La decisión de Base44 de entrenar su propio LLM marca un giro relevante en el negocio de la programación asistida por IA. La empresa, comprada por Wix hace un año por 80 millones de dólares, acaba de presentar Base1, un modelo de lenguaje entrenado con millones de interacciones reales de usuarios. El objetivo es claro y nada épico: bajar el coste de inferencia y reducir la latencia frente a modelos externos como Claude. Detrás hay una tendencia que conviene entender antes de copiarla: cada vez más startups quieren controlar su capa técnica base en lugar de depender de un proveedor.
Que ha pasado y por que importa
Base44 es una plataforma de programación por voz que permite construir aplicaciones describiendo lo que se quiere en lenguaje natural. Hasta ahora dependía de modelos de terceros para procesar esas peticiones. Con Base1, la empresa pasa a usar un LLM propio entrenado con datos de millones de interacciones de sus propios usuarios, algo que solo es posible cuando ya tienes volumen real de uso. La compañía afirma haber superado los 100 millones de dólares en ingresos recurrentes anuales, una cifra sólida aunque por debajo de su competidor Lovable, que llegó a 500 millones.
El contexto ayuda a leer el movimiento. Wix adquirió Base44 hace un año por 80 millones de dólares, una operación que dio a la startup respaldo financiero y acceso a una base de clientes mucho mayor. La decisión de Base44 de entrenar su propio LLM encaja con esa nueva etapa: con más usuarios y más datos, depender de un modelo externo para cada petición se vuelve caro y lento. Por eso el lanzamiento de Base1 no es una proeza tecnológica de laboratorio, sino una jugada de margen y de control.
Implicaciones tecnicas y de negocio
Entrenar un modelo propio responde a dos problemas concretos: coste y latencia. Cada llamada a un modelo externo se paga por token y añade tiempo de respuesta. Cuando una plataforma procesa millones de interacciones, esos céntimos se convierten en una factura mensual que erosiona el margen. Un LLM propio, optimizado para una tarea acotada como generar código a partir de voz, puede salir más barato por petición y responder más rápido porque está afinado para ese caso de uso. La decisión de Base44 de entrenar su propio LLM apunta justo a recuperar ese control sobre la economía del producto.
El matiz importante es que Base1 no compite contra Claude en capacidad general. Es un modelo especializado, entrenado con datos de dominio propio, no un modelo de propósito general. Esa especialización es precisamente su ventaja: no necesita saber de todo, solo hacer bien una cosa. El riesgo es el contrario: mantener un modelo propio exige equipo, infraestructura de entrenamiento y un flujo constante de datos de calidad. La brecha de ingresos con Lovable recuerda que ejecutar bien importa más que tener tecnología propia, y que la decisión de Base44 de entrenar su propio LLM tendrá que demostrarse en márgenes reales.
Como pueden aplicar esto las empresas hoy
La lección para una PYME no es «entrena tu propio modelo», porque casi ninguna tiene el volumen de datos ni el equipo para hacerlo con sentido. La lección es saber cuándo conviene depender de un proveedor y cuándo empieza a doler. Si usas un modelo externo y tu factura de inferencia crece con cada cliente nuevo, ese es el momento de medir el coste por petición y compararlo con alternativas: modelos más pequeños, open source autohospedado o afinado para tu caso concreto. La decisión de Base44 de entrenar su propio LLM solo tiene sentido porque ya tenían millones de interacciones; sin esos datos, intentarlo es quemar presupuesto. Para evaluar el ROI, calcula tres cifras: coste mensual actual de inferencia, volumen de peticiones y cuánto crece al captar clientes. Si el coste escala más rápido que los ingresos, plantéate un modelo especializado más barato. Si no, quédate con el proveedor: la flexibilidad de no mantener infraestructura propia suele compensar hasta cierto umbral de escala. Evita el error de copiar a Base44 por moda en lugar de por números.
Analisis Blixel
Tener tecnología propia se ha convertido en una etiqueta que las startups exhiben para parecer más serias, pero el mercado paga por márgenes, no por orgullo de ingeniería. Lo interesante de este caso no es el modelo en sí, sino el razonamiento económico que lo justifica: cuando procesas millones de peticiones, la dependencia de un proveedor externo deja de ser comodidad y pasa a ser un coste estructural. Ahí, y solo ahí, construir algo propio empieza a tener lógica. El dato que más dice no es el del modelo, sino la comparación de ingresos: 100 millones frente a los 500 de Lovable. Demuestra que controlar tu capa técnica no garantiza ganar la carrera comercial, y que la ejecución, la distribución y el respaldo de un grupo como Wix pesan tanto o más que el stack. Para la mayoría de empresas, la enseñanza es de prudencia: nadie debería entrenar un modelo porque suene avanzado. La pregunta correcta no es si puedes hacerlo, sino si los números lo piden. Mientras tu factura de inferencia sea menor que el coste de mantener infraestructura y un equipo dedicado, depender de terceros es la opción racional. El día que esa balanza se invierta, como le ha pasado a esta plataforma, conviene actuar con datos en la mano y no por imitación. La tecnología propia es una herramienta de margen, no un trofeo.
Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido comun. Hablemos.