Los datos para entrenar IA son el nuevo oro del Venture Capital: AfterQuery, nacida en Y Combinator, toca los 3.200 millones de dólares y se convierte en el unicornio más rápido de la aceleradora.
De 300 a 3.200 millones en cinco meses: la velocidad que reescribe las reglas
La compañía alcanzó la valoración de 3.200 millones de dólares según dos personas con conocimiento directo del asunto, recogidas por Forbes. Es más de diez veces los 300 millones que obtuvo hace apenas cinco meses. Gustaf Alströmer, socio de Y Combinator, la sitúa como la startup que más rápido ha pasado de su creación a unicornio en la historia de la aceleradora.
AfterQuery es rentable y, según una de las fuentes, ya tiene inversor principal para su próxima ronda. Su fundador, Spencer Mateega, de 23 años, publicó en X que los ingresos recurrentes se situaban en ‘cientos de millones’ de dólares en julio; en abril rondaban los 100 millones.
El negocio no es una app de inteligencia artificial al uso. Responde a un cuello de botella que los laboratorios de frontera ya están sintiendo: se han consumido buena parte de los datos disponibles en internet. Lo que ahora escasea son datos complejos de razonamiento, creados y validados por humanos.
El modelo de negocio que convierte el etiquetado de datos en oro
Fundada en febrero de 2025 por Mateega y Carlos Georgescu, de 22 años, AfterQuery no nació como empresa de datos. Los dos querían desarrollar agentes de IA para el sector financiero. Al probarlos, descubrieron que los modelos más avanzados fallaban en flujos de trabajo profesionales complejos. El problema no era la arquitectura: faltaba entrenamiento con criterio humano.
Ahí pivotaron. En lugar de construir aplicaciones sobre modelos existentes, empezaron a capturar el criterio de expertos y su razonamiento paso a paso en finanzas, ingeniería de software, derecho y medicina. Los datos pasan por controles que los mantienen en el rango ‘Ricitos de Oro’: lo bastante complejos para poner a prueba a los sistemas más avanzados, pero no tanto que queden sin respuesta.
El etiquetado de datos dejó de ser una tarea aburrida: hoy es la trinchera donde se construye la ventaja competitiva de la IA.
La ventaja frente a Mercor, que depende de grandes grupos de contratistas filtrados por un entrevistador de IA, reside en sus sistemas de software personalizados para validar los datos generados por humanos. AfterQuery publica además sus propias investigaciones: entrena un modelo con sus datos y mide cómo cambia el rendimiento en pruebas de referencia, en lugar de esperar a que el laboratorio evalúe el material.
El recorrido ya aparece en producción real. Los datos de AfterQuery se usaron en la serie de modelos Nemotron de Nvidia y la compañía también ha trabajado con Thinking Machines Lab, fundada por Mira Murati, antigua directora de tecnología de OpenAI, con la legaltech Legora y con determinados laboratorios chinos.
El patrón no es nuevo: en 2021, Scale AI convirtió a Alexandr Wang, entonces de 24 años, en el primer multimillonario del etiquetado de datos; los fundadores de Mercor le superaron en octubre pasado a los 22 años y ahora negocian con Nvidia una valoración de 20.000 millones de dólares.
📦 Caso de estudio: AfterQuery
- El reto: Comprobar si los modelos de IA más avanzados podían resolver flujos financieros complejos sin datos de razonamiento humanos.
- La jugada: Pivotar de agentes de IA hacia la captura del criterio de expertos y validarlo con software propio.
- El resultado: Valoración de 3.200 millones de dólares, ingresos recurrentes de cientos de millones y Nvidia como cliente.
- La lección: El producto inicial es una hipótesis; si el problema real reside en los datos, ahí se esconde el negocio.
Lo que enseña este caso a los founders españoles
La lectura del mercado es clara. Los laboratorios de frontera ya han absorbido gran parte de los datos públicos y los datos sintéticos muestran límites. El valor se desplaza hacia datos específicos de sector elaborados por ingenieros, abogados o analistas financieros. No es una moda de valoraciones: es una reasignación del presupuesto de entrenamiento hacia inputs con retorno medible.
Para un founder español, la lección no pasa por competir en coste con estos monstruos. Pasa por detectar nichos de conocimiento experto que nadie ha convertido en datos de entrenamiento: un despacho de abogados con jurisprudencia propia, una fábrica con datos de mantenimiento predictivo o una consultora técnica con flujos de decisión documentados. El activo no es la IA; es el criterio humano que todavía no ha sido capturado.
Mercor y Scale AI demuestran que el patrón se repite: quien controla la validación de datos y puede demostrar objetivamente su calidad, cobra antes y escala más rápido. AfterQuery no vendió software para abogados; vendió la escasez de razonamiento bien anotado. Esa es la lección que se puede copiar mañana, con un nicho más pequeño y una tesis clara de producto.
🚀 Hoja de Ruta para Emprender
- Valida antes de construir: El pivote de AfterQuery nació de probar sus agentes y detectar dónde fallaban los modelos. Investiga el problema real, no la solución soñada.
- Demuestra calidad con evidencia: No cuentes lo buena que es tu propuesta; entrena un modelo con tus datos y mide el resultado antes de pedir capital.
- Busca el nicho de conocimiento experto: Los datos sectoriales validados valen más que el volumen sin criterio. Convierte el know-how de tu sector en material de entrenamiento.
- Protege tu runway de validación: La velocidad de AfterQuery no es magia: es datacentrismo y foco. Asegura tiempo suficiente para iterar antes de vender.
