Cuando se acercó la fecha límite del invierno de 2025 para la famosa incubadora de startups Y Combinator, Spencer Mateega y Carlos Georgescu, dos estudiantes universitarios, prepararon una solicitud en 48 horas. No tenían un producto. Sí tenían un destino: San Francisco. La idea era subirse a la ola de la IA, en el sentido más literal, y definir qué construir una vez que llegaran.

Los dos se conocieron en el secundario, cuando coincidieron en un programa de verano de informática de Google y conectaron a partir de sus primeros proyectos de ingeniería. Mantuvieron una relación cercana durante la universidad: hicieron prácticas juntos en Meta antes de tomar caminos distintos, entre las finanzas y la tecnología. 

Para cuando Mateega, de 23 años, terminaba sus estudios en la Universidad de Pensilvania y Georgescu, de 22, cursaba informática en la Universidad de Columbia Británica, los dos ya trabajaban muy bien en equipo.

Los aceptaron y Mateega terminó su último trimestre en la universidad mientras atravesaba el exigente programa de Y Combinator. @@FIGURE@@

"El uno por ciento de mi tiempo lo dedicaba a prepararme para los exámenes parciales y finales, en los que no me fue bien", recordó. Georgescu, a quien todavía le faltaba un año de carrera, dejó la universidad.

Su primer intento, crear agentes de IA para el sector financiero, fracasó. Ahí descubrieron que los modelos de IA tenían dificultades para resolver los flujos de trabajo reales de los profesionales de la oficina. El problema no pasaba por la capacidad de razonamiento de los modelos, sino por otra cosa: no estaban entrenados sobre la forma en que esos profesionales trabajan de verdad.

Esa idea los empujó a cambiar de rumbo. En lugar de desarrollar herramientas, decidieron concentrarse en extraer los datos de base sobre cómo se hace el trabajo real: las decisiones que se toman, los traspasos de información más complejos y las instancias en las que hace falta revisar lo hecho.

Un año después, la startup de San Francisco, que cuenta con 30 empleados, asegura haber superado los US$ 100 millones en ingresos anuales, impulsada por la demanda de laboratorios de IA de peso, como Anthropic y OpenAI. 

La compañía también anunció que, hace unos meses, recaudó US$ 30 millones en una ronda de financiación Serie A, con una valoración de US$ 300 millones. La operación estuvo liderada por Altos Ventures y contó con la participación de The Raine Group, Y Combinator y BoxGroup. Mateega indicó que en la ronda participaron investigadores de Anthropic, OpenAI, Google DeepMind, Meta Superintelligence Labs y la división de IA de Microsoft. @@FIGURE@@

Hoy, el etiquetado de datos aparece como una vía rápida para que jóvenes, en su mayoría hombres, con perfil técnico y una mentalidad precoz se conviertan en multimillonarios. Ahí aparece el pionero del etiquetado de datos, Alexandr Wang, de Scale AI, que hasta octubre fue el multimillonario hecho a sí mismo más joven del mundo. 

También están los fundadores de Mercor, que en octubre pasaron a ser los tres multimillonarios hechos a sí mismos más jóvenes del mundo. Y se suma micro1, otra firma con proyección, cuyo único fundador, Ali Ansari, recibió ofertas de inversión con una valoración de US$ 2.500 millones.

Pero en el negocio feroz de los datos humanos, el dinero muchas veces dura poco. Los laboratorios de IA tienen un apetito enorme por los datos y también presupuesto para pagarlos, aunque los proveedores pueden perder terreno con rapidez y dejarles lugar a nuevos jugadores. Mercor, por ejemplo, sufrió hace poco una filtración de datos y, según trascendió, perdió a Meta como cliente. Además, su situación con otros laboratorios todavía no está clara.

Mateega, hoy director ejecutivo, afirmó que la estrategia de AfterQuery se diferencia de la de Mercor porque no depende de grandes grupos de contratistas ni de flujos de trabajo manuales. Según explicó, la clave de su éxito radica en crear sistemas de software a medida para validar los datos de entrenamiento, en lugar de promocionar lo que definió como "entrevistador de IA". @@FIGURE@@

Una vez que los expertos humanos de AfterQuery generan los datos, esos materiales atraviesan una serie de controles para asegurar que queden dentro de un rango óptimo: lo bastante exigente como para poner a prueba a los sistemas más avanzados, aunque no al punto de volver la tarea imposible. El objetivo es producir datos de los que los modelos realmente puedan aprender.

La empresa también publica sus propias investigaciones para demostrar la alta calidad de sus datos, un aspecto clave para los laboratorios de IA. En vez de entregarles esos datos para que los evalúen, AfterQuery replica la tarea de un investigador: entrena un modelo con esa información y mide cómo cambia su rendimiento frente a 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", agregó.

*Esta nota fue publicada originalmente en Forbes.com