Cerrar una Serie B de 100 millones en 2026 exige más que un algoritmo brillante: requiere un circuito cerrado que genere datos experimentales propios. Aureka Biotechnologies acaba de demostrarlo.
La ronda: 100 millones para un modelo fundacional biológico
La compañía, fundada en 2023, anunció el 10 de agosto el cierre de una Serie B de 100 millones de dólares. El primer tramo lo ha cubierto en exclusiva Granite Asia, y un inversor estratégico ha liderado un segundo tramo con la participación de HighLight Capital (HLC) y de los actuales socios MPCi y NRL Capital. Con esta operación, Aureka ha levantado casi 200 millones de dólares desde su creación.
El destino de los fondos es tan ambicioso como la cifra: reforzar el entrenamiento a gran escala de su modelo fundacional biológico de nueva generación, llamado AuraIDE. No se trata de un algoritmo puntual para una diana terapéutica concreta, sino de un sistema que aprende las reglas de la biología –estructura de proteínas, diseño molecular de novo, predicción de funciones– y se transfiere después a múltiples programas de descubrimiento de fármacos.
La versión de código abierto de AuraIDE, OpenDDE, ya se sitúa entre los modelos biomoleculares líderes del mundo en evaluaciones independientes de terceros, lo que aporta una validación externa que no ha pasado desapercibida para los inversores.
Infraestructura de bucle cerrado: por qué los inversores apuestan por datos propios
Lo que diferencia a Aureka de otras startups de IA en biotecnología es su Lab-in-the-Loop, un motor de retroalimentación experimental que cierra el círculo entre el modelo computacional y el laboratorio húmedo. La compañía integra agentes de IA, biología digital de alto rendimiento, cribado funcional unicelular propio y plataformas de validación automatizadas para que el laboratorio no sea un mero validador, sino la fuente de datos que entrena y mejora continuamente el modelo.
En este sistema, el modelo propone moléculas; el laboratorio genera datos funcionales de alta calidad; esos datos reentrenan el modelo base y los modelos específicos de cada proyecto. Es un ciclo de diseño–validación–aprendizaje que permite escalar la producción de datos experimentales propios, en lugar de depender únicamente de conjuntos de datos públicos y estáticos. Para los inversores, esta infraestructura representa una barrera de entrada y una fábrica de propiedad industrial.
La diferencia entre una IA generativa y un activo farmacéutico real no está en el modelo, está en los datos experimentales que lo entrenan.
📦 Caso de estudio: Aureka Biotechnologies
- El reto: Convertir la IA generativa en fármacos reales exige datos funcionales masivos que los modelos no pueden generar sin experimentación.
- La jugada: Construir un bucle cerrado donde el modelo y el laboratorio se alimentan mutuamente, generando datos propios de alto valor.
- El resultado: Una Serie B de 100 millones de dólares, casi 200 millones acumulados, asociaciones con grandes farmacéuticas y decenas de millones en ingresos por licencias.
- La lección: El capital deep tech de 2026 no compra algoritmos; financia plataformas que producen datos experimentales escalables y verificables.
Lo que enseña esta ronda al ecosistema deep tech en España
La operación de Aureka no es un hecho aislado: confirma hacia dónde gira el venture capital especializado. Los fondos ya no se conforman con un paper y una demo; quieren ver un motor de generación de datos patentables. La biología no se rinde ante la computación sin la retroalimentación del mundo físico, y la startup que lo entienda primero tendrá una ventaja competitiva que ningún LLM genérico puede replicar.
Para los founders españoles que trabajan en deep tech –ya sea biotecnología, nuevos materiales o energías limpias– el caso es un manual: montar el laboratorio como parte del producto, no como un coste, y demostrar que el modelo mejora con cada iteración experimental. La financiación pública de ENISA o del CDTI puede complementar, pero el capital privado de verdad llegará cuando el inversor vea ese ciclo cerrado funcionando con métricas de mejora continua.
La tercera validación externa que aporta OpenDDE es otro activo diferencial. Mostrar que tu tecnología lidera un ranking internacional independiente reduce la percepción de riesgo y acelera la diligencia. En un entorno en el que las rondas seed y Series A se han vuelto más selectivas, cada prueba de tracción externa cuenta doble.
Vamos a los números. La compañía ha generado decenas de millones en ingresos por colaboraciones farmacéuticas, lo que demuestra que el modelo no solo es bonito sobre el papel, sino que convierte la capacidad técnica en contratos. Esa tracción comercial, combinada con la infraestructura de datos propia, es lo que ha convencido a Granite Asia y al resto de inversores para poner 100 millones sobre la mesa.
🚀 Hoja de Ruta para Emprender
- Construye tu propio bucle de datos: No te limites a entrenar con datasets públicos. Diseña un proceso, por pequeño que sea, donde cada experimento genere datos que mejoren tu modelo y te den propiedad intelectual defendible.
- Valida externamente cuanto antes: Publica versiones de código abierto, participa en evaluaciones de terceros o consigue una colaboración con un laboratorio de referencia. La validación externa acorta el convencimiento del inversor.
- Monetiza el I+D antes de tener un fármaco: Las alianzas con grandes farmacéuticas no solo traen ingresos, sino que validan tu plataforma y generan datos para seguir entrenando el modelo.
- Trata el laboratorio como producto, no como gasto: La automatización y el cribado funcional propio son la barrera de entrada que separa una startup de IA prometedora de un activo estratégico para un fondo.
