Pocas empresas de IA pueden rastrear su origen directamente al paper que lo inició todo. Cohere fue cofundada en 2019 por Aidan Gomez, Ivan Zhang y Nick Chicken. Gomez fue coautor de "Attention Is All You Need", el paper de Google Brain de 2017 que introdujo la arquitectura Transformer — el cimiento debajo de prácticamente cada modelo de lenguaje grande en existencia. Era pasante en ese momento, con apenas 20 años, trabajando bajo la supervisión de investigadores que se dispersarían por la industria para fundar o liderar algunas de sus empresas más importantes. Gomez tomó un camino diferente al de sus coautores en Google: en lugar de construir un producto de IA orientado al consumidor, se propuso construir una plataforma de IA empresarial desde el primer día. Ese enfoque en clientes de negocios, no chatbots, ha definido a Cohere desde entonces.
Mientras OpenAI perseguía la atención del consumidor con ChatGPT y Anthropic se abría un nicho de seguridad primero, Cohere hizo una apuesta deliberada por el mercado empresarial. Sus productos centrales reflejan esto: Command (una familia de LLM que siguen instrucciones), Embed (modelos de embedding de texto a vector) y Rerank (un modelo de re-ranking para mejorar resultados de búsqueda). Estos no son demos llamativos de chatbot — son los bloques de construcción que las empresas necesitan para desplegar retrieval-augmented generation, búsqueda semántica y procesamiento de documentos a escala. Los modelos de Cohere están diseñados para funcionar en cualquier lugar: en las principales nubes, on-premise o incluso en entornos air-gapped. Este enfoque agnóstico de nube y flexible en despliegue es un diferenciador significativo en un mercado donde la mayoría de los modelos de frontera te encadenan al ecosistema de un solo proveedor. El soporte multilingüe ha sido otro pilar — sus modelos manejan más de 100 idiomas, haciéndolos atractivos para empresas globales que no pueden darse el lujo de soluciones solo en inglés.
Cohere ha recaudado capital significativo, incluyendo una Serie C de $270 millones en 2023 que valoró a la empresa en aproximadamente $2.2 mil millones, seguida de una Serie D de $500 millones en 2024 que empujó la valoración más allá de $5 mil millones. Su lista de inversores incluye a NVIDIA, Oracle, Salesforce Ventures e Inovia Capital. La empresa tiene acuerdos de asociación con Oracle Cloud, AWS y Google Cloud, apoyándose en una estrategia de encontrar a las empresas donde sea que su infraestructura ya viva. Cohere también ha hecho un punto de mantener su sede en Toronto — parte de un esfuerzo más amplio para construir un ecosistema de IA creíble fuera de Silicon Valley. Gomez ha sido vocal sobre el papel de Canadá en la investigación de IA, particularmente el legado de Geoffrey Hinton y la comunidad de machine learning de Toronto que ayudó a impulsar la revolución del deep learning. Este posicionamiento ha ayudado a Cohere a atraer talento que podría no querer reubicarse en San Francisco y le ha dado a la empresa una identidad distinta en un campo dominado por firmas de la Bahía de San Francisco.
El desafío de Cohere es que el mercado de IA empresarial se está llenando rápidamente. OpenAI, Anthropic, Google y Amazon están todos cortejando agresivamente a los mismos clientes Fortune 500, a menudo con bolsillos más profundos y más reconocimiento de marca. El contraargumento de Cohere es la especialización: no están intentando construir AGI o un producto de consumo. Todo su stack está optimizado para despliegue empresarial — privacidad de datos, flexibilidad on-premise y modelos construidos específicamente para flujos de trabajo de retrieval y búsqueda. El lanzamiento de su modelo de embedding Compass, su plataforma de entrenamiento North para fine-tuning y su inversión persistente en herramientas de RAG refuerzan este posicionamiento. Si esa estrategia enfocada puede sostener a Cohere como empresa independiente en un mercado cada vez más consolidado — o si la pura fuerza gravitacional de los hyperscalers y los laboratorios de frontera resulta demasiado fuerte — sigue siendo la pregunta central para su próximo capítulo.