En IA, la valoración que ayer dejaba a todos boquiabiertos hoy se ha convertido en el punto de partida. Apenas 18 meses después de que dos amigos del instituto se incorporaran a la aceleradora de startups Y Combinator sin una idea ni un producto, su empresa de datos para IA, AfterQuery, ha alcanzado una valoración de 3.200 millones de dólares, según dos personas con conocimiento directo del asunto.
La cifra supone más de diez veces los 300 millones de dólares de valoración que AfterQuery recibió hace apenas cinco meses. Según Gustaf Alströmer, socio de Y Combinator, esto convertiría a la compañía en la startup de la historia de YC que más rápido ha pasado de su creación a convertirse en un unicornio.
AfterQuery declinó hacer comentarios.
AfterQuery es rentable y ya tiene un inversor principal para su próxima ronda, según una de las fuentes. Su fundador, Spencer Mateega, de 23 años, publicó en X en julio que los ingresos recurrentes se situaban en los “cientos de millones” de dólares, frente a los 100 millones registrados en abril. Publicación de Spencer Mateega en X
La empresa, con sede en San Francisco, forma parte de una clase de proveedores de datos para IA que está creciendo rápidamente y que ofrece algo que los laboratorios de IA de frontera necesitan cada vez más: datos complejos de razonamiento creados y validados por humanos. Su trabajo se utilizó en la nueva serie de modelos Nemotron de Nvidia, y la compañía también ha trabajado con Thinking Machines Lab, fundada por la exdirectora de tecnología de OpenAI Mira Murati, y con la startup de IA jurídica Legora. A diferencia de algunos de sus competidores, AfterQuery también trabaja estrechamente con determinados laboratorios de IA chinos.
El estado actual del mercado explica esta velocidad. Los laboratorios de IA de frontera ya han absorbido buena parte de los datos disponibles en internet. Los datos sintéticos pueden ayudar, pero tienen sus límites. Lo que resulta más valioso son datos específicos de cada sector creados por personas con conocimientos especializados: ingenieros de software, abogados y analistas financieros.
Ese cambio ha convertido lo que antes era una actividad poco atractiva —el etiquetado de datos— en una de las vías más rápidas para alcanzar valoraciones multimillonarias y crear nuevos multimillonarios. En 2021, Scale AI convirtió a Alexandr Wang, entonces de 24 años, en el primer multimillonario del etiquetado de datos y en el multimillonario hecho a sí mismo más joven del mundo, hasta que los fundadores de Mercor lo superaron en octubre pasado, cuando tenían 22 años. Ahora, esa empresa de etiquetado de datos negocia con Nvidia una valoración de 20.000 millones de dólares.
Fundada en febrero de 2025 por Mateega, de 23 años, y Carlos Georgescu, de 22, AfterQuery no comenzó como una empresa de datos. Al principio, los dos querían desarrollar agentes de IA para el sector financiero. Pero mientras los probaban, descubrieron que los modelos más avanzados no lograban desenvolverse bien en flujos de trabajo profesionales complejos. El problema no estaba en las limitaciones de su arquitectura, sino en que carecían del entrenamiento necesario para realizar juicios y tomar decisiones propios de profesionales.
Así que Mateega y Georgescu cambiaron de rumbo. En lugar de desarrollar aplicaciones sobre modelos de IA, se centraron en capturar el criterio humano de expertos y su razonamiento paso a paso en áreas como finanzas, ingeniería de software, derecho y medicina.
Mateega explicó a Forbes en abril que la ventaja de AfterQuery frente a Mercor —que depende de grandes grupos de contratistas seleccionados mediante un entrevistador de IA— reside en sus sistemas de software personalizados para validar los datos de entrenamiento generados por humanos.
Los expertos humanos de AfterQuery generan datos que pasan por una serie de controles para garantizar que se encuentren dentro de un rango de dificultad denominado “Ricitos de Oro”: suficientemente complejos como para poner a prueba a los sistemas más avanzados, pero no tanto como para dejarlos sin respuesta. El objetivo es producir datos de los que los modelos realmente puedan aprender.
AfterQuery también publica sus propias investigaciones para demostrar que sus datos funcionan, una cuestión especialmente importante para los laboratorios de IA que gastan grandes cantidades en materiales de entrenamiento. En lugar de entregar los datos a los laboratorios y dejar que estos los evalúen, AfterQuery reproduce el proceso que seguiría un investigador: entrena un modelo con sus datos y mide cómo cambia su rendimiento en diferentes pruebas de referencia.
“Esta es otra cosa que nuestros competidores no hacen: contamos con investigadores internos que crean un proceso de posentrenamiento”, explicó Mateega a Forbes en abril. “Demostramos objetivamente a los laboratorios, antes incluso de que analicen nuestros datos, que estos son de alta calidad”.
Este artículo está traducido de Forbes.com
