga una prueba con este también. Porque tenemos una luego os preguntaré cuántas GPU tenéis y dónde las tenéis. Muchas GPUs y las tenemos en la mayoría

en Ohio. Ohio Columbus. ¿Estáis construyendo un data center de Crea? No, todavía no. Not yet. Pero bueno, si te fijas aquí, esta es la ilustración que te da Nano Banana.

Y si te fijas, dicho un un gato montando en bicicleta. Este es el prompt. Sí, sí, sí. El prom es un gato montando en bicicleta. ¿Vale? Entonces aquí lo que lo que se ve es

que, o sea, de alguna forma el con Nano Banana te, o sea, te dan dos ilustraciones que son bastante bastante similares y esto obviamente pues se tiene en cuenta de que hay un prom, o

sea, una ¿Por qué dos? ¿Por qué te ha dado dos? Ah, bueno, o sea, te lo da por, o sea, te lo da por Espera que esto lo he hecho mal.

Esto es porque nosotros lo, o sea, es como lo tenemos en la en la plataforma cada vez dos llamadas. Sí, cada vez que generas con Nano Banana, el el número de de generaciones que se hacen son dos. ¿Cuánto cuesta por curiosidad nano

banana estas imágenes? Ah, a ver, ahora no me acuerdo cuánto era, como 4 céntimos era, una cosa así, no me acuerdo. Esto es vuestro pricing. Sí,

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

complicado, esto es muy complicado, ¿eh? Es que es el el pricing es muy complicado, [risas] ¿no? El pricing es complicado. Eso es un problema que tienen muchas plataformas que cuando agregas porque es como,

¿cuánto cuesta una imagen? Es como de nano banana o nano banana 2 o nano banana pro y nano banana pro 1K o 4K sabes y esto es como una de las

permutaciones y eso por todas las los modelos encima encima vosotros decís, "No, no, nosotros vamos a traducirlo nuestra corrency, nuestra moneda propia dentro de Crea." Sí.

Eh, esto no va a ver que sí con la calculadora. Si al final necesitas la calculadora. Bueno, sí, no, pero si hace falta en casi cualquier plataforma, o sea, nosotros, o sea, es como es como ir a EWS, ¿no? O sea, no sé, cualquier ingeniero lo sabe

cuando toca cuánto cuesta una máquina virtual. Ya, pero trasladar este problema al usuario creativo final es una poco putada, ¿no? Sí, o sea, yo, o sea, yo soy el primero

que ha sufrido con esto, pero yo he montado casi todo el billing, la arquitectura del billing de Crea y, o sea, es un problema real. De hecho, hay una empresa que intenta resolver esto, solo eso, eh, billing para AI companies

y, o sea, la adquiri AI companies o modelos de imagen. E, o sea, modelos de inteligencia artificial en en general, como pero por ahora enfocados en en el LMS, pero aplicaría que modelo de imagen es un

submundo, por tú lo has dicho, ¿no? Un 1K, 4K, ¿eh? No, sí, sí, pero bueno, lo que digo es que esa empresa la compró Strike por One Billon, por ejemplo, y solo hacen pricing para modelos de 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 encanta usar el ejemplo de

los 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, "Uy, es muy complicado, ¿no? ¿Cuánto cuesta un

SMS?" Y es como hoy en día no no lo miras, pero en su momento había que hacer los los SMS packs, ¿no? Y 500 o 1000 o lo que sea. Bueno, yo creo es más la electricidad

más es mejor ejemplo que un SMS, porque un SMS realmente no cuesta nada. Es es capex, no cuesta nada ahora, pero costaba bastante, pero tenías que montar antenas, digamos,

¿no? O sea, pero la electricidad tiene un precio diferente cada momento, ¿no? Hay un mercado que en cada instante está oscilando el precio. O sea, tú aquí

el internet, pero el internet también, o sea, es son lo que pasa es que es negligible ahora mismo. Ah, y entonces lo que hacen, o sea, por eso una vez llegas a un punto de suficiente

negligibility, ¿no? Eh eh puedes hacer lo que hac lo que ha convergido todas las empresas de data, ¿no? Que es pues te suscribes tanto al mes y hay 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,

o sea, tú tienes una suscripción que incluye eso y es y va recargando cada mes, eh, y a mí me encantaría que lleguemos a un punto donde el mercado de eh computación sea tan barato que no

tengas que pensar en esto, que te te que puedes ofrecer united, no pagas kits, tienes unlimited. Exactamente. Que pero no estamos ahí y menos con vídeo. Exactamente. Exactamente. O sea, y de

hecho es lo interesante porque en texto ya casi estamos ahí, o sea, la gente usa HGPT por gratis. Bueno, bueno, estamos ahí. O sea, en texto, código es texto también y y todo el mundo que conozco está límite

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 querer 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. Okay, 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 bandwid, pero nosotros nos comemos six figure invoices relacionados con

internet porque ahora es el y el y el ingres, o sea, cuando empieza la escala es cuando empieza el problema. ¿No os habéis pillado los dedos con un error? Con un error de de pricing podéis hacer un un agujero importante.

Sí, ¿no? Sí, sí. si no os aseguráis que siempre facturáis por encima de de vuestro coste. Sí, o sea,

yo pero yo no la forma de la que veo yo es eh ahora mismo estamos en el momento, o sea, es muy early y estamos en momento de innovación. Yo creo que para mí siempre y cuando no hagas un tremendo agujero y estés sangrando es es

demasiado pronto para estar aquí haciendo optimización de de pricing, porque lo importante es estás haciendo, 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 resulta el problema todavía. Vale, la propiedad intelectual de las imágenes que usáis para entrenar el modelo nos preocupa.

Ah, la el tipo de imágenes, nosotros estamos teniendo la misma postura que la que cualquier otro lap 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. Mm. 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 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 Sí. esa a la hora de la inferencia donde estamos ahora desarrollando un modelo de en detección de IP y aparte de obviamente detección de

e non ser for work images o sí non sW imágenes que sean yo que sé en core con sangre de muertos o pornografía, este

tipo de cosas lo hemos dicho a la vez. Todo esto lo filtráis. [risas] ¿El qué? Todo esto lo filtráis y lo sacáis. Todo esto, hay filtros que trabajan en el prom 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,

okay, esta imagen muchos puntos de que venga de un sitio en el dataset o en el modelo que está protegido por IP.

Y 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 la plataforma. Esas son preguntas que aún estamos aún estamos pensando, intentando contestar. Grock durante mucho tiempo ha sido muy laxo en eso, ¿no? Por ejemplo, pues

mostraba el presidente del gobierno en bikini. Claro, es eso es porno, o eso es Bueno, no sé, pero esto con cre se puede hacer o no. Sí, sí,

sí, pero hay bueno, 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. Se tramp en bikini crea bien. Seguramente no sé, pero claro, esa es la cosa también que entras también ahora en el

Ahora entras en el tradeof, ¿no? Porque está, no me acuerdo el nombre de la revista esta francesa que hace caricaturas de como de los presidentes, no me s 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 que 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 y tal, pero pornografía, no, no os han demandado, no

no. Curioso, ¿eh? Sí, a nosotros y de hecho nosotros somos de la empresa que hemos tenido menos eh backslash de creativos 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 estoy en cosas del iPad y mi habilidad de dibujar sigue siendo relevante.

Sí. Una una cosa interesante de, o sea, una una estancia que tenemos nosotros bastante es como de es como cuando cuando los humanos en sí aprenden a yo

sé, yo que sé, dibujar, hacer esculturas, hacer 3D, o sea, que eso 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 imagina Imagínate, te pone la analogía, imagínate que tú eres como un niño y quieres aprender a dibujar

y esto es muy a lo 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 que sé, miran Spider-Man, pero luego ese niño que se convierte en un creativo, ¿no? Hace un anuncio que es un blatant copyright infringement de Spider-Man y

lo pone en la diagonal y se le saca pasta de eso, ¿no? Eso no. Entonces, mucha gente 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 genéralo también si quieres, pero a la hora de eh lucrarte, ahí cambia la cosa. Eh, lo lo

pero el problema se convierte no tanto en IP, se convierte en problema de de o sea de escala porque claro, pero es que hay tantas imágenes, o sea, antes el bottleneck era que la gente capaz de hacerse manejar Photoshop no son tantos,

entonces puedes ir viendo lo que hay. Pero si de repente esto internet y son billions y billions de imágenes ahí fuera, ¿cómo regulas eso? No es más ese

problema. 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 ánimo de lucro es como muy evidente, pero cuando tú das acceso a una IA que eh da

acceso a millones de personas que tienen su consumo personal, okay, okay, em ahí pues también ahí estás utilizando la

IP e a escala, ¿no? O sea, tú puedes generarte un cuento de Spiderman. Pues oye, no es un anuncio en Paseo de

Gracia, pero eh pero es una forma de uso de la IP de Spider-Man. Mm. Aunque sea marginalmente este usuario, ¿no? Yo me me leí los los juicios, por

ejemplo, que hubo con los editoriales contra eh Google, por ejemplo, que era como Google Imágenes. Estás usando el 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 a un sitio web random de alguien que publicó una a un archivo

de Spiderman con un nombre de llom 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 que se puede hacer esto que está haciendo Google de alguna otra forma sin, o sea, sin

tener que utilizar el IP de esta forma. Y se demostró cómo, o sea, cómo buscarías una imagen que estás, o sea, estoy buscando una imagen, estoy haciendo research. ¿Cómo encuentras eso sin tecnología de search

engine? era un poco la la cuestión en el juicio y se demostró que no hay forma, es completamente innovador. O sea, es y y hay leyes en el mundo del 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 ese es el gran la gran rama que se dedica a a pelearse con ese balance es lo del eh en ley es lo de

transformativo versus derivativo y nosotros creemos esto es transformativo, [carraspeo] 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 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 montar esto? ¿Cómo os

conocéis? ¿De dónde venís? ¿Cuál es vuestra historia? Vale, ¿quién empieza? Métela. Ya, yo empiezo. Em, o sea, vale, ¿qué

qué quieres que explique? Como empieza crea, cómo nos conocimos. Sí. ¿Cómo os conocisteis primero en en la Pompeuo? O sea, la historia fue que Sí. Aquí en Barcelona, en la Pompeo, en

la UP. ¿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.

Está de una 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 y creo que para Víctor fue similar. Sí, yo estaba entre estudiar a, o sea,

guitarra clásica a nivel profesional en el liceo de Barcelona o hacer una ingeniería. O sea, se me daban bien las mates y tenía, 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 durante Times, lo recuerdo. Era ahí fue cuando dejé, o sea, cuando

empezó a crear dejé de tocar la guitarra. Qué pena, ¿no? La ironía, la ironía. Eh, como dice, eh, hijo de zapatero va descalso, ¿no? Loces

creador creativo no crea ya. Bueno, eh, pero entonces os conocéis en la universidad. Sí. Y y o sea, fue un poco a lo, o sea,

eh me acuerdo yo introduje a Víctor a Inteligencia Artificial, un curso de Andrew G, de un profesor de Stanford, pero es como es como que le di algo y él fue y es como wow. O sea, ya me recuerdo

que cuando aprendió sobre inteligencia artificial para él, o sea, entró ya, ¿cuánto tardaste? ¿Que un año o algo así en entrar ya en Generative AI? O sea,

menos, no. O sea, es después de echar GPT. 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, 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 super

creativo, ¿no? Que al final tienes un medio a partir del cual te puedes comunicar y vía código puedes hacer 1000 cosas. puedes hacer desde arte generativo hasta una app random que

puedas hacer en un moment para para, yo que sé, para hacer un meme con tus amigos. Entonces, a mí me atrajo mucho el tema de la programación y 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, ¿cómo 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 pareció fascinante, ¿no? Me pareció superinesante. 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 guns para hacer arte, para generar imágenes. Y ahí fue de alguna forma cuando mis dos mundos pues se juntaron y

ya me metí super a fondo en el en el rabbit hold, ¿no? De leer todos los papers que podía. En ese momento era super early en el espacio, o sea, que había todo era open source. O

sea, cualquier paper que tú leías de Guns tenías acceso al código y si tenías una GPU pues lo podías correr. Entonces era muy muy fácil ensuciarse las manos y

aprender sobre eso. M Journey, ¿cuándo aparece? 2023, ¿no? 2022. 2022. ¿Y los Transformers? 2017. O sea, en este año 2017, en el año en el que los Transformers

empezaron, fue cuando yo empecé con las Guns 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 de El 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 mini cerebro 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 super psicodélicas, pero había algo que era capaz de de proyectar de los datos que

tú tenías en el 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 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 es como crearás un un creativo a a la cart y los buenos en veces el creativo en vez de

crear creará creativos. Sí, es como esta meta meta creatividad. pasa en todos los ámbitos, eh, pero es es bastante y eso eso me acuerdo, o sea, de eso me acuerdo y yo recuerdo que él, o sea, lo que dice lo practicaba, o sea, porque

recuerdo que a partir de G descreas Guns, todas las prácticas de cualquier cosa, él veía la forma de cómo lo hago de Gans, me acuerdo, ¿no? o

convolutional neworks era como, vale, estoy en image processing, hay que hacer una práctica de editado de imagen, es como mi redal genera imágenes, luego era una cosa de música y es como ahora genera notas musicales y era como todo

lo como que lo hizo 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 que me fui a C. Tu familia es venezolana. Sí, pero se vino a a Zaragoza. Mi madre se vino, eh, porque estaba muy

en contra de Chávez y estaban las protestas y todo y ella cuando ganó Chávez dijo, "Bueno, este país se va para abajo ya." y y se, o sea, tuvo una

oportunidad de hacer un doctorado en Zaragoza, que es lo que hizo. Entonces, me tuvo a mí, hacer un máster y hacía un doctorado toda 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 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" o algo así. Y así acabé aquí. Vale. Entonces, ¿empezáis a trabajar juntos? Crea, ¿cuándo nace?

9 de febrero de 2022. Bueno, eso oficialmente nace ahí, pero creo viene de un de un proyecto en el que yo estaba, o sea, yo llevaba trabajando con este tercer CFunder que es Javier de

Ami, que es con el que empez, o sea, todo esto de alguna forma empezó en un proyecto con el New York City

Media Lab y Channel en el que 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 Unión

de proyectos con ella ahí y pues seguían saliendo papers. Yo me los leía, hacía proyectos, hacía tweets. Pero para ti o vendiendo consultoría. No, no, no, eso era para mí.

Nadie quería eso. Esto, o sea, eran 200 personas en Twitter totales en todo el mundo. ¿Quién conocía esto? Había como había como una comunidad emergiendo en Twitter de gente que eran

programadores pero que estaban utilizando esta tecnología de forma artística y yo estaba super metido ahí. Quizá alguna vez hice un tweet, pero ni siquiera ni siquiera twetaba mucho. O sea, yo veía lo que hacía la gente, veía los códigos, cambiaba cosas y pues yo

que sé, por ejemplo, cuando dice lo de Style Clip, que o sea, cambié una cosa, ahí hice un post de de medium diciendo la cosa que dice que era sers simple y después un paper de Adope me tuvo que mencionar mi post de medium diciendo,

"Okay, 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 era muy fácil de hacer. Es gran momento además como

muy 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 o sea, literalmente tú metías Transformers a cualquier problema que existía por ahí

y tenías un State of the Artimos Transformers al problema de segmentación de ilustraciones, ¿no?, 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 con color y tú puedas pues colorear 10 frames más y eso pues hacía un ilustrador 10 veces

más eficiente y de eso hice un paper. Pero bueno, crea empezó con yo trabajando en todos estos temas creativos hice el proyecto con Channel y en el proyecto con Channel fue la primera vez en la que dije, "Me

gustaría." Pero, ¿cómo llegues a un proyecto con Channel? Esto fue vía una, o sea, yo estaba aplicando la beca de la Casha y una de las chicas que me ayudó a aplicar a la beca de la Casha, que era Irene Font

lo propuso, me dijo, "Tú mira este lo que están haciendo como un una colaboración con con Universitarios. Ella estaba en Cornell University. Yo en ese momento 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 en el proyecto este, pero acabamos haciendo esa colaboración con Channel y

el el Newers City Miriada Up. Vale. Y a partir de ahí fue cuando dije, "Tío, me gustaría enfocarme." ¿Qué año era? Que debía ser 2021,

¿vale? Seguramente porque vosotros acabáis la universidad, ¿cuándo? 2019. Sí, vale. O sea, tenéis 30 años menos. 29. Mm.

Vale. Y él y yo habíamos trabajado en varios proyectos juntos como de hacat, o sea, de hecho, sí, creo que ganamos una hacaton del MIT durante el 2020 porque

era del COVID. Mm. 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 que da la

casualidad que las chicas con las que lo hicimos eran de Beirut en el Líbano y luego pasó la explosión de Beirut que luego hizo que nuestra 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 Hackor y yo y yo estaba, o sea, junto con Víctor como

tenemos que aplicar la beca de la Casha porque si queremos hacer cosas de AI. Bueno, yo est Pero, ¿qué dice esta beca de la Casa? Ah, ah, okay. Se asumiamos que que que lo sab no tengo ni idea que de qué va. Ah, okay, okay.

Sí, sí. Sí. O sea, o sea, esto, o sea, la beca es básicamente eh la fundación La CASA te patrocina eh

cómo cómo decirlo 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 stipen 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, Usy Berkley, tal. Yo la conocí por el jefe de mi madre, que en paz descanse, que se murió hace relativamente poco. Eh, él él le dijo a

mi a mi madre, "Dile, porque él la consiguió." Dijo, "Dile a tu hijo que aplica la beca de la calle porque a mí me cambió la vida." Y, o sea, o sea, fue un profesor brillante. Y entonces,

qué buen testimonio al de la beca de la Caia, ¿eh? Sí, sí, sí. Y y eso que lo lo lo irónico un poco es que la perdimos los dos por crea, pero o sea, sabemos que sin la

beca de la Casa no lo habríamos conseguido. O sea, eso lo yo lo sé. Y, o sea, mi tr 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 aplicación sea como eh difícil

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 jacatones. ¿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 hacer como un holistic profile y apliqué, me la dieron y al año siguiente te la dieron a

ti. y yo estaba en Cornell haciendo un máster en inteligencia artificial, eh bueno, dual máster, inteligencia artificial y eh psicología y diseño eran

como doble y el o sea yo, él yo decía, "Bu, va a venir Víctor el año que viene, qué guay que voy a estar aquí como con mi compi la Pompeo y y empezamos como a

hablar de si trabajar en algo y me mostró la primera versión de lo que se podría quizá llamar la versión arcaica. de Crea se llamaba Jenniverse, que había

estado él con ideami 8 o 9 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 paper o aplicación de la beca la Casa hablaba de cómo el trabajo iba a cambiar drásticamente por inteligencia artificial. Y yo pensé mucho y digo,

"¿Qué importa?" O sea, yo digo, lo único que importa, haga lo que haga. Y digo, en 10, 20, 30 años solo estaré o hablando con ordenadores o hablando con gente. O sea, ese 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 Cornel haciendo, aprendiendo aún 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 apliqué. ¿Cómo se aplica a ser emprendedor? por curiosidad, eh, fui a a una BC firm y dije, "Tengo una idea."

Ah, vale. Que no lo tenía, por cierto. [risas] Y y aplica Stripe también para ingeniero infraestructura en Stripe. Y resulta que me dieron el trabajo de ingeniero infraestructura en Stripe. Llegué a la

final de Bloomberg para ser analista y nos llamaron del BC Firm al que yo básicamente digo, o sea, yo apliqué, no me acuerdo ni qué escribí, o sea, yo

apliqué, digo, da igual, o sea, es rejection. Y me acuerdo, o sea, tú querías rejection therapy y tuviste todo lo contrario, ¿eh? Te cogieron en todos lados. No, no en todos, pero pero mucho más succeso del

que esperaba, básicamente. Y claro, yo veo el trabajo ahí becario, 000 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 sigo practicando. Voy al busy 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 HF Zero. No sé si conoces el fondo, ¿no?

Es un fondo de early stage en San Francisco. Y yo, ¿cómo se llama? HR HF Z0. Viene de Hacker Fellowship Zero. HF0. Okay.

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 ni ni podcast, o sea, un un archivo de vídeo de 6 horas de él grabándose programando Genverse o la versión early

de Crea porque yo quería aprender de esto que él estaba haciendo, que me estaba pasando unas imágenes que digo, "¿Cómo estás haciendo eso?" Si me pasó eso, me lo puse para dormir y lo que me vino fue y no te dormiste,

¿no? O [carraspeo] sea, me quedé escuchando como por cuatro horas e como él iba modificando código de Py Torch y en la entrevista yo lo que dije fue porque me mostró una prototipo y dijo,

"Estamos haciendo una aplicación para modificar modelos de inteligencia artificial en tiempo real e crear contenido de esa forma." Y dice, "¿Tienes demo?" Y yo, "Sí, te la

preparo." Eso fue lo que dije. Pero preparar significa la URL que tenía él, rezar porque el servidor estuviera encendido y les pasé el código que él me pasó a mí para entrar y funcionó. Y se pusieron a crear Pikachus

en la demo y se, "Ay, qué chulo, sé que está haciendo Pikachus y se ven tal." Es muy raro, pero hay algo aquí quizá, no sé. Y esto fue con, ¿conoces a Lucy Wall? La cofundadora de Scale Ai,

¿no? O sea, es está Alexander One, que ahora es más famoso, y Lucy W 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. Pues digo, 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 estar interesados y empecé a llamar a Víctor como loco, o sea, 17 llamas perdidas por diferencia

horario en plan, Dios mío, Dios mío. Y al final me dijo, "No, no, tú vende esto, o sea, tú dale." O sea, porque yo digo, si tú me dices, "Yo paro mañana." O sea, yo es que no sabía que iba a pasar esto. Tú dale, tú dale. Y les

dije, hicimos la entre, o sea, y me dijeron, "¿Puedes venirte a Miami?" Y si nosotros ¿Por qué Miami? Porque ellos estaban basados ahí. Ah, sí, sí, en ese entonces, Harste en San

Francisco, porque eran eran todo el mundo era crio. En en los que aplicaron y los que estaban era todo el mundo cripto y Miami era la crypto capital, ¿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 en 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, o sea, pensamos que era un scam diciendo esto porque decía, "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 vale vale." Y fuimos y fue como, o sea, describe tú la experiencia que tuviste tú cuando estuviste o sea, lo hicimos fatal. O sea, lo

hicimos fatal porque yo no estaba pensando en hacer una startup. Entonces, [risas] claro, estaba en su Pero, ¿qué significa hacerlo fatal? O sea, que para pues que nos pusieron en un en una en una sala con los inversores. Okay, pitch

me idea. Y yo sabes que para que te haas una idea, que le estaba haciendo imágenes de Elon Musk fumando marihuana. No, pero es, o sea, podías hacer eso con

la plataforma, pero no es lo que lo que le enseñé. No, no, no. Exacto. Pero me refiero que tú estás pensando en esto a mí me mola, me flipa. Estoy haciendo graffiti, estoy haciendo una una medusa que vuela en las nubes, estoy

haciendo estoy estoy dibujando y te preguntan quién es tu primer usuario, cómo vas a hacer pasta. que al final es eso, ¿no? O sea, eso fue la derivación de lo que comentaba antes que empecé con el New York City Media

App y yo estaba haciendo esa herramienta para mí, o sea, yo estaba haciendo esa herramienta para, bueno, para mí y para poder 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 Pero tú teníis un cofounder ya o no. Bueno, ahora le llamamos Cfounder, pero en ese momento estamos trabajando él y

yo en esto porque los dos estábamos motivados y él sigue motivado y o sea, tú ves, ¿no? Y de a mí sigue desde desde antes de esto, desde antes y ahora, o sea, 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 copander? Había una diferencia de edad muy muy grande, o sea, él tenía, no sé si 40 y algo, 50 años, eh, Diego y yo, o sea, cuando, o

sea, nos acab nos acabaron, aunque lo hicimos superm 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, se 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, estoy aquí hacendo 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 model inteligencia artificial." Y Dave dijo, "¿Y por qué estoy hablando con este chico? Preséntame al que la mejor. Me quiero invertir en esa.

¿Y cuál era? Eh, Art Breeder, que es la empresa donde trabajó Víctor. O sea, que yo fui la primera persona en trabajar con el chico que hizo Arreeder y monté un montón de cosas ahí también. Y si tú hubiese trabajado en una

empresa, o sea, había otra empresa que estaba haciendo que estaba intentando hacer herramientas creativas con Guns, que es la primera herramienta que permitió a un usuario que con un ordenador puedas

poner una URL y puedas generar guns. Se llamaba Gun Breeder y luego se llamó Art Breeder. 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 Guns, pero ahí me permitió aplicar bastante

más todo mi conocimiento. Claro. Y Dave dice, "Y este matemático casualmente conocía, casualmente era amigo del founder de Ah, y el tío dijo y y claro y Dave dijo, que es el que es el mismo tío,

el primero y el segundo dijo, vale, me parece." Y, o sea, estoy bastante seguro que nosotros fuimos, se invirtieron en 10 startups o así, nosotros fuimos la que está la seguro que no, pero ya

tenemos nueve que están bastante bien. Seguro que est a ver qué pasa porque tenía muchas pinta de ser así. Y que cuántos invierten y dónde os invierten porque no había empresa, ni

había nada, nada, no había nada, no había. De hecho, sí, o sea, no había, o sea, tardó un montón en crearse la cuenta bancaria, o sea, no había ni para poner la pastas. [risas] Pero claro, la cosa es que aquí es donde

entró el drama, porque es como tenemos una termet y y y no ha hecho GPT, es como aprender, ¿qué es esto? ¿Qué es esto?

5,000. Pero esto es un timo. No entiendo porque era la YC offer de 125,000 por 7% y o sea eh como la YC offer la antigua la de antes,

pero no era YC, no era equivalente. Sí, pero era una safe. Era literal exactamente la Y safe y pero cambia la 7% 125K.

Sí, muy heavy, eh, muy buen offside. Buen offside. Y esto es verdad, o sea, siguen siendo están en el Captain. Sí, sí, sí, sí, sí, sí. Y

qué pero qué ser enendpia más heavy, ¿no? O sea, tú lejiste mucho este BC o fue el primero? No, no, pero que yo no sabía lo que era un BC. Pero tú cuando dijiste que ibas a pichar un BC, ¿de dónde sacas este bici? Porque estaba en Twitter y Lucy twiteó,

¿quieres trabajar? ¿Quieres conocer a las personas más interesantes que vas a conocer en toda tu vida? $15,000 para trabajar en lo que te dé la gana y

estar en en un hotel con piscina e ingenieros de las mejores empresas del mundo por tr meses, eh, hackeando en lo que te dé la gana. Y yo, pues parece

cam, pero sí. Yo digo, yo me acuerdo que así llegaste a ellos, que yo me acuerdo que H tenía 30 followers en Twitter, ahora tienen, no sé, 30,000 o yo que sé, pero tenían 30. 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 visa estudiante, que este va a entrar en que este va a entrar en Cornel

el año que viene, que acabo de aceptar trabajar en Stripe para el verano y estamos en enero, enero 2022 y que no me graduó, que yo llevo un

semestre en la en la en el pastel del máster, eh, 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 20,000 pavos al mes y y cuántos trídos la vez, ¿no? Todo, o sea, y además estaban en plan a lo buen BC, ¿no? Tenéis que decir 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. [risas] Víctor fue como 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 escameando, pero no no porque les estaba escameando, sino porque, es que estaba trabajando en esto que era mi

side project. O sea, yo estaba trabajando en esto por pura diversión. Se está gastando tu salario para comprar la GPU para hacer esto, ¿sí? No, o sea, para mira la Entonces yo y y además, o sea, habiendo

oportunidad de que te den una visa como founder. Sí, eso también era. Ah, ellos dijeron porque decía, ten vais a dejar Lucy Lucy dijo, vais a dejarlo. No, la un y yo dice, no, a ver, si no si

no te pones en serio, esto no va a salir. Y dice, "Ya, pero la visa y dice, ¿qué necesitas? Una one te la conseguimos. No pasa nada, te esto." V así. Sí, sí, sí. Nosotros somos expertísimos en conseguir

visas para nuestros empleados. Hemos aprendido, pero no era que era extremamente complicado contar. Bueno, eso es lo que te dicen, pero todo se puede hackear. Eso es como hackear el para otro podcast. Este podcast va a ser largo,

eh. [risas] Yo me tenía que ir antes de Pero bueno, venga, sigamos. Sí, sí. O sea, pero yo me acuerdo que yo me leí yo, yo, o sea, el problema es que

la la el vocabulario es como yo me lo di, yo lo vi como esto es otra casa, esto se puede hackear. Dije, porque el vocabulario es lo que es como un honipot

hecho. El vocabulario del viscino, ¿no? No, de de de la de la visa y de la calle. Es muy, por ejemplo, beca para solo los 40 o 100 mejores

estudiantes de toda España cada año. Y tú hay 5 millones, ¿sabes? Es como te da al rey la beca. Tenemos una foto con el rey. A mí me envió una carta porque era COVID.

Ah, es verdad. Eh, pero fue el único año que pasó eso y y a él le le, o sea, tiene una foto en el Instagram con el rey dándole la la beca que que luego

que ya existía, crea en ese momento. Claro, claro. Él estaba aceptando. O sea, esta foto puede ser generada con crea. No, no, no, no. Imagínate, no, [risas] en ese momento ni lo

No, pero se refiere que él estaba aceptando la beca de de del rey cuando ya creo que ahí ya habíamos firmado la termshit. Eh, sí, sí, pero era como

Ah, vale, vale, vale. O sea, vale. [risas] Pero pero total que, o sea, el vocabulario de la ON es eh extraordinary ability, o sea, es como visa para

personas de habilidad extraordinaria y luego tú te lo lees, que yo me lo estaba leyendo, diciendo, "¿Cómo se consigue esto?" Y sale, eh, 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 miré las estadísticas

de gente que aplica y se lo dan 92% acceptance rate. Y yo digo, esto es un hack estado uno, ¿no? Pero está limitado, ¿no? No hay una una cuota

máxima. No, eso es la H1B. Esta es Sí, la la O1 no tiene límite para nada. O sea, solo tienes que demostrar. Y eso no quería limitarlo. Trambo lo limitó o algo. No limitaron la H1B y ahora te hacen pagar

$100,000, ¿cierto? Para cada persona hay una lotería, pero obviamente si tú haces que la gente tenga que pagar $100,000 pues se va va a aplicar mucha gente. Sí, pero la O 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. E pero esto pasó, claro, después, o sea, nosotros para una idea,

esto es en enero 2022, o sea, no ha hecha GPT, Open AI, son 200 personas. Conocimos a Samorman en ese sitio, de hecho. Ah, sí,

sí. El tío vino porque nadie porque o sea era famosillo pero en las burbujitas defen bueno estaba en aquel momento, ¿no? Él había empezado openi hace unos

cuantos años y tenían open creo que eran 200 personas en ese entonces 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 Crea y claro, nosotros,

o sea, lo que él me dijo es, "Espérate, deja que te enseñe una cosa." Y me sacó su Slack de Open AI y me empezó a enseñar generaciones de DU antes de que salga Ditu.

Y yo dije, "What the fuck?" que, o sea, yo ya sabía el paper en el que estaba basado TalTube, que se llamaba Cly ya sabía que era posible hacer generaciones a ese nivel, que en ese momento era un

tenex de cualquier cosa que estábamos haciendo y en ese en esa conversación fue donde me enseñó Djo, todo esto está a punto de cambiar, o

sea, estamos a punto de de hacer este release, va a haber API, lo vais a poder utilizar, va a salir en en unos días, además estamos como a 5 días 10 que que saliera

él y no os dijo, "Dejad de hacerlo y veniros a Open A." No, no. Qué raro. Bu, asegur a saber la percepción que tuvo de nosotros. [risas]

[grito ahogado] Vale. ¿Y qué pasó a partir de entonces? Pues nada, a partir de ahí nosotros estamos San Francisco. Ah, bueno, después de ahí antes en un mes y medio y ya creo que fue cuando

conocimos a Ramkin y ya. Si esto fue febrero, o sea, 9 de febrero, bueno, primero de febrero del 2022 empieza el el batch, todo el mundo haciendo

crirypto, 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

sigue pasando en NFTs." Y nosotros, "Madre mía." Y y unos meses, ¿cuánto fue eso? 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 batche lo guardé al final, no sé por qué, eh. Y creo que tenía algo que ver con que no sé si era algo de timing de que YC hacía

su demod también, no me acuerdo, pero movieron el demo day a la mitad del batch de repente 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 el Demo Day. vinieron un montón de investors. Uno de estos fue Ramtin, que que es el fundador de Abstract Venturs, que es un un firma

bastante guay en en San Francisco. Y el tío nos hizo una tersitot de cuánto esto, ¿cuánto fue? Ah, o sea, esta que también la historia

de la negociación fue [risas] [grito ahogado] resumamos un poco porque si no esto al principio nos ofreció creo que 500 cas a 10 millones, acabamos

cerrándolo a 2,5 millones a 18, ¿no? Dos, sí, 2,5 millones a 18 millones de valuation. Ostra, evoluciona mucho. Sí,

de 500k a 2 m000ones a 2,5. O sea, y habéis aprendido a negociar aprendido. O sea, ¿cuándo tenéis la conversación de cuál es el cup table que queréis cada uno?

¿Qué proporción tenéis? O sea, fue un desastre, o sea, fue puro freestyle. No teníamos ni idea. No, pero digo entre vosotros. Ah, eso fue fifty50y. Lo tenéis 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 fifty50 con un share más para Bueno, eso entre vosotros sí o sea eso no porque nos lo recomendaron los de Age

of Zero diciendo hacer fifty50 y escoger a un SEO y que se tenga una share más y ya está. No, no, no os compliquéis. Y besting a queríamos hacer besting a 10 años y al final lo hicimos a seis porque

el abogado nos hizo mucho pushback. [resoplido] Está queríamos hacer un besting a 10 años. Hombre, es que 10 años pasan muchas cosas, ¿eh? Está bien, eh, como declaración, o sea, seguro que los visitos moló esto.

Sí. ¿Qué pasa con el tercer cfounder? Nada, cuando estábamos durante estos 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. Hay 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, este vino a Miami. Ah, Miami

y antes de que acabase Miami, de que empecemos y de que de que actual hiciéramos una una empresa, ya tuvimos una conversación con él, le dimos un buen porcentaje de de equity para hacer

como un separation agreement y quedaste todo limpio. Creo que él también entendió que, o sea, le disteis un buen porcentaje de equity. Sí, sí, sí. O sea, fue un se parece una crimen super

clean 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 Jennivers. Eso

forma parte del agreement. A mí me gustaba el nombre, pero [risas] entonces cambiasteis a crea. Sí. Vale. ¿Y qué cómo evoluciona? ¿Volvéis a San Francisco o no? Nosotros que, o sea,

venimos a Barcelona, estamos aquí tr meses, conseguimos nuestra ON y con la ON 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, muchísimas agencias creativas o muchos creativos en general en en New York,

eh, pero estuvimos ahí tres meses, no encontrábamos piso. El real estate en Nueva York es un es una auténtica locura y unos unos amigos, incluyendo Dave, el chico de HF Zero, nos estaban haciendo

mucho mucho push de decir, chicos, os tenéis que venir a a San Francisco. O sea, 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 no que sé, dijimos, "Okay, ¿qué va a pasar? Vamos seman y si no, pues volvemos." Y una vez en San Francisco, pues ya

empezamos a ir a Hacker Houses, empezamos a ir a 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 super metido en en temas de inteligencia artificial. Podías tener conversaciones s super

técnicas con cualquier persona en cualquier evento que que hacían. Había un montón de eventos también. 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 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 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 Pebelbet, o sea, el [risas] sitio es el sitio ese que tú fuiste, ese fue nuestro primer apartamento, o sea, dormimos ahí. Porque era como un

apartamento, ¿no? Estoy recordando. Sí, había como camas para founders, me dijeron. Son camas para founders. Digo, estuvimos nosotros. Pues ahí 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 esto era un equipo de de meta, ¿no? Que salía de o de dónde era. Claro, esto es ejecutivos de meta o no sé.

No, no, no. O sea, esto es Pam y Kids, que Pam es, o sea, eh fue una de las founding members de Open AI. Fr, uno era Pam y ah de Open Vale. Sí, sí, sí. Mét

su pareja fue el fundador de Facebook a Research. Él fue el que literal convenció a Mark, ponte en esta cosa de esto en 2012 y él fue el que contrató a

Jan Lecun que nos lo contaba y claro, o sea, est acabamos de llegar, decimos, a ver qué tanto puede haber en esta ciudad. semana dos hemos conocido este a estas personas y dicen, "Bueno, eh, creo que este es el

sitio y luego nos dicen, sí, sí, traer las maletas, enviarlas aquí y veníos, veníos a dormir aquí porque decimos, no sabemos de apartamento, tenemos que buscar quedados aquí, ya encontraréis,

no, no os preocupéis por la el alquiler ni nada." y ahí estuvimos dos semanas o así y eventualmente meses después ellos acabaron invirtiendo como este bridge

que me acuerdo que Víctor era como no nos hace falta, pero es que son tan guay esta gente [risas] como molaría tenerlos en el cup table y y ¿cuánto invirtieron? ¿Cuánto fue? 750k,

ni me acuerdo. Sí, creo 750k que que veis levantado 2 millones, pero esa la hicimos a una valuation un poco más alta. Creo que la hicimos a 25 millones o algo así. Sí, como un bridge.

Vale. Sí. ¿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 promps, hicimos un una herramienta para que 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 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, o sea, hubo los espirales, los patterns, o sea, hubo como una trend que a partir

de de [resoplido] fue el primer o segundo de Crea, este, o sea, ahí fue cuando vimos cómo teníamos que cambiar Crea para que Crea funcionase. lo del canvas no estaba

funcionando y estuvimos, yo que sé, como 8 meses, ¿no? Estuvimos bastante tiempo trabajando en el producto de era superficiente 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 era como una foto donde a lo mejor veías un

yo que sé, parecía como una una escena de de una calle de Nueva York y tú hacías e squint con los ojos, o sea, cerrabas tus ojos y veías una frase

que decía, yo que sé, New York o veía Habías una una foto con gato, se hacías así con los ojos. Sí, creo que sí. Pues en ese momento salió esta trend y nosotros obviamente sabíamos cuál era cuáles eran las técnicas que se estaban

utilizando para o sea que generabas texto con los objetos de la foto, ¿no? O sea, con los distintos. Tú podías leer, sí, un texto, pero si te alejabas, pero si mirabas de cerca la foto no parecía. Es como si de

repente el estudio de podcast si te alejas de repente dice Itnich, pero si lo miras de cerca es un estudio de podcast. Sí, sí, sí, recuerdo. Sí, sí. Pues salió eso 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 lo del canvas como focus, o sea, focus en esto que que tenemos que

que sacar el canvas este." Y pero en algún momento dije, "Ah, fuck it, va, lo hacemos." Y me acuerdo que dijiste un día, no ni eso. Dijiste 4 horas. dij, yo me

acuerdo que dijiste al principio 4 horas, pero luego son son 4 horas de programador, es decir, 4 meses, ¿no? Uno, dos días al menos, pero sí, [risas] 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, que yo me acuerdo y dije, madre mía. O sea, y fue fue un momento como de cuestionarte todo, es decir, está 8 meses y lo que he hecho en

5 horas ha traído más resultado que 9 10 meses de todo ese esfuerzo, ¿sabes? todos juntos. Esto esto pasa. Pero también te digo una cosa, eh, fue así,

o sea, igual que fue para arriba, fue para abajo porque era un meme, o sea, era un meme, tampoco había mucho que que hacer con lo, o sea, mucha gente lo seguía utilizando, pero era un meme. 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 s simple de utilizar y

que todo el mundo 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 perf la la tormenta perfecta con el real

time porque el el ya switcheamos, o sea, ya cambiamos un poco el producto para enfocarse en eso, en ser los primeros, a traer eh research 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 del real time, que tienes una cosa a la izquierda y te genera la imagen en la derecha. Pues lo hicimos en en 7 días. Fuimos los primeros en hacerlo. Hicimos, obviamente toda la infraestructura y

todo el proceso con GPUs para que pudiera escalar. O sea, ya comprasteis GPUs. Sí, sí, sí. Ya teníamos ya estamos utilizando GPUs. En ese momento no había API. En ese momento no existía el

concepto de de API, de hecho. Bueno, Dali quizá lo podías utilizar, sí, pero ya está. Solo era Dali y era lento también. era muy lento, pero o sea, teníamos ya una infraestructura, pero creamos todo. O

sea, 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

yo, o [carraspeo] sea, fue fue como algo super tonto es decir, hice una captura de pantalla donde hacía como prompting y en tiempo real lo que estaba prompteando cambiaba arriba de la imagen, pero la

captura de pantalla más cutre que te puedas imaginar, a que aún está en mi Twitter, hice la captura de pantalla y estaba como estaba delante de Twitter diciendo, "Bu, lo cuelgo o no lo cuelgo." Es que se ve muy cutre. Es era muy cutre, o

sea, era el canvas y un que no tenía ni CSS para que teas tú una idea y no estaba ni desplegado, estaba en local host, o sea, nada funcionaba en verdad y hice la demo, la puse como tu ex o un poco

más rápida para que se viera un poco más interesante y dije, "Fuck it." y la puse en Twitter y me fui a correr y luego cuando volví de correr miro el Twitter y 500 likes y bueno y fue un un post que

se hizo superviral o bueno, se hizo a lo mejor no era tan tan viral, a lo mejor tuvo como 1000 y pico likes o algo así, pero para nosotros era algo superviral y dijimos, "Wow, empezamos a hacer one on one, o

sea, empezamos a hacer demos y test con con artistas en plan one le dimos acceso a esa tecnología y es que era super mágico, o sea, era algo que no se lo podrían, no se lo podían creer que

estuviera 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 weightlist y creo que en unos días teníamos como 300.000 personas apuntadas en la No, no. O sea, lo que ocurrió fue que

lanzamos una wait ahí 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, empezaron a pagar, generamos que si $10,000 en un día, o sea, er a $10,000 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 refons. Digo, "Sí, sí, yo devuelvo la pasta, no te preocupes, es que estoy lidiando aquí con mucho." Y decía, "Ah, pero que sí

existe." Porque la gente está creada porque pensaba que era un scam y que no existía. Y si eso es mentira. Y decía, "No, no, sí que existe, pero es que que no está en producción todavía, que falta danos una semana, unos días", dice. Ah,

sí, es verdad. Sí. "Ah, pues quédate la pasta, tú avísame cuando no sé qué." y me acuerdo que se se empezó a registrar, creo que eran 100,000 personas por semana empezaban a

registrarse. Y ahí fue cuando empezó el fund racing más loco de que hemos tenido, que fue con el Day 16C. Bueno, y lo lanzamos y obviamente pues estuvo un montón un montón de, o sea, un growth

increíble por dos semanas forma dos o tres semanas delante de cualquier competidor que quisiera hacerlo y ellos empezaron a visitar los inversores, o sea, a escribir

bueno que, o sea, ya había 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, "Okay, organízan los meetings y solo es en ese momento que hablamos con inversores."

Qué suerte, ¿eh? Y así fue como como lo hicimos. Pero esto fue desde la presit porque esto esto es lo que decía Ramting, decía, "Yo a mí no me preguntéis de producto ni de marketing ni de nada que

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 listo para Ramping el de Abrack y

nos decía y y ojo, hasta gente de 16C muchas veces nos ha dicho, ¿queréis levantar hablar con Ring? ¿Sabes? Y y Ring es cuando estáis listos. Sí, ¿no? Bueno, y y con lo del

real time agro que claro, Ring, o sea, él es un inversor finance guy que no entiende nada, pero él dice, "A me da igual." Y le explicamos esto y decía, "Pero no entiendo, o sea, ¿quién usa esto? ¿Quién es el customer?" Lo

lo decía, es como, a ver, no lo entiendes. Es para [risas] dibujar y lo está usando mucha gente. Y le nos pasamos unos bullet points y Rant dijo, "Bueno, yo envío esto y si hay interés

ya os diré algo." Se envía, nos vamos, dormimos 4 horas, nos despertamos y dice, "Chicos, estaréis durmiendo, pero eh Secoya A1C 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 psicológicamente. ¿Por qué elegisteis A1? Sí.

Al final reference checks deal que conseguimos con ellos era era más, pero realmente no fue por el deal porque tuvimos hasta hasta opciones más altas de los que de

lo que ellos acabaron invirtiendo. O sea, la serie esa fue a 130 millones y tuvimos ofertas a 150. fue, no sé, o sea, al final son vibes, o

sea, del partner, del partner que que teníis aishí, 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 16 nos hablaba maravillas, pero nosotros éramos mucho del

de la opinión de que Los bis pueden pueden ayudar poco, o sea, los biscis nos habían ayudado poco. O sea, al levantar la ronda de inversión era 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 Andre Harwit. Bueno, son Parker Conrad, por poner un ejemplo, ¿no? Son son muy grandes también. Hay hay mucha gente, sí, pero por lo menos las referencias que tuvimos de Anish y en general de

founders que conocíamos fueron super buenas y yo si me preguntas ahora sobrec yo solo tengo cosas buenas que que decir y de hecho es que actualiz nos han ayudado sobre todo para temas de enterprise y de go to market o sea

muchos de los 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 ex tiene un equipo de platform, ¿no? que

tiene un equipo que también, pero ese no no hemos interactado tanto con platform que yo sepa. O sea, ¿cómo cómo os ayudan? ¿En qué os ayudan? ¿Quién quién os ayuda a hacer

intros? Hay varias personas porque por ejemplo hay uno que se encarga, por ejemplo, tienen hasta equipos por industria, por ejemplo, ¿no? Y tienen Median Entertainment. Y me acuerdo que decía, "Chicos, ¿queréis conocer a estudios de

cine de Amazon, por ejemplo, y gente de pues sí, pues venidos a Nueva York y o y van a venir como ejecutivos de varias de empresas, ¿no? De AT&T, de de Amazon, de

MGM y y venís y podéis hacer como pitch como rápido a todos ellos en en una en un solo día. Esto es como muy eficiente porque es como puedes estar enfocado en

innovation, producto o lo que sea y ah tienes que salir de la cueva y es como nos encargamos de eso rápido porque conocemos a todo el mundo y ya entonces necesitamos GPUs a quien conocéis.

Okay, tenemos al tío este que está conectado con todo el mundo. Deja que le envíe un mensaje 30 minutos y tengo un mensaje al tío, "Ey, ¿qué necesitas?" Hacemos una llamada. Llamada. Estamos buscando no sé cuántas H1S. ¿Cuál es el

market price? ¿Con quién hablamos? ¿Cómo negociamos? ¿Qué qué hacemos? Okay, hazme las intros. Intros y deal de GPU cerrado, o sea, ese tipo de de

con envidia, no no con, o sea, acabamos cerrando con con otra con otros, ¿vale? Sí, pero bueno, ese es el vibe, ¿sabes? O sea, cada vez que nos hace falta algo o hasta con recruting,

¿por qué no compráis tanto como para hablar directamente con nos presentaron a Carmen, ah, Carmen, al Ángel Ca del cielo, que es la persona que os lleva el el o el marketing o que os lleva? Bueno, es

un poco la persona que, o sea, empezó con operaciones y nos ayudó con muchas operations que hab, o sea, imagínate, o sea, acabado, que Carmen es la persona que me ha escrito a mí. Carmen, claro, en cierta forma me escribió por WhatsApp, no sabía quién

era, me escribió por WhatsApp y me dijo, "No, es eso es Carmen, o sea, mega resourceful, eh, super determinado, 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 matados 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 las que nos ayudó más, ¿no?, a a hacer pipelines de hiding porque tenemos bastante inbound, pero ni

lo sabíamos. Ah, y después de eso ahora se está moviendo más hacia temas de go to market y estoy s super excited por el trabajo que yo creo que está a punto de

hacer a nivel de de Go to market. Ah, que es un poco 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, es una idea. La serie A fue con ¿qué? Cuatro cinco personas. Si levantamos la serie está con cuatro personas y la serie B con siete. O sea, llegó

Carmen diciendo, "Madre mía." A ver, la serie B, ¿cómo fue? Esto fue el 2024. Sí, diciembre 2024. O sea, la series B fue

por Flux, ¿no? Pues por todo el trabajo que hicimos con con encima de del modelo open source a Flux, o sea, hicimos todo un producto con un montón de cosas

custom que Pero, ¿cuánto levantáis en ese momento? 40 y algo, millones, 47 con Vein y con A6J. ¿Y cómo fue este proceso? También fue

igual de ahí fue el primer pitch de que nosotros hicimos y fue igual, o sea, le dijimos a Ramkin, "Hey, estamos pensando en hacer una series 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 sistema de suscripciones. Ah, ¿verdad? El arr de aquel momento o

el revenue se puede compartir de aquel momento. Es que eso nunca lo hemos hecho público y no creo no voy a ser la primera vez. Ah, pero era suficiente para levantar esas series. Menos de 10 millones. Eran menos de 10 m000ones en ese

momento, pero hace 9 meses era cero. Y hoy es menos de 100. Hoy es menos de 100, ¿o no? Eso, eso ya eso ya para para los

inversores de la serie. [risas] [grito ahogado] Perdona, digo, no, no iba a decir corrección de de 9 meses antes de la B o así era creo que

era cero, o sea, o sea, que cuando invirtió Andrisen no había revenio. Ah, que fue un poco heavy porque invirtió Andr 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 16 y 7 días y empezó a subir y fue como pero no no o sea, no creo que sea causa, pero digo que que vaya

timing, ¿no? Con Ben con Ben igual, o sea, después de levantar la series B fue cuando empezamos a hacer todo lo de las API 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 enséñame las métricas y luego te invierto." Ellos fueron valientes, vieron, entendieron el potencial del Es que yo yo creo que el, o sea, que 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 que de vez en San Francisco,

porque porque se cansan de su propia historia, de su propia narrativa, ¿no? Es es como un ecochamber el mundo BC. Mm. Entonces, cuando ves a alguien que está haciendo algo genuino y tal,

no lo es motivado bastante. ¿Y qué pasa desde los últimos dos años? 24, 25, 26, 26. Pues, o sea, mucho, mucho cambio en en el [resoplido]

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 API que había para vídeos, pero pensábamos que

nos las iban a chapar en dos días porque esas API no estaban hechas para que otra empresa que en parte era competidor, porque no nosotros al final pues competíamos con empresas como Runway ML

o Pica Laps, integramos sus API y lo anunciamos como de all in one place for using all the AI models y como pagas

sola 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 agregación de estos modelos, hicieran un producto encima de eso anunciándolo de esa forma? Entonces, algunos se enfadaron, pero otros dijeron, "Mm, 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 close source, que es state of the art que esto también pasa un poco con lls, 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 Kimi 2.5 a un Opus 4.6 o 4.7. Ah, pero bueno, o sea, 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 esto 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 y no han ido evolucionando los modelos open source, ¿no? No, o sea, han han salido cosas, pero es que no son no son no son usables. O sea,

nosotros tenemos 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 caso

más claro es el de Open AI 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 éramos incapaces de hacer nada para intentar arreglarlos, aunque tuviéramos las ideas de cómo hacerlo, porque no teníamos un modelo que fuese lo suficientemente e bueno, como para

poder hacer técnicas encima de de estos. ¿Cómo os comparáis con Freepic con este modelo de API? Ahora vais a crear un modelo, pero antes, o sea, mi bueno, o sea, Freepick fue, yo

creo que la una de las primeras empresas que nos copió el el real time, eh, y desde ese momento fue cuando se cuando pasaron de estarse muriendo con con el

con lo que tenían de modelo anterior, con el modelo de stock a volverse una plataforma generativa como crea. O sea, nosotros empezamos un poco antes, ellos empezaron un poco

después, pero claro, Joaquín, el el CEO de Freepic, lo hizo superb porque no empezaron desde cero, empezaron con una con una distribución gigante y han sido capaces de utilizar esa distribución s

super bien. 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 a punto

de morirse a lo que tienen ahora, que no lo ha hecho Shadstock, no lo ha hecho Getty y no lo han hecho otras personas que se están muriendo cuando que estaban en la misma situación en la que estaba

Joaquín, ¿no? Entonces, en ese momento, en el momento del real time y tal, no estamos compitiendo tanto. Ahora, obviamente estamos compitiendo. La diferencia entre Freepic y Crea 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 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 modelo. Ellos lo intentaron, pero no le salió bien. Y ya creo que ya lo dejaron de intentar y ahora están full e APIs y

tienen partnerships y brokerch. Sí, que que que a mí es un poco el que lo que veo que puedes estar haciendo el revenue que quieras, que es revenue volátil, que o sea

temporal, o sea, es un revenue que al final, o sea, primero de todo, a nivel de 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 en cualquier momento. Pues es que estás a que un programador de Google te

diga, pues tú ya no tienes acceso a esta nueva versión del nano banana. Hay VPNs y no, yo que sé, o de a nivel de de contrato, sí, de es como single point of failure, ¿sabes?

O sea, estasa nada de que no te den acceso a un IPI, de que tú si hay pocos modelos, una putada. Si hay muchos modelos, no es una putada. Sí, pero desde hace ya unos meses el mejor modelo by far es el de nano banana

de Google. Entonces, no sé, o sea, a nivel de defensividad y a nivel de de creatividad, ¿no? De 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 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 un IPI estás completamente, o sea, completamente em, ¿cómo se dice? como limitado limitado por las cosas que puedes hacer

por no tener acceso al producto y con el single point oferior de que cualquier día te la quitan. Entonces, no sé. Y luego está el tema también de los precios y no y de,

o sea, 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 es 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 Hicksfield, como como Freepick, es que te hacen full te hacen

un subsidizing de los precios que ellos pagan luego a Google o a empresas chinas que hacen cualquier modelo de imagen o vídeo. brutales, o sea, te pagan como el 75% 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, ¿cómo lo retienen? ¿Sí o no?

No lo sé. Es lo que yo tampoco sé. Bueno, cre lo retiene. Nosotros hemos hecho alguna prueba de hacer algo así y sí que es verdad que vienen más usuarios y y ganan, pero es

como es algo que es que no quiero estar ahí, ¿sabes? No quiero optimizar. Es como una forma esto tú antes has dicho que esto es el modelo de 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. No sé, yo veo a los españoles cambiando

de provider del móvil todo el rato. O sea, el el no no el usuario el usuario el usuario de plataformas de de IA generativa es extremadamente promiscu, o

sea, sobre todo el early adopter, sí, o sea, son mega promiscuos, están hoy están en una plataforma, mañana están en la otra. Claro, es que por la misma razón que han llegado a ti, te han descubierto en en Twitter, no sé cómo

van a descubrir el siguiente. Exacto. Es el Ya, pero luego vienen los demás, vienen la mayoría, vienen los que una vez ya tienes cierta atracción, 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, que están haciendo subsidizing de más del 75% 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 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 cantidad de de ah subsidizing de

estos modelos desde Google principio, pero que sigue siendo la el precio que tienen los modelos de imagen o de vídeos desde este tipo de plataformas. Para siempre. No sé si para siempre, pero 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 obviamente es como un poco el gym membership, ¿no? Que

si no si no utiliz todos los modelos también Antropic hace lo mismo, ¿no? No, pero Antropic cuánto, o sea, cambiaron el pring hace muy poco, pero ¿sabes cuánto les estaba costando una suscripción de $200 a ellos a nivel de

coste de GPUs? ¿Cuánto? Creo que eran como $,000. Yo lo que sé es que Freepic quizá no sea tan hardcore. Hay empresas como Hicksfield que están ahora e presumably haciendo

300 millones de de AR 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, porque tengan otros modelos, es porque es más barato. Y yo veo que está viendo como una subsidiación. Se dice así en castellano, ¿no? Okay. ¿Cómo se dice? [risas] Eh, subvención. Subvención. Okay.

Subsiden. Ah, por cierto, ¿tú tú sabías inglés antes? ¿Tú has aprendido inglés cuando Yo er la primera vez que fui a Nueva York, así que ni sabía. ¿Tú has aprendido recientemente inglés? No, yo aprendí en 2019, que fue la

primera vez que que me fui para Nueva York a Pero aprendiste tamban bien que se te ha olvidado el español. Bueno, es que ya no hablo español, o sea, llevo cu años casi que sin hablar español, solo cuando vengo aquí.

Ostra. Sí. ¿Y tú también hablabas inglés? Eh, sí, yo sí que desde pequeñito, porque mi madre siga, aprende inglés que te va a servir seguro. Es que esto es muy importante, eh, el mantener la la

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

¿no? Os habéis sentido cómodos picheando y hablando con gente y no. Y yo la primera vez que fui en 2019 tampoco sabía sabía mucho, ¿eh? Pero sí que te espabilas en un momento, o sea,

el ir ahí y estar tr meses ahí te espabilas un montón. Vale. Sí, total. Sí, sí. Vale, pues sigamos. No sé, te interrumpido por lo del inglés que que

de alguna forma, o sea, no sé si Joaquín está haciendo margenes positivos, pues superfeliz por él y si les está funcionando este modelo, seguro que que se nos está

pasando a nivel de growth y a nivel de cosas que podemos hacer a nivel de optimización. Yo lo que estoy viendo es que empresas como Higfield 100% que están teniendo, o sea, hemos hecho spreadshe 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 elephant in the room, ¿no? El el es que

eso ves queda mal en castellano, ¿no? El elefante elefante en la sala, eso se dice. Sí, creo que sí. No sé. Okay. [risas] Pero a nosotros nos acusan mucho también en el podcast de hablar medio spanglish.

Eh, okay. Pero lo vuestro es es de otro nivel. Ya, ya, [risas] ya. Sí, pero bueno, o sea, este 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 6 meses podemos hacer el nuevo real time, podemos hacer tal, podemos hacer cuál,

pero la mayoría de growth nos está viniendo de de dar acceso a modelos como nano banana que te permiten hacer edición de

imágenes o generar imágenes. y que funciona super bien, pero es que el tipo de interficie que necesitas para dar acceso a Nano Banana es que te lo te lo vi codeas, es que es un prombox y por

eso pues ahora Rway también lo tiene, Luma también lo tiene y Level Labs 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 6 meses.

Nosotros lo intentamos todo para no intentar entrenar un modelo de IA porque es que intentasis todo para no intentar entrenar un modelo. Claro, claro. O sea, sí, sí. O sea, o sea, teníamos muchas y ya estoy la conclusión de que tenéis

que hacer vuestro modelo. Hasta hasta hicimos una partnership con los de Black Forest Labs para intentar decir, ey, ¿por qué no colaboramos? ¿Nos dais acceso a un pretraining o me

training model y nosotros hacemos el post training porque creemos que estáis haciendo que que el post training que 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 postraining bueno y lo hicimos. O sea, en 5 meses. ¿Y por qué os convencisteis de crear el

vuestro? Pues porque cuando cuando lanzamos el el modelo es que es eso, al final del día de alguna forma también estábamos compitiendo, ¿sabes? Porque ellos querían que el, o sea, al final del día

le aún les estamos pagando 300,000 al mes por tener acceso al modelo que que en parte hicimos nosotros y todo el revenue que ellos hicieron del del hacerlo open source fue para ellos y

API no quisimos hacer al final, pero yo quería hacer API y yo que también quería hacer un revenue share con API y me daba igual. Entonces hubo un montón de fricción porque otro elefaning de Rum era que en algunas en algunos aspectos

estábamos compitiendo y de que el modelo estaba hecho encima de Flags, 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 tamban bien cuando generabas con él. Entonces a partir de ahí fue como Y comparado con Nano Banana,

¿cómo ganáis contra Nano Banana? O sea, nano banana se intenta Es que ojalá les cuando he estado en el baño he llamado a los a los ingenieros y les he dicho, "Tú, esto no está funcionando."

Lo podéis arreglar. Hoy no será, pero bueno, si eso otro día ya lo mostramos. Pero es eso, o sea, a nivel creativo hay ciertos tipos de imágenes que estos

modelos no son capaces de hacer. E si quieres hacer una imagen, una una de estas imágenes que es como de alguna forma, una de las formas en las que se puede ver es a estos modelos les da

miedo equivocarse, les da miedo salirse del average, les da miedo hacer una imagen que está mal, pero los creativos muchas veces ven algo ex extremadamente valuoso en una imagen

que está mal porque por lo que sea tienen una idea con lo que decía antes, ¿no? con una cinta super antigua de VHS que está super pixelada 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 les gusta esa imagen y de repente pues la pueden generar. Entonces, hay como una limitación creativa gigante en la forma

en la que estos modelos 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 aesterics que existen en el mundo, aparte de otras muchas cosas. Y eso fue lo que nosotros queríamos que existieran. 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 nano bananas,

¿no? O sea, te hace un texto de la o el nuevo modelo de de Chat GPT te hace un text rendering de la 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 aunque sea más corto, tenga una tipografía de la y sea creativo y tenga unos colores y tenga unas unas unos gradientes y que y que realmente sea lo

que el creativo quiere. Y yo creo que eso es un modelo que es necesario si queremos hacer una una herramienta creativa. Os llama mañana a Google y os ofrece 5 billion

cash up front. ¿Vendéis? No, no, no, porque ahí matas, creo. ¿Por qué? Imag, imaginaros que os dicen, "No, no podéis seguir creando." Eso es lo que le dicen a todo el mundo.

¿Tú crees que no no hay una? Porque yo me acuerdo que de hecho Real Story nos contactó el CTO de meta y nos dijo, "¿Estáis listo para Acquisition?" Y

Víctor dijo, "No, no, no." ¿Cuántos billions puse en primera mes? No hablamos ni números. No, no, no, no. Y el, o sea, quedaría mal si lo si lo dijamos. La razón por la que lo digo es porque

esto se liqueó eh en público, o sea, esto es public information lo que he dicho. Eh, pero o sea, el la cuando pasó eso, o sea, te fuerza a pensar, ¿no? El

quiero vender y me acuerdo que Victor fue como, "What do we do about this?" Y o sea, es como el problema es que casi ninguna acquisition acaba con la esencia

de la empresa la la la a la adquirida estando ahí todavía, ¿no? Eh, no sé, quizás es discutible Deep Mind de Google, quizá. Ah, pero esas que, o sea, porque lo

pensábamos, ¿cuáles son esas? Y y a mí las únicas que se me ocurrían eran Deep Mind y Pixar. Pixar, por que yo se lo dije a Víctor, porque Steve Jobs negoció mucho para que cuando Disney adquiria

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 entonces Víctor decía, "Bueno, quizá quizá en ese caso, pero eso es a

superanómalo." Pero en este en este espacio tan competido donde pueden pasar tantas cosas, eh un outcome posible es ir a cero. Entonces, si a ti te ofrecen, que es lo que decía el de Denis de Deep

Mind, ¿no? 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 dan toda la infraestructura y toda la tecnología porque esto cuesta pasta, ¿no? Los GPU, los GPUs y me quita el riesgo de que oye, pues esto puede ir a cero o puede no tener sentido. No, esto no lo dijo esto último, esto lo

añado yo. O sea, yo lo que creo es que con lo que estamos montando hay un Adobe Level Potential y yo creo que

estamos, 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. Mm,

de hecho hubo una como muchos partnerships que Meta hizo desde con Black Forest Labs hasta con Mid Journey, porque no han sido capaces aún de hacer un modelo de de imagen que les funcione

bien y nosotros lo hemos lo hemos conseguido con recursos limitados y con un equipo super pequeño, pero que es super bueno. ¿Cuál es el futuro de Adobe? Pues 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 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 al arroz, o sea, tuvieron

tuvieron en sus manos el design to website, que era como el holy crail, ¿no? que tú puedas tener a un diseñador utilizando Figma y que de repente eso 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 estén yendo lo suficientemente rápido y que estén poniéndole eh la importancia que

requiere a AI y Canba. Y Canba pues hicieron la acquisición de Leonardo, pero están un poco en las mismas, o sea, no creo que vayan a cambiar.

Crecen de la ¿eh? Ganma Adobe no crece. Vale. Sí, sí. Figma menos, pero crece pero menos. Eh, pero Cania. Camba es una locura, tí

No, 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 vertiente va a aumentar el trabajo

creativo. Yo creo que Canva desde lo que lleva haciendo historically está intentando reemplazarlo o está intentando darte un template para que tú no necesites un creativo para hacer X. Y

lo que está intentando, 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 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 puedo ofrecer el Mediterráneo, o sea, pero a nivel de empresa, no es que yo creo que tiene sentido para

expandir hacia mercado europeo, porque creatividad hace falta en todas partes y Víctor hemos hablado muchas veces de, "Okay, seguramente Barcelona será la entrada hacia Europa. e y Tokio a Asia.

Pero yo creo que, o sea, en Estados Unidos pasaremos tiempo, eso seguro. El sitio para montar una empresa como la vuestra es de Estados Unidos, no es de Europa. San Francisco, ni siquiera Estados

Unidos. Tienes que estar en San Francisco. Yo he hablado con Bisis 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 Andrés en Horwich y de muchos otros BCs. Eh, muy fuerte, obviamente. Sí. O sea, esto ya es como casi que otro

podcast, ¿no? Pero es hacia dónde va el mundo. Y yo creo que el mundo se está volviendo bastante mercantilista, ¿sabes? Hacia economías. localizadas. Ah, y o sea, creo que ahora mismo es

como el no no es solo starters, es es como el orden mundial, ¿no? Es es es Apple diciendo los nuevos Mac se generan en Texas, ¿sabes? Que que literalmente es lo que está pasando, ¿no? Y y América

diciendo, "Necesitamos nuestro Taiwán y a crear chips aquí." y Europa diciendo, "Necesitamos a un mistral, necesitamos nuestra propia y en ese mundo de bloques vosotros estáis creando el modelo americano, o

sea, estáis invirtiendo en el modelo americano, que es también que os quien os ha dado, quien ha creído en vosotros, ¿no? Y os ha dado los recursos." Sí. O sea, yo creo que yo creo, o sea, creo que o sea, es un mercado mundial, pero

pero sí, o sea, ahora mismo la siento que la innovación está ocurriendo en América y la optimización está ocurriendo en China [resoplido] y la regulación está ocurriendo en Europa. [risas]

Sí. Largo es muy de Andr también. Sí, lo dicen mucho, ¿no? Es que es verdad. O sea, ahora que estamos trabajando en el tema del modelo, hay un Es verdad, relativamente, o sea, es

relativamente vosotros si por casualidad hubierais conocido un fondo europeo y hubierais montado lo mismo porque la la energía la lleváis dentro, es verdad que os ha influido mucha gente en San Francisco, estas 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? 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 Secorp de de Delaware y Mistral me sorprende. Creo que Lobor 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 dónde esté la entidad legal, no es tan relevante, pero 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 estad, 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 el ecosistema de

startups europeo, aunque tu startup esté aquí. 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 las tenemos que hacer solo por Europa, que también las

entiendo, eh, pero hay y o sea, y hace falta regulación, o sea, esto es una es una locura, es una tick, pero pero sí que es verdad que sí que es verdad que no es una

regulación que se está haciendo rápida y no sé si se está haciendo con un conocimiento profundo de la tecnología. Seguramente no. Oye, muchísimas gracias, chicos, por

venir aquí contarnos vuestra historia. Es increíble, sin ninguna duda. Y creo que que bueno, enorabuena porque lo vais a petar, ¿eh? Y os seguiremos sin duda. Okay, gracias.

Muchas gracias. Muy bien, pues hasta la semana que viene.