Cuando se acercaba la fecha límite de invierno de 2025 para la famosa incubadora de startups Y Combinator, Spencer Mateega y Carlos Georgescu, ambos estudiantes universitarios, prepararon una solicitud en 48 horas. No tenían un producto. Tenían un destino: San Francisco. El plan era subirse a la ola de la IA, en el sentido más literal, y decidir qué construir una vez allí.
Los dos se conocían desde el instituto, cuando coincidieron en un programa de verano de informática organizado por Google y congeniaron gracias a sus primeros proyectos de ingeniería. Mantuvieron una estrecha relación durante la universidad, haciendo prácticas juntos en Meta antes de separarse y dedicarse a las finanzas y la tecnología. Para cuando Mateega, ahora de 23 años, terminaba sus estudios en la Universidad de Pensilvania y Georgescu, ahora de 22, estudiaba informática en la Universidad de Columbia Británica, ya estaban acostumbrados a trabajar codo con codo.
La pareja fue aceptada, y Mateega terminó su último trimestre en la universidad mientras participaba en el exigente programa Y Combinator.
“El uno por ciento de mi tiempo lo dedicaba a prepararme para los exámenes parciales y finales, en los que no me fue bien”, recuerda. Georgescu, a quien le quedaba un año de estudios, abandonó la universidad.
Su primer intento, crear agentes de IA para el sector financiero, fracasó. Descubrieron que los modelos de IA tenían dificultades con los flujos de trabajo reales propios de los profesionales de oficina, no porque los modelos no pudieran razonar, sino porque no habían sido entrenados sobre cómo trabajan realmente los profesionales.
Esa idea propició un cambio de rumbo. En lugar de desarrollar aplicaciones, se centrarían en extraer los datos subyacentes de cómo se realiza el trabajo real: las decisiones tomadas, las transferencias de información complicadas y las reconsideraciones.
Un año después, la startup de San Francisco, con 30 empleados, afirma haber superado los 100 millones de dólares en ingresos anuales, impulsada por la demanda de laboratorios de IA líderes como Anthropic y OpenAI. La compañía también anunció que hace unos meses recaudó 30 millones de dólares en una ronda de financiación Serie A, con una valoración de 300 millones de dólares, liderada por Altos Ventures y con la participación de The Raine Group, Y Combinator y BoxGroup. Mateega indicó que investigadores de Anthropic, OpenAI, Google DeepMind, Meta’s Superintelligence Labs y la división de IA de Microsoft participaron en la ronda.
Actualmente, el etiquetado de datos parece una forma rápida para que jóvenes (en su mayoría hombres) con conocimientos técnicos y una mentalidad precoz se conviertan en multimillonarios. Está el pionero del etiquetado de datos, Alexandr Wang de Scale AI , quien fue el multimillonario más joven del mundo hecho a sí mismo hasta octubre. Están los fundadores de Mercor, que se convirtieron en los tres multimillonarios más jóvenes del mundo hechos a sí mismos en octubre. Y está la prometedora micro1, cuyo único fundador, Ali Ansari, ha recibido ofertas de inversión con una valoración de 2.500 millones de dólares.
Pero en el despiadado mundo de los datos humanos, el dinero puede ser efímero. Los laboratorios de IA tienen un enorme apetito y presupuesto para datos, pero los proveedores pueden perder popularidad y dar paso a otros nuevos. Por ejemplo, Mercor, que recientemente fue víctima de una filtración de datos, al parecer ha perdido a Meta como cliente, y su situación con otros laboratorios es incierta.
Mateega, que ahora es el director ejecutivo, afirma que el enfoque de AfterQuery difiere del de Mercor porque, en lugar de depender de grandes grupos de contratistas y flujos de trabajo manuales y promocionar sus capacidades de «entrevistador de IA», la clave del éxito de AfterQuery reside en la creación de sistemas de software personalizados para validar los datos de entrenamiento.
Una vez que los expertos humanos de AfterQuery generan los datos, estos se someten a una serie de comprobaciones para garantizar que se encuentren dentro de un rango óptimo: lo suficientemente exigente como para poner a prueba a los sistemas más avanzados, pero no imposible. El objetivo es producir datos de los que los modelos puedan aprender realmente.
La empresa también publica sus propias investigaciones para demostrar la alta calidad de sus datos, un aspecto fundamental para los laboratorios de IA. En lugar de entregar los datos a los laboratorios de IA para que los evalúen, AfterQuery reproduce el trabajo de un investigador: entrenar un modelo con los datos y medir cómo cambia su rendimiento en comparación con los datos de referencia.
“Esto es algo que nuestros colegas no hacen: nuestros investigadores crean internamente un proceso posterior al entrenamiento”, dijo Mateega. “Les mostramos objetivamente a los laboratorios, incluso antes de que analicen nuestros datos, que estos son de alta calidad”.
Este artículo ha sido traducido de Forbes.com
