HERRAMIENTAS
Botika opera una pila de IA de moda de 100 TB en Modal, sin Kubernetes
Botika ha trasladado casi toda su pila de IA de moda a Modal: procesa 100 TB de imágenes, entrena modelos propios de gran escala y sirve unos 15 modelos en producción. El objetivo es acelerar investigación sin duplicar personal de infraestructura. Muchas métricas provienen de un caso de estudio del proveedor y no están auditadas.
Qué ha ocurrido
Botika ha movido la mayor parte de sus cargas intensivas de cómputo a Modal: procesa un conjunto de 100 TB de imágenes, entrena modelos fundacionales propios con decenas de miles de millones de parámetros y sirve alrededor de 15 modelos en producción sobre GPUs L4, L40S, A100 y H100. Su CEO afirma que, sin esta plataforma, habrían necesitado aproximadamente el doble de personal para operar la pila y estima que el 99% del cómputo de la empresa corre en Modal. La canalización de datos invoca cerca de una docena de modelos (incluidos VLM de código abierto para etiquetado zero-shot y clasificadores internos) y, según Modal, mantiene una tasa de error inferior al 1% en miles de contenedores concurrentes. El cambio elevó la cadencia de pruebas desde 1–2 por persona y día hasta un máximo de 50, con agentes basados en Claude ayudando a generar y ejecutar experimentos. También entrenan modelos de generación de imágenes 4K con trabajos multinodo de semanas y montaron infraestructura de RL con funciones de Modal en menos de un día, según el estudio. En producción, Modal señala que pueden duplicar o triplicar el tráfico en segundos. Botika comunicó en diciembre de 2025 superar los 3.000 clientes de pago activos y, en 2025, anunció 18 millones de dólares entre una ronda seed de 8 millones (enero) y una Serie A de 10 millones.
Qué significa para creadores
Para equipos que producen contenido de moda y e‑commerce con IA, externalizar colas, autoscaling, cold starts y gestión de GPUs puede acelerar la experimentación sin ampliar el equipo de infraestructura. Un flujo unificado de datos → experimentos → entrenamiento → inferencia reduce la fricción al sumar formatos (flat-lay, calzado, vídeo, personalización) y permite asignar la GPU idónea a cada tarea. En la práctica, prioriza la velocidad de iteración, automatiza la generación y ejecución de pruebas con agentes, descompón la canalización en funciones reutilizables y evalúa el riesgo de concentración en un único proveedor y el coste real de GPU: el caso no demuestra la factura más baja ni audita sus métricas.
Fuente y contexto
La información procede de RuntimeWire, que resume un estudio de caso de Modal publicado el 2 de septiembre. Varias cifras y rendimientos (tasa de error <1%, hasta 50 experimentos al día, escalado en segundos, 3.000 clientes) son declaraciones de Botika o del proveedor y no están verificadas de forma independiente. El trasfondo estratégico: dedicar ingeniería a modelos y producto en lugar de operar Kubernetes y drivers, concentrando casi todo el cómputo en una sola plataforma.