Trajectory levanta 45 millones de dólares para democratizar el entrenamiento continuo de modelos de IA
Trajectory anunció este lunes (2 de noviembre) una ronda de financiación de Serie A por 45 millones de dólares, liderada por Sequoia Capital, con participación de NVIDIA, Bessemer Venture Partners y Bain Capital Ventures. La empresa, fundada hace aproximadamente un año por tres compañeros de Stanford con experiencia en Google DeepMind y Apple, alcanzó una valoración de 300 millones de dólares —una cifra que, aunque distante de los 3.250 millones de dólares de su competidora Applied Compute, señala la confianza de los inversores en una capa del stack de IA aún poco explorada: el post-entrenamiento.
El problema que Trajectory busca resolver es un cuello de botella compartido por prácticamente todos los modelos de IA modernos, ya sean producidos por OpenAI, Anthropic o proyectos de código abierto. Los modelos fundamentales no aprenden de sus errores sin entrenamiento adicional. Empresas que adaptan estos modelos para campos especializados —derecho, finanzas, medicina— habitualmente sortean esta limitación mediante ajuste fino (fine-tuning), pero esa práctica requiere equipos de investigación internos o consultores caros, conocidos en el sector como ingenieros implementados (forward-deployed engineers, o FDEs).
"Los modelos fundamentales son como un doctorado muy inteligente que siempre comienza un nuevo trabajo", compara Ronak Malde, cofundador y CEO de Trajectory, en entrevista con TechCrunch. "Pero lo que la economía valora es alguien que ha trabajado en el empleo durante 30 años." La respuesta de la empresa está en lo que llaman "aprendizaje continuo": en lugar de depender de investigadores para crear nuevos modelos desde cero, Trajectory permite que expertos en el dominio —abogados revisando contratos, analistas financieros valorando empresas— alimenten el sistema con comentarios sobre el rendimiento del modelo y lo reentrenen automáticamente.
La plataforma, lanzada públicamente el mismo día del anuncio, permite que los equipos comiencen a partir de un modelo de código abierto, lo conecten a sus aplicaciones y recolecten comentarios sobre cómo el modelo se desempeña en situaciones reales. Una característica central de la plataforma, llamada "Continual Grading" (evaluación continua), pide a los expertos calificar las salidas del modelo en tareas específicas —revisar un tipo particular de contrato legal o valorar una empresa usando una metodología particular— y utiliza esa calificación para ajustar el modelo en rondas de entrenamiento único en producción, usando el algoritmo GS1. Los ingenieros disparan las etapas de re-entrenamiento, manteniendo a los especialistas humanos en el ciclo.
"Lo que mantiene a los humanos en el bucle hace esto más seguro que la auto-mejora completamente autónoma", afirma el cofundador Michael Elabd. "La auto-mejora autónoma podría producir consecuencias indeseadas o incluso peligrosas."
Los clientes ya activos de la plataforma incluyen Harvey (la startup de IA legal fundada por la ex-CTO de OpenAI), Rogo, Decagon, Mercor y la propia Nvidia —una lista que señala una tracción significativa en un mercado aún incipiente. La empresa, con 18 empleados, también reclutó investigadores y diseñadores de producto de OpenAI, Stripe y Netflix, lo que refuerza la tesis de que la interfaz de usuario es la verdadera diferencia.
"¿Por qué el diseño importa tanto para una empresa enfocada en entrenamiento de IA?" pregunta Arjun Karanam, tercer cofundador. "Desarrollamos una interfaz que hace el post-entrenamiento accesible para nuestros clientes no técnicos. La interfaz es el puente entre expertos que saben qué es 'bueno' y los modelos que necesitan aprender."
El mercado de post-entrenamiento está cada vez más disputado. Thinking Machines Lab, fundada por la ex-CTO de OpenAI Mira Murati y desarrolladora de la plataforma de ajuste fino Tinker, es una competidora directa. Applied Compute, que alcanzó una valoración de 3.250 millones de dólares apenas el mes pasado, y Prime Intellect, que ayuda a empresas a construir y entrenar sus propios agentes de IA, completan el escenario competitivo.
La participación de Nvidia en la ronda es particularmente reveladora. La empresa ha invertido consistentemente en startups de infraestructura de IA cuyos productos expanden el número de cargas de trabajo adecuadas para sus chips —no solo para entrenamiento de pre-entrenamiento masivo, sino también para ajuste fino. Como observa Value Add VC, Nvidia "ha tomado cada vez más participaciones accionarias en startups de infraestructura de IA cuyos productos amplían el número de workloads adecuadas para sus chips, un patrón también visible aquí."
La ronda sigue a una Serie S de 15 millones de dólares anunciada en mayo de 2026, cuando Trajectory se presentó como una empresa de investigación y productos enfocada en aprendizaje continuo. Con los nuevos 45 millones de dólares, la empresa tiene ahora 60 millones de dólares en financiamiento total y un equipo de 18 personas para escalar la plataforma.
Lo que hace a Trajectory particularmente interesante es el momento en que llega: en un mercado saturado de capital para foundation models, el dinero se está desplazando hacia la infraestructura debajo de la capa de pre-entrenamiento. Los 3.250 millones de dólares de Applied Compute son la señal más clara de esto, pero la propia Sequoia, al liderar la ronda de Trajectory, está apostando a que la próxima gran innovación en IA no vendrá de modelos más grandes, sino de modelos que aprenden mejor —y más rápido— con los comentarios de los usuarios finales. "Toda empresa construyendo sobre IA está enfrentando facturas crecientes de tokens, y los modelos aún pierden contexto crítico", dice el sitio de la empresa. "La mejor IA no vendrá solo de investigadores en laboratorios —vendrá de los expertos más cerca del trabajo."
La pregunta que queda: en un mercado donde Applied Compute vale 3.250 millones de dólares y Thinking Machines Lab tiene el respaldo del nombre de Mira Murati, ¿podrá Trajectory defender su posición con solo 18 empleados y 60 millones de dólares? ¿O la próxima ola de inversión en IA continuará empujando el dinero hacia arriba, hacia los foundation models, mientras el post-entrenamiento permanece como un nicho para startups más pequeñas?
Fuentes: TechCrunch, Runtime Wire, Value Add VC
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
