En el negocio de la inteligencia artificial, las valuaciones avanzan a una velocidad difícil de comparar con otros sectores. Apenas 18 meses después de que dos amigos del colegio ingresaran a la aceleradora de proyectos Y Combinator sin un producto ni una idea definida, su startup de datos para IA, AfterQuery, alcanzó una valuación de US$ 3.200 millones, según señalaron a Forbes dos personas con conocimiento directo de la operación.

La cifra supone un salto de más de 10 veces frente a los US$ 300 millones en los que la compañía había sido valuada apenas cinco meses atrás. De acuerdo con Gustaf Alströmer, socio de Y Combinator, ese crecimiento convertiría a AfterQuery en la startup que menos tiempo necesitó para alcanzar el estatus de unicornio desde su fundación.

La compañía, además, ya opera con rentabilidad y cuenta con un inversor principal para la operación, según una fuente cercana al proceso. Su fundador, Spencer Mateega, de 23 años, publicó en X en julio que los ingresos recurrentes de la empresa ascendían a "cientos de millones", frente a los US$ 100 millones registrados en abril.

Con sede en San Francisco, AfterQuery compite en uno de los segmentos que más capital y atención atrae dentro de la inteligencia artificial: el suministro de datos especializados para entrenar modelos avanzados. La compañía ofrece un recurso cada vez más demandado por los grandes laboratorios de IA: datos de razonamiento complejo creados y validados por personas.

Su tecnología formó parte del desarrollo de la nueva familia de modelos Nemotron, de Nvidia. La empresa trabajó además con Thinking Machines Lab, el laboratorio fundado por Mira Murati, exdirectora de tecnología de OpenAI, y con Legora, una startup enfocada en inteligencia artificial para el sector legal. A diferencia de varios competidores estadounidenses, AfterQuery mantiene además vínculos de trabajo con algunos laboratorios de IA de China.

La demanda por este tipo de servicios responde a un problema concreto de la industria. Los principales laboratorios ya utilizaron una porción considerable de la información disponible públicamente en internet para entrenar sus modelos. Los datos sintéticos ofrecen una alternativa, aunque presentan límites para determinadas tareas.

Por eso, uno de los activos más buscados pasó a ser la información producida y revisada por especialistas. Ingenieros de software, abogados y analistas financieros aportan datos capaces de entrenar modelos en problemas más complejos y específicos, un mercado en el que empresas como AfterQuery encontraron una oportunidad de negocio de gran escala.

Ese giro convirtió al etiquetado de datos, durante años considerado un negocio poco atractivo, en una de las actividades con mayor capacidad para generar valuaciones multimillonarias y fortunas personales dentro de la inteligencia artificial.

En 2021, Scale AI convirtió a Alexandr Wang, que entonces tenía 24 años, en el primer multimillonario surgido del negocio del etiquetado de datos y en el multimillonario self made más joven del mundo. Ese récord cambió de manos en octubre pasado, cuando los fundadores de Mercor lo superaron con apenas 22 años. Ahora, esa compañía mantiene conversaciones con Nvidia en torno a una valuación de US$ 20.000 millones.

AfterQuery nació en febrero de 2025, fundada por Spencer Mateega, de 23 años, y Carlos Georgescu, de 22. Sin embargo, el proyecto original no apuntaba al negocio de los datos. Los dos emprendedores querían desarrollar agentes de inteligencia artificial para el sector financiero.

Las primeras pruebas modificaron ese plan. Mateega y Georgescu detectaron que los modelos más avanzados tenían dificultades para responder a los flujos de trabajo complejos que enfrentan los profesionales del sector. El problema, según observaron, no estaba en la arquitectura de los modelos, sino en la falta de entrenamiento específico para tomar decisiones y aplicar criterio profesional.

Ese diagnóstico llevó a Mateega y Georgescu a cambiar el rumbo de la compañía. En vez de desarrollar productos basados en inteligencia artificial, decidieron concentrarse en capturar las decisiones de especialistas y descomponer su razonamiento paso a paso en áreas como finanzas, ingeniería de software, derecho y medicina.

En abril, Mateega explicó a Forbes que una de las principales diferencias de AfterQuery frente a Mercor está en la forma en que valida la información utilizada para entrenar modelos. Mientras Mercor recurre a grandes grupos de contratistas seleccionados mediante entrevistas realizadas por sistemas de IA, AfterQuery desarrolló software propio para verificar los datos creados por expertos humanos.

El proceso busca mantener un equilibrio preciso. Los especialistas generan información que atraviesa una serie de controles antes de incorporarse al entrenamiento. Los datos deben ser lo suficientemente complejos como para desafiar a los modelos más avanzados, aunque no tanto como para quedar fuera de su capacidad de aprendizaje.

La meta de AfterQuery es producir conjuntos de datos que obliguen a los modelos a mejorar su razonamiento y su capacidad para resolver tareas especializadas, sin convertir esos ejercicios en problemas imposibles de procesar.

AfterQuery también busca demostrar por cuenta propia que sus datos cumplen con los estándares que exige la industria. Para los laboratorios de inteligencia artificial, que destinan grandes sumas al material de entrenamiento, comprobar la calidad de esa información resulta clave antes de incorporarla a sus modelos.

La empresa no se limita a entregar los conjuntos de datos para que cada laboratorio los someta a evaluación. Su equipo reproduce internamente parte del trabajo de investigación: entrena modelos con esa información y mide después los cambios en su rendimiento mediante pruebas de referencia. Con ese procedimiento, intenta aportar evidencia concreta sobre la efectividad de los datos antes de que lleguen al cliente.

“Esto es algo que nuestros colegas no hacen: nuestros investigadores crean internamente un proceso posterior al entrenamiento”, dijo Mateega en abril. “Les mostramos objetivamente a los laboratorios, incluso antes de que analicen nuestros datos, que estos son de alta calidad”.

*Este artículo fue publicado originalmente por Forbes.com.