Ripple-65B de Ricursive: cómo funciona y por qué podría cambiar la IA y el SaaS

Un modelo de 65.000 millones de parámetros, un equipo de cinco investigadores y 32 millones de dólares de inversión en desarrollo. Ricursive Intelligence acaba de presentar Ripple-65B, un modelo abierto que cuestiona cuánto cuesta realmente desarrollar inteligencia artificial competitiva.

Durante los últimos años, la carrera de la inteligencia artificial ha estado dominada por una idea: para conseguir modelos cada vez más inteligentes necesitamos más parámetros, más infraestructura y más inversión.

El 4 de noviembre de 2026, Ricursive Intelligence presentó Ripple-65B Preview, un modelo de lenguaje que consigue un 80,5% de acierto en Terminal-Bench 2.1, una prueba que evalúa la capacidad de los agentes para resolver tareas complejas utilizando herramientas de desarrollo.

El resultado es competitivo frente a modelos considerablemente mayores. Pero lo verdaderamente interesante es el coste: Ricursive afirma haberlo desarrollado por 32 millones de dólares, aproximadamente una décima parte del presupuesto que estima para su principal referencia estadounidense.

¿Estamos ante una nueva forma de desarrollar modelos de IA más eficientes? ¿Qué puede cambiar para las empresas SaaS?

Qué es Ripple-65B

Ripple-65B Preview es un modelo de lenguaje de propósito general desarrollado por Ricursive Intelligence, especialmente optimizado para programación autónoma, razonamiento y ejecución de tareas mediante herramientas.

Estas son sus principales características:

Se trata de un modelo open-weight: sus pesos son públicos y pueden descargarse desde Hugging Face, ejecutarse en infraestructura propia o utilizarse mediante proveedores de inferencia.

Su licencia Apache 2.0 permite integrarlo en aplicaciones comerciales y desarrollar soluciones personalizadas.

Quién está detrás de Ripple

Ricursive Intelligence fue fundada por Anna Goldie y Azalia Mirhoseini, investigadoras con experiencia en Google DeepMind y en el desarrollo de sistemas de inteligencia artificial.

Su objetivo es avanzar en el desarrollo de modelos más eficientes, optimizando conjuntamente la inteligencia artificial y la infraestructura computacional.

Aunque Ripple ha sido desarrollado por un equipo de investigación pequeño, Ricursive es una empresa con financiación considerable: en enero de 2026 anunció una ronda de 300 millones de dólares con una valoración de 4.000 millones.

Dónde probar Ripple-65B

Una de las ventajas del lanzamiento es que sus pesos están disponibles públicamente. Sin embargo, las opciones de acceso mediante API todavía están evolucionando.

Actualmente existen tres vías principales:

1. OpenRouter: Ripple-65B Preview

Es la opción más directa para comenzar a probar el modelo sin desplegar infraestructura propia. La ficha está en OpenRouter.

Puedes abrir la ficha del modelo, iniciar sesión y seleccionarlo en el chat de OpenRouter. También puedes utilizar su API compatible con OpenAI mediante el identificador ricursiveai/ripple-65b-preview.

Importante para usuarios europeos: OpenRouter indica que Ripple todavía no está disponible mediante su modalidad de EU in-region routing. Esto no significa que esté bloqueado para usuarios de España u otros países europeos, sino que no se garantiza el procesamiento de los datos dentro de Europa. Para las primeras pruebas, conviene utilizar datos no sensibles y comprobar la disponibilidad del proveedor.

2. Together AI: Ripple-65B Preview

Together AI publica información del modelo, precios y ejemplos de integración con su API.

No obstante, en el momento de redactar este artículo, su página también muestra un aviso de próximo lanzamiento (Launching soon). Por tanto, es conveniente comprobar si el endpoint ya está activo antes de intentar utilizarlo.

3. Hugging Face: Ripple-65B Preview

Para quienes prefieran ejecutarlo localmente o en infraestructura privada, Ricursive ha publicado el modelo en Hugging Face, en BF16, y una versión NVFP4 que reduce las necesidades de memoria.

Esta alternativa requiere hardware adecuado y conocimientos de despliegue de modelos.

Cómo funciona Ripple-65B y qué tiene de diferente

Una de las decisiones más interesantes de Ricursive ha sido apostar por una arquitectura densa, en lugar de utilizar Mixture-of-Experts (MoE), como hacen muchos de los grandes modelos abiertos.

En un modelo MoE, solo una parte de los parámetros participa en el procesamiento de cada token. En Ripple, los 65B parámetros están activos.

Para compensar ese coste, Ricursive ha optimizado su arquitectura mediante 80 capas relativamente estrechas, mecanismos de atención eficientes y mejoras en el entrenamiento.

Su principal innovación no es una técnica revolucionaria, sino la combinación de diferentes optimizaciones.

Según la documentación técnica oficial, estas mejoras permitieron alcanzar una eficiencia computacional hasta 16 veces superior a su arquitectura de referencia Olmo 3, en experimentos de entrenamiento de código a escala de 4B parámetros.

Además, Ripple alcanzó su resultado de Terminal-Bench utilizando aproximadamente 1,4 millones de rollouts de entrenamiento por refuerzo, unas 70 veces menos que Reflection Beam, según Ricursive. Un rollout es una ejecución de prueba en la que el modelo intenta una tarea y se le puntúa el resultado.

Esto no significa que Ripple sea 70 veces más barato o rápido. Los rollouts pueden tener costes diferentes.

La conclusión más interesante es otra: Ricursive parece haber encontrado formas de mejorar significativamente el aprendizaje del modelo sin depender únicamente de aumentar el cómputo.

Para qué sirve Ripple-65B

Ripple puede utilizarse como modelo de lenguaje generalista, pero destaca especialmente en tareas técnicas que requieren varios pasos.

1. Programación y mantenimiento de software

Ripple está optimizado para agentes capaces de trabajar sobre repositorios de código.

Por ejemplo, un agente podría recibir una incidencia, investigar el código, localizar el error, modificar los archivos necesarios y ejecutar pruebas para comprobar si lo ha solucionado.

Sus resultados en SWE-bench y Terminal-Bench muestran potencial para este tipo de aplicaciones.

2. Ejecución de tareas mediante terminal

Este es probablemente su caso de uso más interesante.

En lugar de limitarse a generar código, un agente puede ejecutar comandos, instalar dependencias, modificar archivos, lanzar pruebas y corregir errores.

Por ejemplo, algunas tareas de Terminal-Bench requieren entrenar modelos de machine learning cumpliendo restricciones de precisión y tamaño, configurar entornos o resolver incidencias de programación.

Para completar correctamente el trabajo, el agente debe utilizar una terminal y verificar los resultados, no simplemente explicar cómo resolvería el problema.

Este enfoque conecta directamente con algo que ya analizamos en Devic: MCP frente a CLI.

El CLI (la línea de comandos) permite ejecutar comandos en entornos controlados, mientras que MCP proporciona una interfaz estandarizada para descubrir y utilizar herramientas. Ambos pueden formar parte de una misma arquitectura de agentes, dependiendo de las necesidades del producto.

Ripple-65B frente a GPT, Claude y otros modelos

El resultado que más atención ha generado es su 80,5% en Terminal-Bench 2.1.

Esta prueba evalúa tareas ejecutadas mediante una terminal, incluyendo programación, depuración, configuración y operaciones técnicas.

Para contextualizarlo, podemos comparar los resultados publicados por Ricursive con los de Terminal-Bench en Vals AI.

Los resultados utilizan como referencia Terminus 2, pero proceden de evaluaciones de diferentes organizaciones y pueden existir diferencias de configuración. Los dos últimos competidores corresponden a evaluaciones realizadas por Ricursive.

Ripple no supera a los modelos comerciales más avanzados, pero se acerca a su rendimiento utilizando muchos menos parámetros totales que otros modelos abiertos.

Sin embargo, sus resultados no son igual de competitivos en todas las pruebas.

Fuente: model card de Ricursive, que combina resultados oficiales y evaluaciones propias.

La diferencia en MCP Atlas es especialmente relevante para aplicaciones empresariales.

Ripple alcanza un 71,7%, frente al 89,2% de Muse Spark Open. Esto demuestra que destacar en ejecución de terminal no implica necesariamente ser el mejor modelo para utilizar herramientas conectadas.

Ripple es competitivo en una categoría específica, pero todavía no es el mejor modelo de IA para cualquier tarea.

Cuánto cuesta Ripple-65B: entrenamiento e inferencia

Aquí encontramos probablemente el aspecto más disruptivo.

Coste de entrenamiento: 32 millones de dólares

Ricursive afirma haber desarrollado Ripple por 32 millones de dólares, aproximadamente 28,4 millones de euros.

La cifra incluye investigación, experimentos, preparación de datos, evaluaciones, entrenamiento y postentrenamiento.

Como referencia histórica, OpenAI declaró que el entrenamiento de GPT-4 superó los 100 millones de dólares. No es una comparación directa: los proyectos son de generaciones diferentes y sus cifras no incluyen necesariamente las mismas partidas.

Aun así, Ripple es una señal interesante de que podrían existir caminos más eficientes para desarrollar modelos competitivos.

Precio de inferencia: comparativa con otros modelos

Según los precios publicados en OpenRouter, Ripple cuesta 0,20 dólares por millón de tokens de entrada y 0,60 dólares por millón de tokens de salida.

Podemos compararlo con otros modelos utilizando las tarifas públicas de Together AI.

Precios publicados el 5 de noviembre de 2026. No incluyen descuentos por caché.

Ripple presenta un precio competitivo, aunque no es el más económico.

Pero hay una diferencia importante entre pagar menos por los tokens y completar una tarea gastando menos dinero.

Cuánto cuesta cada tarea resuelta correctamente

Podemos realizar una simulación utilizando los precios anteriores y los resultados de Terminal-Bench.

Supongamos que cada intento consume 200.000 tokens de entrada y 50.000 de salida, independientemente del modelo.

Simulación con consumo idéntico de tokens por intento y tipo de cambio aproximado de 0,8888 EUR/USD. No son costes medidos durante la ejecución real de Terminal-Bench.

Bajo estas condiciones, Ripple ofrece una relación coste/acierto muy atractiva.

Sin embargo, distintos modelos pueden necesitar diferentes cantidades de tokens, pasos y reintentos para completar una misma tarea.

Para conocer su eficiencia real necesitaríamos ejecutar los modelos en condiciones equivalentes y medir el consumo de cada uno.

Es algo que explicamos en el precio del token no es el coste del agente: en aplicaciones empresariales, la métrica importante es cuánto cuesta completar correctamente el trabajo, no únicamente cuánto cuesta generar tokens.

Qué impacto puede tener Ripple en la industria de la IA

Aunque Ripple acaba de lanzarse y todavía faltan evaluaciones independientes, apunta hacia tres tendencias importantes.

Menores barreras para desarrollar modelos competitivos. Si sus métodos de entrenamiento pueden reproducirse, equipos más pequeños podrían alcanzar capacidades avanzadas sin necesitar inversiones comparables a las de los grandes laboratorios.

Mayor especialización. En lugar de depender exclusivamente de modelos generalistas cada vez mayores, podríamos ver modelos optimizados para programación, herramientas, documentos o procesos empresariales específicos.

Más competencia en inferencia. Los modelos abiertos permiten utilizar diferentes proveedores y explorar despliegues privados. Esto puede reducir la dependencia de un único fabricante y ampliar las opciones de infraestructura.

No obstante, un modelo denso de 65B parámetros sigue necesitando recursos considerables. Y las cifras de eficiencia publicadas por Ricursive todavía requieren mayor validación externa.

El interés de Ripple no está en que haya demostrado ser superior a todos los modelos existentes, sino en lo cerca que puede situarse de determinadas capacidades punteras con un presupuesto de desarrollo relativamente reducido.

Qué implica Ripple-65B para las empresas SaaS

Para las empresas de software, el impacto podría ir más allá del lanzamiento de un nuevo LLM.

La consecuencia más evidente es económica: si disminuye el coste de utilizar modelos capaces, más procesos pueden convertirse en candidatos a automatización.

Pero hay otra implicación estratégica.

A medida que aparecen modelos especializados, elegir un único proveedor para todas las necesidades de IA puede dejar de ser la opción más eficiente.

Un SaaS podría utilizar un modelo pequeño para clasificar solicitudes, otro para ejecutar operaciones técnicas y un modelo más avanzado para resolver problemas complejos.

El reto estará en seleccionar el modelo adecuado para cada tarea y gestionar las herramientas, los datos, los permisos y las evaluaciones que necesita para trabajar.

Es lo que analizamos en nuestro artículo sobre el agent harness: un buen modelo es solo una de las piezas necesarias para construir agentes fiables.

Y este cambio también puede afectar a las ventajas competitivas del SaaS.

En nuestro análisis sobre REA, ArtCraft y la ingeniería inversa con IA explicamos cómo la inteligencia artificial está reduciendo las barreras para desarrollar y recrear funcionalidades de software.

Ripple apunta en la misma dirección desde otra perspectiva: la inteligencia necesaria para automatizar procesos complejos también podría resultar cada vez más accesible.

En ese escenario, disponer de un modelo potente dejará de ser suficiente para diferenciarse.

Las ventajas competitivas estarán cada vez más relacionadas con el conocimiento del sector, los datos, las integraciones y la capacidad de ejecutar procesos empresariales de forma fiable.

La nueva frontera podría ser la eficiencia

Ripple-65B no es el modelo de inteligencia artificial más avanzado del mundo. GPT, Claude y otros modelos siguen superándolo en diferentes pruebas.

Pero Ricursive ha conseguido algo que merece atención: desarrollar un modelo abierto relativamente compacto, competitivo en tareas de programación autónoma y con un coste de I+D declarado sorprendentemente contenido.

Si los métodos que han permitido alcanzar esos resultados se extienden, podrían acelerar la aparición de nuevos modelos especializados y reducir las barreras de acceso a la IA avanzada.

Para las empresas SaaS, esto representa una oportunidad.

Los modelos serán progresivamente más accesibles. La verdadera diferenciación estará en cómo los integramos en nuestros productos para resolver problemas reales, de forma fiable y rentable.

En Devic trabajamos precisamente en esa capa: conectar modelos, herramientas y datos para convertir las capacidades de IA en agentes capaces de operar dentro de aplicaciones SaaS.

Porque el futuro del software no dependerá únicamente de qué modelo utilice, sino de qué trabajo sea capaz de completar.