42AI sale del sigilo con US$62,5M para predecir conducta

42AI sale del sigilo con US$62,5M y ya factura en siete cifras

La startup israelí 42AI salió del sigilo con US$62,5 millones de financiación semilla y un modelo de inteligencia artificial que estima cómo actuarán las personas en situaciones que todavía no ocurrieron. El dato que más debería llamar la atención de un founder no es el monto, sino que la empresa ya tiene clientes pagando: según SiliconANGLE, trabaja con 10 grandes casas de corretaje y su facturación alcanzó las siete cifras, aunque el CEO no dio una cifra exacta.

El director ejecutivo y cofundador, Amit Gal-Or, explicó a TechCrunch que el capital provino de los fundadores y de Infinity Group a lo largo de tres años, no de una ronda íntegramente externa. Amir Gal-Or, padre del CEO, fundó Infinity y preside 42AI.

¿Qué es un "modelo de mundo conductual" y en qué se diferencia de un chatbot?

Un modelo de lenguaje aprende de texto y responde a partir de lo que le pides. 42AI apunta a otra cosa: entrenar sobre decisiones y acciones reales, no sobre palabras. La compañía llama a su sistema modelo de mundo conductual y, en lugar de dar una respuesta única, asigna probabilidades a distintas decisiones bajo circunstancias específicas.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

"La conducta no es determinista; es constantemente probabilística", resumió Gal-Or. La traducción para un negocio: el sistema no promete adivinar qué hará una persona, sino estimar los escenarios posibles y su peso relativo.

Según Unite.AI, el enfoque combina características individuales, circunstancias cambiantes y comportamiento previo, y convierte esas observaciones en representaciones matemáticas de rasgos que alimentan un modelo transformer. Un modelo de lenguaje aparte se encarga de explicar qué rasgos y qué contexto empujaron cada predicción. La empresa reporta tiempos de respuesta de 1 a 10 milisegundos para el modelo de mundo y de 2 a 12 milisegundos para el modelo conductual grande, según su propio sitio.

La cifra del 98 %: qué mide realmente

42AI afirma que su sistema alcanza un 98 % de precisión al pronosticar operaciones en los mercados. Es la cifra que más se va a citar y la que más se va a malinterpretar.

Gal-Or aclaró a TechCrunch que ese porcentaje mide si los flujos de operaciones caen dentro de un rango previsto, no si el modelo acierta cada transacción individual. El reportaje no precisa la amplitud de esos rangos ni el tamaño de la prueba usada para calcular el porcentaje. Unite.AI lo dice sin rodeos: la cifra es una afirmación de la empresa y el anuncio no aporta suficiente detalle sobre el cálculo, las líneas base de comparación ni los datos de validación para evaluarla de forma independiente. Además, predecir la conducta de un operador no es lo mismo que predecir el precio de un activo ni demuestra una estrategia de inversión rentable.

Hay un dato complementario que sí es más útil para calibrar el sistema: Gal-Or reportó puntajes F1 de 0,8 a 0,85 para dirección y volumen de operaciones, según Unite.AI. El F1 mide cómo un modelo de clasificación equilibra los aciertos contra las falsas alarmas y los eventos que se le escapan.

Una prepublicación relacionada, pero con otro alcance

Una prepublicación de febrero de 2026, firmada entre otros por el director tecnológico y cofundador de 42AI, Ehud Ezra, describe la evaluación de otro sistema: el Large Behavioral Model. Los autores usaron perfiles psicológicos y respuestas a escenarios para probar si el modelo podía anticipar decisiones en situaciones que no había visto durante el entrenamiento.

El equipo reconoce que su muestra estaba formada por voluntarios y que parte de los datos procedía de recuerdos o situaciones hipotéticas, que pueden diferir de las acciones reales. Esa investigación examina una tarea y un modelo distintos: no es una validación de la cifra del 98 % comunicada para los flujos financieros. Vale la pena tenerlo presente cada vez que alguien cite el paper como respaldo del número comercial.

De dónde salen los datos y dónde está el riesgo

Para las aplicaciones financieras, Ezra explicó a TechCrunch que el sistema analiza interacciones como el registro de un cliente, transferencias, operaciones y llamadas de atención. Según Unite.AI, entre las señales examinadas están el sentimiento, la voz, la frecuencia de llamadas y el momento de las compras y ventas.

Gal-Or aseguró que el modelo no necesita información que identifique directamente a una persona y que "el modelo nunca sabe quién es la persona". Aun así, TechCrunch señaló que la actividad vinculada de cada cliente permite construir perfiles individuales. El propio CEO reconoció otro límite: el sistema no puede conocer todo lo que vive una persona. Un consejo de un amigo podría cambiar su decisión sin aparecer en los datos, y eso impone un techo natural de precisión.

El medio también preguntó qué impediría que una casa de corretaje usara esos perfiles en perjuicio de sus clientes. Ezra calificó la inquietud como "una preocupación válida". Los fundadores mencionaron regulación, supervisión y un comité interno de ética, pero no explicaron una medida concreta que impidiera ese uso.

Sobre el volumen de entrenamiento, SiliconANGLE reporta que miles de personas completaron evaluaciones psicológicas en el primer estudio y que, al sumar datasets gubernamentales y de biobancos, la muestra superó los 2 millones de personas. Los datos de clientes cubren hoy cerca de 30 millones de personas.

¿Qué significa esto para tu startup?

El caso de 42AI deja tres lecciones que aplican más allá de las finanzas.

1. Los datos propietarios de comportamiento son el activo, no el modelo. Cualquiera puede ajustar un modelo abierto: el paper de 42AI parte de una versión de 8.000 millones de parámetros de Llama 3.1 de Meta, según SiliconANGLE. Lo difícil de replicar es el corpus de decisiones reales con su contexto. Si tu producto genera interacciones transaccionales —pagos, reservas, soporte, uso de software—, pregúntate qué señal de conducta estás guardando y si podrías convertirla en una ventaja defendible.

2. Vende el resultado operativo, no el asombro tecnológico. 42AI no le vende a la casa de corretaje "una IA que entiende personas". Le vende visibilidad anticipada de exposición y cobertura dinámica: si muchos clientes parecen ir hacia la misma operación, la mesa de riesgo puede cubrirse antes de que la exposición llegue a su libro. Según SiliconANGLE, una correduría obtuvo cerca de US$30 millones en valor adicional mediante cobertura dinámica, siempre según el relato de la compañía. Traduce tu tecnología a una métrica que el cliente ya mide: riesgo, costo, tiempo o ingreso.

3. Modela la incertidumbre, no la certeza. Un sistema que devuelve probabilidades y explica por qué las asigna es mucho más defendible ante un cliente enterprise que uno que da una respuesta tajante. Si tu producto hace predicciones, entrega el rango y la explicación: eso reduce la fricción de adopción y te protege cuando el resultado no se cumple.

Acciones concretas para esta semana:

Audita tus datos de conducta. Lista qué eventos de tus usuarios registras hoy y cuáles descartas. Un modelo conductual necesita acciones fechadas y contextualizadas, no solo formularios de alta.
Define tu métrica de precisión antes de prometerla. Si vas a comunicar un porcentaje, especifica qué mide exactamente y contra qué línea base. La ambigüedad del 98 % de 42AI es justamente el flanco por el que le están pegando.
Escribe tu política de uso antes de tener el primer cliente grande. El punto sin resolver de 42AI —qué impide que un cliente use los perfiles contra las personas perfiladas— es el que va a aparecer en tu próxima due diligence, sobre todo si vendes en Europa o a clientes regulados.

El contexto de mercado

El monto coloca a 42AI en una categoría que los inversionistas empiezan a tratar como propia: modelar el comportamiento humano como un problema de predicción empresarial, no como una función añadida a un chatbot. La pregunta abierta es la de siempre: de dónde salen los datos y bajo qué términos. La compañía no detalló sus fuentes de datos, y tampoco anunció lanzamientos públicos de producto ni alianzas de clientes más allá de las corredurías mencionadas.

Los próximos mercados que explora son videojuegos, prevención de fraude y ciberseguridad, con un objetivo de más largo plazo: que robots y agentes de IA usen el modelo para entender a las personas. Cada nuevo dominio exige entrenamiento sobre sus propias reglas y contexto, y la empresa planea levantar más capital. Como resume Gal-Or, la conducta es probabilística. Por ahora, también lo es el éxito de 42AI.