MiniMax rompe con su tradición: sus ingresos empresariales se disparan un 700 % y se convierte en proveedor de infraestructura
En la impresión de muchos, al hablar de MiniMax, lo primero que surge quizás siga siendo Talkie, el compañero de IA que alguna vez causó furor en el extranjero, o Hailuo AI y Xingye, muy conocidos por los usuarios nacionales. Durante mucho tiempo, este unicornio de los grandes modelos fue etiquetado por el exterior como una «empresa centrada en el consumidor».
La situación ha experimentado un cambio radical en el último año.
Según el informe financiero de mediados de 2026 publicado recientemente por MiniMax, en comparación con la situación de hace un año, donde el sector consumidor lideraba ampliamente con un 70 % frente al 30 % del sector empresarial, su estructura de ingresos se ha invertido por completo, mostrando un dominio absoluto del sector B2B.
MiniMax ha utilizado un año para realizar una migración estructural y, en la actualidad, se ha convertido en una empresa de base de cómputo impulsada centralmente por un ecosistema global de desarrolladores, MaaS multimodal e infraestructura de Agentes.
Según los datos revelados, la escala general de ingresos de MiniMax ha logrado un enorme aumento, alcanzando unos 120 millones de dólares en ingresos totales en el primer semestre de 2026, un aumento interanual del 283,1 %; los ingresos de solo medio año equivalen a 1,5 veces los ingresos totales de 2025.
De esto, los ingresos del negocio B2B, basados principalmente en plataformas abiertas y otros servicios empresariales, alcanzaron los 73,9 millones de dólares, un aumento interanual de más del 700 %. Su proporción en los ingresos totales se disparó del 30,3 % del año anterior al 63,4 %, convirtiéndose de un solo golpe en el mayor pilar de ingresos de la empresa.
El vertiginoso crecimiento del mercado empresarial ha aportado un aumento significativo al ARR (Ingreso Anual Recurrente) de MiniMax, llegando a los 800 millones de dólares hasta agosto, de los cuales el negocio B2B ya representa alrededor del 80 %, y el B2C solo el 20 %.
(Cabe señalar que el ARR no es una cifra auditada bajo los Principios de Contabilidad Generalmente Aceptados y tiene un margen de error inherente, pero sigue siendo un indicador valioso para empresas de modelos de IA y compañías SaaS).
Además, en el primer semestre del año, el mercado extranjero contribuyó con aproximadamente el 60 % de los ingresos de MiniMax, destacando una vez más su naturaleza globalizada.
Paralelamente al aumento de los ingresos, los gastos de venta y distribución disminuyeron un 17,9 % interanual, situándose en 27 millones de dólares, mientras que el beneficio bruto creció un 464,8 % interanual hasta los 20,81 millones de dólares.
En cuanto a pérdidas, la pérdida neta de este período se redujo de los aproximadamente 400 millones de dólares del año anterior a unos 360 millones de dólares.
Esto significa que MiniMax ha dejado atrás por completo la etapa inicial que dependía de la compra de tráfico para la adquisición de usuarios en aplicaciones de consumo de entretenimiento general. Tras un esfuerzo integral en modelos fundamentales y capacidades de modelos multimodales, ha pasado a un crecimiento de red natural impulsado por el ecosistema de empresas y desarrolladores.
Para hacer una simple comparación horizontal:
- Según informes de The Information, DeepSeek logró ingresos de 70,7 millones de dólares en los primeros siete meses de este año. Excluyendo el bullicioso mes de julio, se estima a groso modo que los ingresos de MiniMax en el primer semestre son aproximadamente el doble que los de DeepSeek.
- Aunque los ingresos netos de DeepSeek son inferiores a los de MiniMax, en los primeros siete meses logró ingresos anuales 10 veces superiores a los de 2025, una tasa de crecimiento muy por encima de la de MiniMax.
- La pérdida neta de DeepSeek en los primeros siete meses fue de 106 millones de dólares; la pérdida neta de MiniMax en este período es aproximadamente 3,4 veces la de DeepSeek.
Nuevos y viejos consensos
MiniMax reveló que el aumento disruptivo en el consumo de tokens es una razón importante para el despegue de los ingresos en este período.
Solo en julio de este año, el consumo de tokens en todas las plataformas de MiniMax alcanzó exactamente 20 veces el de enero. Hasta la fecha, su número de clientes corporativos y desarrolladores globales ha superado los 2 millones, 10 veces más que a finales de 2025.
La respuesta a este salto no lineal tan exagerado en el consumo de tokens radica en la migración del paradigma de consumo de modelos.
El CEO Yan Junjie reveló que el paradigma de consumo de modelos ha pasado de un «diálogo directo entre humanos e IA» a una «interacción en cascada de múltiples turnos entre Agentes e IA».
El crecimiento de la demanda de inferencia impulsado por Agentes es significativamente más rápido que el crecimiento del número de usuarios humanos y de mensajes. Esto provoca directamente que el consumo de tokens por usuario explote de forma exponencial.
Esto ya es un «viejo consenso» en la industria de modelos, que cambia día a día.
Y el nuevo consenso más importante es que el post-entrenamiento se ha convertido en el nuevo límite superior del Scaling.
De acuerdo con la información pública reciente de GLM 5.3 de Zhipu, DeepSeek V4 Flash (versión 0731) y Gemini 3.x Flash, cada vez más fabricantes de modelos dependen intensamente, o incluso se basan únicamente, en el post-entrenamiento durante sus actualizaciones de versiones menores, logrando mejorar significativamente el rendimiento del modelo en tareas convencionales específicas.
Yan Junjie también planteó este cambio en el nuevo consenso de la industria durante la reunión de resultados: el Scaling de los grandes modelos actuales se está expandiendo rápidamente desde el pre-entrenamiento individual hacia el mid-training (entrenamiento intermedio), el post-entrenamiento y el aprendizaje por refuerzo.
En la etapa de post-entrenamiento, la generación masiva de datos sintéticos, el rollout (inferencia/generación) de entornos en el aprendizaje por refuerzo, y la verificación por ensayo y error de las tareas generadas, son en esencia cómputo de inferencia. Cuanto menor sea el costo de inferencia por unidad de cómputo y mayor sea el rendimiento, mayor será la escala de trayectorias y experimentos que el modelo puede procesar durante el post-entrenamiento. Esta es la razón por la que una serie de fabricantes de modelos, incluida MiniMax, invierten una proporción cada vez mayor de cómputo en las etapas de mid-training y post-entrenamiento.
Yan Junjie señaló que, bajo la misma escala de cómputo, el múltiplo de mejora en la eficiencia del cómputo de inferencia muestra una correlación básicamente lineal con el múltiplo de aumento en la escala del post-entrenamiento. Esta frase puede entenderse a grandes rasgos como: cuanto mayor sea el esfuerzo en el post-entrenamiento, mayor será la mejora en la eficiencia de la inferencia y mejores serán los resultados finales que presenta el modelo.
En otras palabras, independientemente de si la gente cree que la Ley de Scaling ha golpeado un muro o si el número de parámetros del modelo ha llegado a su límite: el post-entrenamiento...