Mireye (YC S26): la API que da contexto físico a los agentes de IA

Qué es Mireye y por qué importa para los agentes de IA

Cuando hoy le preguntas a Claude, GPT-5 o Gemini por la elevación de un punto concreto, la respuesta suele ser una estimación honesta pero inútil: "Manhattan tiene elevaciones entre el nivel del mar y unos 50 metros". Mireye, la nueva startup de Y Combinator S26, ataca exactamente ese problema. Su propuesta, según el comunicado oficial recogido por Y Combinator en LinkedIn, es una única API (y un servidor MCP) que conecta a cualquier agente de IA con datos del mundo físico — topografía, inundaciones, líneas eléctricas, catastro, uso de suelo — y devuelve cada valor citado, con fuente, timestamp y nivel de confianza.

La diferencia operativa es brutal: frente a la estimación genérica del modelo, Mireye responde que la elevación en 40.7128, -74.006 es de 13,03 metros sobre el nivel del mar, atribuido a USGS 3DEP y consultado el 2026-07-28. Para un founder que construye agentes aplicados a real estate, seguros, energía o logística, eso convierte semanas de trabajo de analista en minutos.

Qué problema resuelve exactamente

La mayoría de la actividad económica ocurre en el mundo físico, pero los datos que la describen están fragmentados en miles de fuentes — USGS, FEMA, NOAA, USDA, EPA, EIA, FCC, Census, NREL, USFWS, USFS, FHWA, FAA, BTS, USACE, BLM, HUD, FHFA, BLS, NSIDC, Overture, Regrid, JRC, Sentinel-2. Cada una fue construida para humanos que abren un PDF o un portal GIS, no para agentes que llaman a una API.

🤖 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

Mireye resuelve eso con seis endpoints pensados para agentes:

POST /v1/ask: pregunta en lenguaje natural sobre un lugar, devuelve respuesta citada y el plan que ejecutó.
POST /v1/geocode: convierte una dirección en coordenada, con tipo de match (parcela o interpolación) y confianza; rechaza matches dudosos en lugar de adivinar.
POST /v1/lookup: condado, tracto, distrito, zona metropolitana, zona horaria, elevación y estado de inundación en una sola llamada.
POST /v1/fetch: campos tipados por ubicación con fuente, hora de fetch y confianza; permite enviar cientos de puntos en lote sin que una dirección mala rompa el resto.
POST /v1/proximity: distancias punto-a-punto, drive-time a infraestructura curada (aeropuertos, subestaciones, plantas de energía, puertos, áreas urbanas) y áreas de influencia laboral.
POST /v1/field-requests: si un campo no existe en el catálogo, se pide en lenguaje natural; si hay match exacto se entrega al instante, si hay algo cercano se ofrece como candidato, y si no existe se encola un build que vuelve al catálogo para todos los futuros callers.

El catálogo ya viene con presets verticales listos para producción: data center siting (90 campos), solar siting (26), wind siting (26), storage siting (19), grid interconnect (29), flood risk (13), wildfire underwrite (6), site selection (54), entre otros.

Lo diferencial: indexación on-demand

Lo que Y Combinator destacó en su anuncio en LinkedIn es que Mireye es "la primera API de indexación bajo demanda para el mundo físico". Si tu agente pide un campo que no está en el catálogo, un agente long-running de Mireye lo busca, lo ingiere y lo indexa al vuelo, sin humanos en el loop. Una vez indexado, queda disponible para todos los futuros callers. Es el equivalente a pasar de un índice estático a un índice que crece con cada pregunta.

Según los datos compartidos por Y Combinator, Mireye ya cubre más de 300 campos que crecen un 20 % semana a semana, y sus primeros clientes reportan que tareas de análisis que tomaban semanas ahora se completan en minutos, con casos de uso como sourcing de off-market land deals para data centers 100× más rápido.

Quién está detrás

El fundador es Ansh Chokshi. Antes de Mireye vendió su primera empresa, Poker Pit, a los 21 años tras llevarla de cero a US$250K ARR en cuatro meses, y luego lideró ingeniería de AI/ML en Seismic. La biotecnología del equipo es deliberadamente geospatial-first: la tesis es que los modelos son ciegos al mundo físico, y por tanto cualquier producto agéntico serio necesita una capa de datos citada, no alucinada.

Por qué Mireye entra en un mercado caliente

No es la única startup apuntando al physical AI. GeekWire reportó que el ex director de investigación de IA en Meta, Kevin Carlberg, levantó US$10,25 millones de Trilogy Equity Partners y Madrona para Noosphere Labs, una stealth startup de physical intelligence centrada en wearables y simulación para AR/VR. En paralelo, PR Newswire informó que NAVER D2SF participó en una nueva ronda de KRW 15.000 millones en NdotLight, una surcoreana que construye datasets 3D simulation-ready para entrenar robots humanoides y modelos fundacionales de robótica, integrada con NVIDIA Omniverse.

El hilo común: los datos del mundo físico — mapas GIS, registros catastrales, redes eléctricas, feeds satelitales, telemetría de robots — son el cuello de botella del physical AI. Quien normalice esa capa碎片 debajo de una API limpia capturará el mismo rol que Stripe tuvo para pagos o Plaid para finanzas.

Cómo se posiciona frente a alternativas

Hay tres caminos para resolver "dame datos de un lugar":

DIY con APIs públicas: integrar FEMA, USGS y EPA una a una. Es lo que hacía todo el mundo antes; es gratis pero cuesta semanas de ingeniería por vertical y se rompe cada vez que una fuente cambia de esquema.
GIS empresarial tradicional (ArcGIS, Mapbox): potente pero pensado para analistas humanos que abren un mapa, no para agentes que llaman a una API y necesitan trazabilidad.
Mireye: API única para agentes, MCP listo para Claude/GPT/Cursor, citas verificables en cada campo, indexación on-demand y presets verticales curados (data center, solar, seguros, hipoteca).

La diferencia operativa, según los clientes tempranos citados por YC, es días vs. minutos en tareas como site selection, underwriting o due diligence inmobiliario.

¿Qué significa esto para tu startup?

Si estás construyendo un agente que toma decisiones sobre el mundo real, no puedes permitirte un dato alucinado. Una respuesta inventada sobre la pendiente de un terreno o la zona de inundación de una parcela no es un bug: es una demanda judicial esperando a pasar.

Acciones concretas que podés aplicar esta semana:

Audita los datos físicos que consume tu agente hoy. Si tu sistema responde "aproximadamente entre X y Y" cuando le preguntan por elevación, riesgo de inundación o capacidad eléctrica, ya tenés un liability esperando.
Diseña prompts que exijan citación. Pasa de pedir "dame el riesgo de esta propiedad" a "devuélveme flood zone, base flood elevation, fuente, timestamp y confianza". Obligar al modelo a citar lo obliga a buscar, no a inventar.
Piensa en MCP-first, no en API-first. Si tu cliente va a enchufar tu producto dentro de Claude, Cursor o un agente custom, el servidor MCP es la capa de distribución. Diseñá desde el día uno para que tu agente sea invocable desde otros agentes.