La inteligencia artificial está acelerando la factura energética de las startups, pero cuantificar su huella de carbono seguía siendo una caja negra. Watershed, la startup especializada en la medición de carbono, ha publicado un marco para calcular las emisiones de IA por token que demuestra que medir no es solo posible: es una ventaja competitiva que todo emprendedor debería conocer.

El framework que que Watershed ha puesto sobre la mesa desglosa el impacto en kilogramos de CO2 por cada millón de tokens procesados. Tiene en cuenta la infraestructura del centro de datos, el modelo de IA utilizado, la región desde la que se ejecuta la consulta y, algo crucial, la propia estructura del prompt. «Las empresas ya rastrean el uso de tokens para controlar costes», explica John Bistline, jefe de ciencia de la compañía. «El cálculo de emisiones se enchufa a esos mismos datos. No pedimos construir algo nuevo: coste y sostenibilidad van de la mano».

Un marco basado en tokens: del coste al carbono

La lógica es sencilla de replicar. Si tu startup ya mide cuántos tokens consume cada llamada a la API de un LLM —práctica habitual para vigilar el gasto—, con el esquema de Watershed puedes traducir ese volumen a una métrica ambiental. Basta con aplicar un factor de emisión que depende del modelo (un modelo de razonamiento puede gastar hasta 30 veces más energía que uno ligero para la misma tarea), de la intensidad de carbono de la red eléctrica de la región y del diseño de los prompts.

El dato no es menor: el mismo producto que integra un chatbot de atención al cliente puede multiplicar su huella de carbono solo por elegir un modelo excesivamente pesado o por redactar prompts ineficientes. La buena noticia es que esos factores están bajo el control directo del equipo de producto.

Los tres ejes que toda startup puede controlar

Bistline detalla tres palancas concretas que cualquier fundador puede ajustar mañana mismo:

• El modelo de IA. No todos los LLM consumen igual. Un modelo de razonamiento puede disparar el gasto energético hasta 30 veces por encima de uno más pequeño. Preguntarse si la tarea realmente necesita GPT-5 o si GPT-4 Mini basta es el primer ahorro.
• La región. La misma consulta procesada en un data center de Virginia, que depende en buena medida de combustibles fósiles, tiene una mochila de carbono muy distinta a la de uno ubicado en Suecia, alimentado por renovables. La geolocalización del servidor importa más de lo que la mayoría de los CTO piensan.
• La estructura del prompt. Un prompt rebuscado, con instrucciones redundantes o una cadena de razonamiento innecesaria, multiplica los tokens y, por tanto, la emisión. Ajustar el diseño de las interacciones con el modelo es una medida de eficiencia operativa pura.

La métrica de emisiones por token no es un capricho eco: es un espejo de la eficiencia operativa de tu stack de IA.

“Cerrado” no significa imposible

Uno de los grandes obstáculos para medir con precisión es que la mayoría de los modelos de IA más usados son cerrados; sus proveedores no publican el consumo energético real. «Solo existe un dato empírico publicado para un modelo cerrado de última generación: los que Google compartió sobre Gemini a mediados de 2025, y aun así es una única foto de un solo modelo en un momento puntual», apunta Bistline. Watershed asume que los proveedores no revelarán el total de emisiones del entrenamiento ni los tokens servidos a lo largo de la vida del modelo —datos comercialmente sensibles—, pero confía en que sí compartan el ratio de emisiones por token. Mientras tanto, la estimación basada en variables proxies sigue siendo la respuesta más defendible.

Esa realidad no exime a las startups. Al contrario, Bistline anima a «construir la infraestructura de medición ahora, porque quienes lo hagan estarán mejor preparados que los que esperen». Y la presión no procede solo de la conciencia ecológica.

Por qué tu próximo inversor te preguntará por las emisiones de IA

Inversores, auditores y reguladores han empezado a pedir cuentas sobre las emisiones de Alcance 3, esas que no genera directamente la empresa pero sí su cadena de valor: viajes de negocio, servidores en la nube y, cada vez más, las consultas a la IA. En California, la divulgación del Alcance 3 ya es obligatoria por ley. El Protocolo de Gases de Efecto Invernadero, referencia mundial para el reporte climático corporativo, estudia requisitos específicos para los servicios en la nube y la inteligencia artificial. «La mayoría de las empresas no tienen una forma defendible de responder cuando les preguntan por las emisiones de IA», resume Bistline.

El hueco de transparencia se convierte así en un riesgo reputacional y, en breve, en un riesgo regulatorio. Pero también en una oportunidad: la misma herramienta que revela la huella de carbono señala dónde se esconde la ineficiencia. Usar un modelo más ligero, mover la carga de trabajo a una región con una red eléctrica más limpia o simplificar los prompts no solo reduce emisiones; reduce costes operativos reales.

El mensaje para el ecosistema emprendedor es cristalino: la sostenibilidad no es un extra para startups con presupuesto holgado. Es una métrica de negocio que afecta al burn rate, a la percepción del inversor y, muy pronto, al cumplimiento normativo. Watershed ha demostrado que medir las emisiones de la IA es factible incluso cuando los grandes proveedores no abren sus libros. La clave está en empezar por lo que ya se tiene —el consumo de tokens— y construir desde ahí.

🚀 Hoja de Ruta para Emprender

• Monitoriza los tokens como un KPI financiero: Si tu startup usa modelos de terceros, activa ya el registro de consumo de tokens por petición. Sin ese dato, no hay medición posible.
• Elige el modelo justo para cada tarea: Evalúa si el problema que resuelves necesita un modelo de razonamiento o si uno más ligero cumple. La diferencia de emisiones puede ser de un factor 30.
• Geolocaliza con cabeza: Informa a tu equipo sobre la región del data center que sirve cada consulta. Si tu proveedor lo permite, prioriza las que operen con fuentes renovables.
• Prepara el reporte de Alcance 3: Documenta ahora la metodología de cálculo que usas; cuando llegue la regulación, tendrás una respuesta defendible y podrás presentar la eficiencia de tu stack como un activo.

Conseguir que una gran corporación ponga el ojo en tu startup y acabe comprándola no es cuestión de suerte. Es el resultado de un producto que encaja como un engranaje en la estrategia de un gigante. El movimiento de InfoJobs al adquirir el 100% de Viterbit, la startup española de software de reclutamiento con inteligencia artificial, es una lección práctica para cualquier founder que aspire a un exit estratégico en 2026.

La operación, anunciada este 22 de julio, no ha revelado el precio, pero el simple hecho de que una empresa del calibre de InfoJobs se haya fijado en una compañía fundada en 2021 y con apenas 40 profesionales ya dice mucho. Vamos a los números, al modelo de negocio y, sobre todo, a lo que puedes copiar para tu proyecto.

La operación: una compra estratégica con sello español

InfoJobs ha adquirido la totalidad de Viterbit para integrar su tecnología de IA en los procesos de selección de personal. Según el comunicado oficial, la startup mantendrá su marca, su producto y su equipo, con los cofundadores Dimitri Nicolau, Ariel Gutiérrez y Marcos Gómez al frente durante un plan a cinco años.

Este modelo de integración sin absorción es clave: el gigante se lleva la tecnología y el talento, pero no diluye la cultura que hizo valiosa a la startup. Para los founders, es el equivalente a vender pero conservar la capacidad de ejecución, algo que solo se consigue cuando el comprador confía en que el equipo puede seguir escalando.

La operación se produce en un momento de ebullición para el HRTech. Según los datos recogidos del ecosistema, la inversión global en soluciones de RRHH basadas en IA se ha triplicado desde 2023. Viterbit aterriza en ese terreno con un producto que automatiza la criba curricular y la programación de entrevistas, un dolor de cabeza para cualquier departamento de personal que maneje cientos de candidaturas.

La compra refuerza la apuesta de InfoJobs por dejar de ser un simple tablón de ofertas y convertirse en una plataforma integral de atracción, selección y contratación de talento. Como explicó su CEO, Román Campa, la tecnología de Viterbit es “diferencial” y con ella podrán ofrecer “soluciones cada vez más completas”. Eso, traducido a negocio, significa que el marketplace necesitaba un motor de IA y lo ha comprado ya construido.

La receta que hizo atractiva a Viterbit

📦 Caso de estudio: Viterbit

• El reto: Digitalizar el primer filtro de selección para empresas que reciben miles de currículums.
• La jugada: Construir un SaaS con IA entrenada en procesos reales de recruiting, sin depender de integraciones pesadas.
• El resultado: Cerca de 40 empleados, presencia en España y México, y un plan para triplicar el negocio en 2026.
• La lección: Una startup que resuelve un cuello de botella diario de una gran empresa se convierte en una pieza de compra natural.

Viterbit nació en 2021 y en 2022 ya había cerrado una ronda de 1,6 millones de euros liderada por 4Founders Capital, uno de los fondos de capital riesgo más activos en etapas tempranas en España. Aquella inyección no fue para marketing vacío: se destinó a afinar el producto, entrenar los modelos de IA y dar los primeros pasos en México, país al que llegó a principios de 2026 con oficina propia.

El enfoque geográfico dual (España y Latinoamérica) es otro imán para el comprador. InfoJobs, propiedad del grupo Adevinta, opera en varios mercados de habla hispana. Una startup que ya ha probado su tecnología en ambos lados del Atlántico reduce el riesgo de implantación casi a la mitad. El mensaje es claro: si quieres que te compren, piensa en la escalabilidad de tu solución mucho antes de salir a vender.

Además, la startup mantuvo su independencia tecnológica: no se limitó a ser un complemento de terceros, sino que construyó un producto de extremo a extremo que cualquier empresa de selección podía enchufar. Eso la hizo atractiva tanto para seguir sola como para encajar en un paraguas mayor.

Construir un producto autónomo y escalable es la mejor carta de venta: el adquirente no quiere un parche, quiere un motor que ya funcione.

Análisis: qué significa este exit para el ecosistema HRTech español

No todas las startups de recursos humanos consiguen un final feliz. El precedente más reciente en España es el de Jobandtalent, que pivotó varias veces hasta encontrar su hueco como plataforma de empleo flexible. Viterbit ha recorrido la otra vía: en lugar de buscar un hueco nuevo, se ha especializado en un proceso existente que todas las empresas sufren: la criba inicial de candidatos.

La operación, aunque sin cifras confirmadas, refuerza una tendencia que ya veíamos en 2025: los grandes portales de empleo necesitan IA y están dispuestos a comprarla directamente antes que desarrollarla. Para los founders españoles de HRTech, la ventana de oportunidad está abierta, pero tiene un requisito imprescindible: ofrecer una tecnología que se integre rápido y que demuestre tracción con métricas claras (número de procesos, reducción de tiempos, satisfacción del reclutador).

Ojo, vender a un gigante no es sinónimo de éxito automático. La historia del ecosistema está llena de adquisiciones que se diluyeron. Aquí la diferencia la marca el plan a cinco años que mantiene al fundador al frente: es una apuesta por el equipo tanto como por la tecnología. Si estás en una fase temprana, pregúntate si tu startup seguiría teniendo sentido si la compra una gran empresa. Si la respuesta es afirmativa, tienes un camino.

Por último, la internacionalización temprana ha sido crucial. México es el trampolín natural para cualquier HRTech que quiera ser relevante en Latinoamérica y, de paso, añadir atractivo ante compradores que operan en toda la región. No esperes a levantar 10 millones para probar otro mercado: una ronda de 1,6 millones bien ejecutada puede servir para plantar bandera y disparar el interés corporativo.

🚀 Hoja de Ruta para Emprender

• No construyas para integrarte, construye para ser autónomo: Si tu producto solo funciona como un complemento, el comprador no verá una joya, verá un accesorio.
• Piensa en la escalabilidad desde la ronda seed: Viterbit usó sus 1,6 millones para validar en dos mercados. Esa diversificación geográfica duplica el interés del adquirente.
• Mantén al equipo como activo de negociación: Un plan de permanencia para los founders es la señal de que el comprador apuesta por el largo plazo.
• Busca el dolor diario de una gran empresa: Si tu solución automatiza una tarea que la corporación hace a mano cada día, tienes medio exit hecho.