Raindrop, la startup que vigila agentes de IA, levanta US$35M

Raindrop vigila a los agentes de IA: qué hace y por qué importa

Raindrop cerró el 17 de septiembre una Serie A de US$35 millones liderada por CRV, según reportó Axios y recogió FomoEra. La operación eleva el financiamiento total de la compañía a US$50 millones y reune a los inversores previos Lightspeed Venture Partners e Y Combinator, junto a investigadores de OpenAI, Anthropic y Thinking Machines que participaron a título personal. La compañía también cuenta con el respaldo de Figma Ventures y Vercel Ventures.

Con sede en San Francisco y fundada por Zubin Koticha, Ben Hylak y Alexis Gauba, Raindrop se enfoca en un punto ciego de la nueva economía de agentes: las fallas silenciosas. A diferencia del software tradicional, que falla con pantallas de error o stack traces, un agente falla "haciendo lo incorrecto de forma convincente, a gran escala, hasta que alguien lo nota", en palabras del propio Koticha. La plataforma lee las trayectorias de los agentes ya en producción y marca lo que llama anomalías semánticas: respuestas alucinadas, herramientas usadas donde no debían, bucles de los que el agente no sale y cambios de conducta que aparecen tras una actualización del modelo subyacente. Cuando el comportamiento cambia, los equipos de ingeniería ven qué cambió, cuándo empezó y a qué usuarios afectó, con cientos de ejemplos reales adjuntos.

Entre los clientes confirmados están Vercel, Framer y Clay, además de empresas Fortune 100 y Fortune 500 en sectores como salud y logística. Bani Singh, ingeniero de IA en Vercel, resumió el caso de uso: "Si tenemos un problema como un fallo de build o agentes atrapados en un bucle, vemos ese problema en Slack", reportó The Next Web.

🤖 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

Simulations: probar antes de desplegar

Junto con la ronda, Raindrop presentó Simulations, actualmente en vista previa de investigación. La idea es mover el cerco de detección de fallas del después al antes: en lugar de esperar a que un cambio rompa algo en producción, la herramienta reproduce tráfico real y los casos de prueba existentes contra un cambio propuesto en la estructura del agente y luego aplica la misma detección de anomalías sobre el resultado.

La promesa, en palabras de la compañía, es que un ingeniero pueda ver qué va a cambiar su cambio antes de publicarlo. Raindrop sostiene que es la primera vez que compañías externas tienen acceso al mismo proceso de prueba que usan los grandes laboratorios: cita que OpenAI publicó investigación sobre simulación de despliegues (regenerar respuestas a conversaciones de producción anonimizadas con un modelo candidato para anticipar su comportamiento antes del lanzamiento) y que Anthropic construye "universos sintéticos" para estresar a sus agentes. La propia compañía lo describe como llevar "el proceso de prueba que usan los laboratorios frontier a cualquier equipo que construya agentes".

El movimiento no es trivial. El grupo de investigación METR estimó que la duración de las tareas que un agente puede completar por sí solo, con una fiabilidad del 50%, se ha duplicado más o menos cada siete meses desde 2019, y una sola ejecución puede durar días y encadenar miles de llamadas a herramientas. Reid Christian, socio general de CRV, lo enmarcó así: "Los agentes son fundamentalmente distintos del software tradicional. Son muy capaces, autónomos y no deterministas". Para CRV, el enfoque es el mismo que aplicaría una empresa de ciberseguridad: tratar la falla del agente como un problema de detección.

El mercado de observabilidad de agentes se llena de dinero y de competencia

Raindrop no está sola. La categoría de observabilidad y fiabilidad de agentes de IA se está consolidando como una capa de infraestructura propia, con capital fluyendo hacia ella en los últimos meses:

Braintrust, plataforma de observabilidad, levantó una Serie B de US$80 millones en febrero, según recogió FomoEra.
Galileo, rival directo de Raindrop, fue adquirida por Cisco e integrada a Splunk, que desde agosto vende el producto como Splunk Agent Observability. Tras la integración, Cisco amplió la suite con tokenomics, que permite rastrear el uso de tokens, costes y productividad por equipo o usuario en herramientas como Claude Code o Codex, según reportó SDxCentral.
groundcover levantó US$100 millones en julio para construir observabilidad pensada para la era de la IA, según The Next Web.
Scaled Cognition captó US$100 millones de Khosla en junio para agentes fiables, también según The Next Web.
Harvey compró Guardrails AI este mes, de acuerdo con la misma fuente.

La presión competitiva ya viene también de los incumbents. Datadog ofrece Agent Observability, Agent Console, Data Observability, GPU Monitoring y AI Guard, y supera los 750 clientes de IA en su plataforma, incluyendo a los 10 principales líderes del sector, según Yahoo Finance. CrowdStrike compite con su plataforma Falcon, AgentWorks y Falcon Shield, cuyo ARR creció más del 185% interanual en el segundo trimestre del año fiscal 2027, de nuevo según Yahoo Finance.

Bucky Moore, socio de Lightspeed, lo resumió con una tesis clara: a medida que los agentes entran en terrenos de alto riesgo como defensa, salud o finanzas, el "mal comportamiento" pasa de ser una molestia a volverse catastrófico. Un año después de la semilla (una ronda de US$15 millones liderada por Lightspeed en diciembre de 2025), empresas Fortune 100 ya corren Raindrop sobre el tráfico de sus agentes.

Qué significa esto para tu startup

Si tu producto depende de agentes de IA en producción, esta ronda confirma una tendencia que ya toca al bolsillo: la observabilidad del agente deja de ser opcional y se vuelve parte del precio de entrada. Varios founders hispanohablantes en SaaS, fintech y healthtech están migrando de demos con prompts a flujos agentic que tocan APIs, bases de datos y datos sensibles de clientes. Lo que Raindrop está monetizando es exactamente ese miedo: que un cambio de modelo, una nueva tool o un prompt distinto rompa algo en silencio durante horas antes de que un humano lo detecte.

Tres acciones concretas que puedes aplicar esta semana:

Instrumenta las trayectorias desde el día uno. Antes de añadir más features a tu agente, registra cada llamada a herramienta, cada decisión y cada respuesta. Sin ese log, no hay forma de saber qué cambió cuando algo se rompe. Servicios como Langfuse o Helicone ofrecen trazabilidad similar a la de Raindrop sin coste inicial; úsalos aunque planees migrar después.
Mide la duración real de tus tareas agentic y asume la regla del 50%. La curva de METR aplica también a tu producto: cada pocos meses podrás delegar tareas más largas. Pregúntate hoy qué procesos de negocio s de tu cliente estás dispuesto a dejar en manos del agente durante horas sin supervisión, y cuáles todavía requieren un humano en el bucle.
Trata cada pull request del agente como un cambio de comportamiento. Aunque no adoptes Simulations, replica su lógica en pequeño:cada fusión de cambios en prompts, tools o modelos debería correr contra un set fijo de casos reales anonimizados para detectar regresiones. La diferencia entre un eval que solo mide lo que ya anticipabas y un detector de anomalías semánticas es, justamente, lo que Raindrop está vendiendo.

La lección de fondo: la próxima década de productos con IA no se va a jugar solo en quién tiene el mejor modelo, sino en quién tiene la mejor infraestructura para que ese modelo falle en silencio lo menos posible. Y ese mercado, como muestran los números, ya tiene dinero serio detrás.