AfterQuery: US$3.200M en 5 meses entrenando IA con expertos

AfterQuery pasa de US$300M a US$3.200M en cinco meses: qué hay detrás del salto

La startup AfterQuery cerró una ronda que la valuó en US$3.200 millones, apenas cinco meses después de haber anunciado su Serie A de US$30 millones a una valuación de US$300 millones en abril de 2026, según reportó Forbes y confirmó TechCrunch. Es un salto de más de 10x en menos de seis meses, suficiente para que el合伙人 de Y Combinator Gustaf Alströmer la considere el unicornio más rápido en la historia del acelerador.

Los fundadores, Spencer Mateega (23 años) y Carlos Georgescu (22 años), pasaron por el cohort Winter 2025 de Y Combinator hace apenas 18 meses. La empresa es rentable y ya tiene un inversionista líder comprometido para la nueva ronda, según fuentes citadas por Forbes.

Lo diferencial no es el volumen de datos, sino qué tipo de dato vende: razonamiento humano codificado por profesionales.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Qué hace AfterQuery y por qué no es «otra empresa de labeling»?

AfterQuery forma parte de la nueva camada de startups de datos para IA que, según TechCrunch, siguen la estela de Mercor y Scale AI: contratan profesionales del conocimiento —médicos, abogados, analistas financieros, ingenieros de software— para entrenar modelos. La diferencia, según Mateega, está en el objetivo del entrenamiento.

Mientras Mercor se apoya en grandes pools de contractors seleccionados por una entrevista de IA, AfterQuery construyó sistemas de software propios para validar la calidad del dato humano antes de entregarlo. El dato se filtra para caer en un rango «Goldilocks»: lo bastante difícil para desafiar a modelos frontier, pero no tanto como para bloquearlos. Además, la empresa entrena internamente un modelo con ese dato y mide la mejora en benchmarks antes de venderlo, algo que, según Forbes, «sus pares no hacen».

Entre los clientes confirmados están Nvidia (en whose Nemotron se usó el trabajo de AfterQuery), Thinking Machines Lab (la firma de la ex CTO de OpenAI, Mira Murati), la legaltech sueca Legora y el laboratorio coreano Motif Technologies. Tras la Serie A de abril, el fundador publicó en X que el ARR recurrente ya estaba en «cientos de millones», partiendo de los US$100 millones reportados en abril.

El boom de los datos «de razonamiento»: contexto del sector

AfterQuery no opera sola. El sector de datos de entrenamiento se está consolidando como uno de los verticales más calientes de 2026:

Mercor superó un ARR bruto de US$2.000 millones en junio de 2026 y está en negociaciones con Nvidia para una ronda a una valuación cercana a US$20.000 millones, según reportó Blockonomi. Sus clientes incluyen OpenAI, Google DeepMind y Anthropic. La empresa fue fundada en 2023 por tres universitarios que abandonaron la carrera, y sus fundadores superaron a Alexandr Wang como los billionaire más jóvenes del sector en octubre de 2025.
Micro1 pasó de un ARR bruto de US$100 millones a US$500 millones en ocho meses, según fuentes citadas por TechCrunch. Su fundador, Ali Ansari, asegura que la empresa no vende datos a desarrolladores chinos de modelos, una posición que la diferencia de varios competidores.
Surge AI reportó US$1.200 millones de revenue en 2024, según un reporte sectorial citado por CryptoBriefing, y mantiene contratos con el Pentágono y con laboratorios chinos.
Scale AI convirtió a Alexandr Wang en el primer billionaire del sector en 2021, cuando tenía 24 años. Sigue siendo uno de los actores más grandes del espacio.

El denominador común: los modelos frontier ya consumieron casi toda la web y los datos sintéticos tienen límites. Lo que falta es razonamiento humano verificable en dominios especializados, y por eso loslabs están dispuestos a pagar premiums enormes.

¿Por qué importa a los founders hispanohablantes?

El caso AfterQuery es relevante para founders en LATAM y España por tres razones concretas.

Primero, redefine qué es «data moat». Si tu startup vende IA en sectores regulados (salud, legal, finanzas, manufactura), el cuello de botella ya no es acceso a GPU o al modelo base: es datos de razonamiento de profesionales verificables. Si tu producto necesita responder como un abogado mexicano o un analista financiero colombiano, necesitas construir (o comprar) datasets que codifiquen ese juicio profesional. No basta con fine-tuning genérico.

Segundo, valida el modelo «razonamiento como servicio». La tesis de AfterQuery —entrenar a los agentes de IA para que operen como profesionales reales en lugar de solo responder preguntas correctamente— se puede replicar en mercados más chicos. Un founder en Madrid o Ciudad de México que entienda un nicho profesional vertical (compliance regulatorio, tributación LATAM, due diligence legal) tiene una ventana abierta para construir un dataset propio o un marketplace de expertos que se lo venda a los grandes labs.

Tercero, señala dónde está el capital. Las valuaciones explosivas del sector atraen a fondos sequía a buscar la próxima Scale o Mercor. Los founders hispanohablantes que construyan infraestructura de datos especializada en español, con expertos locales y casos de uso regulatorios, pueden capturar parte de esa atención. Mercor opera principalmente en inglés; el hueco en español sigue abierto.

Riesgos y cosas que mirar

El crecimiento del sector viene con sombras. CryptoBriefing reportó que empresas estadounidenses de labeling facturan cerca de US$500 millones anuales a los seis principales laboratorios chinos de IA, mientras sirven simultáneamente al Pentágono. AfterQuery es una de las compañías que trabaja con laboratorios chinos, según Forbes, a diferencia de Micro1. Los contratos con clientes vinculados a la estructura militar china —Tencent está designado por el Pentágono como empresa militar china— podrían generar presión regulatoria en Washington.

Para founders que venden datos o servicios a modelos frontier, conviene anticipar este tipo de escrutinio. Construir una política clara de clientes y mantener trazabilidad de qué datos van a qué cliente puede ser una ventaja competitiva en los próximos 12 meses.

¿Qué significa esto para tu startup?

Audita el «razonamiento» de tu producto. Si tu IA responde preguntas pero no toma decisiones profesionales consistentes, tu diferencial se evapora rápido. Invierte en capturar el juicio de tus mejores usuarios y codifícalo en datos de entrenamiento propios.
Construye en tu idioma, en tu regulación. El sector está dominado por empresas angloparlantes. Hay una oportunidad concreta para founders hispanohablantes que entiendan dominios regulados locales: salud, fiscalidad, derecho mercantil por país. El dato en español con contexto regulatorio local es escaso y caro.
Piensa en datos como activo vendible. Si tu startup genera datos de interacción de alta calidad con profesionales, ese activo puede tener un segundo mercado: venderlo a loslabs para entrenar sus próximos modelos. Modela tu arquitectura de datos desde el día uno pensando en esa opcionalidad.