Mercor, datos para IA, levanta US$750M a US$20B

Mercor levanta US$750M y duplica su valoración en un año

Mercor anunció el 10 de noviembre de 2026 una Serie D de US$750 millones a una valoración de US$20.000 millones. La compañía con sede en San Francisco pasó de una valoración de US$10.000 millones a esta cifra en apenas un año, según reportó SiliconANGLE.

La ronda tuvo un detalle poco habitual: no hubo un inversor líder nombrado. En su lugar, entraron capitales corporativos de Nvidia, Salesforce y Zoom, junto a los inversores que ya venían del round anterior como Benchmark, Felicis y General Catalyst. También participaron Fundomo, G Squared, Glade Brook Capital, Sapphire Ventures, StepStone Group, XTX Ventures y fondos gestionados por afiliadas de Apollo.

Para un founder que sigue el mercado de IA, la señal es clara: el dinero ya no solo financia modelos fundacionales, también financia la infraestructura que hace que esos modelos funcionen dentro de una empresa real.

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 →

¿Qué hace Mercor exactamente?

La forma corta: vende expertise humano para entrenar y evaluar IA. La compañía opera una red de más de 5 millones de expertos de dominio que revisan, corrigen y evalúan el desempeño de modelos y agentes, según el comunicado recogido por Yahoo Finance.

La forma larga es más interesante. Mercor construye dos cosas para cada cliente:

Evaluaciones a medida (evals): benchmarks privados que miden si un agente completa bien las tareas de esa empresa en particular, y a qué costo.
Post-training: una vez que existe ese benchmark, se usa como punto de partida para adaptar el modelo a los sistemas, políticas y casos límite de la compañía.

Adarsh Hiremath, co-CEO de la empresa, lo explicó con precisión: un modelo puede sacar un gran puntaje en un benchmark público y aun así fallar «en los sistemas, las políticas y los casos límite que definen cómo opera un negocio específico».

Mercor no partió de cero en ese terreno. Sus clientes históricos fueron los laboratorios de IA de frontera, y en 2026 la compañía compró Deeptune, una startup de Nueva York cuyo equipo pasó dos años recreando cientos de aplicaciones empresariales como entornos de práctica para agentes de IA, según SiliconANGLE. También opera APEX, una serie de benchmarks públicos sobre tareas profesionales con valor económico.

De US$1.000M a US$3.000M de facturación en nueve meses

El dato que mejor explica por qué los inversores aceptaron un salto de valoración tan agresivo es la velocidad de ingresos. Según el análisis de Latent Space, Mercor cruzó los US$1.000 millones de ingresos anualizados en febrero y los US$2.000 millones en junio, y hoy está en US$3.000 millones anualizados.

Eso significa que la compañía sumó alrededor de US$1.000 millones de run-rate en menos de cinco meses. Para ponerlo en perspectiva: la Serie C de octubre de 2025 fue de US$350 millones liderada por Felicis a una valoración de US$10.000 millones, de acuerdo con SiliconANGLE. Es decir, el negocio pasó de valorarse en US$10.000 millones a US$20.000 millones mientras multiplicaba su facturación por tres.

Un detalle relevante para empleados del sector: la operación incluyó una oferta de compra de acciones de empleados (tender offer), y la compañía no precisó cuánto del total corresponde a capital nuevo y cuánto a esa compra, según el mismo reporte de SiliconANGLE.

La apuesta que viene: de los laboratorios a la empresa promedio

El verdadero giro estratégico de esta ronda no es el monto, es el cliente objetivo. Hasta ahora los compradores principales de datos con expertise humano eran los laboratorios de frontera. La tesis que Mercor está vendiendo a los inversores es que eso va a cambiar.

Jai Das, cofundador de Sapphire Ventures, lo planteó así en el comunicado: a medida que los modelos abiertos se vuelvan lo suficientemente buenos para construir sobre ellos, cada empresa va a querer evaluar y entrenar agentes sobre su propio trabajo.

El argumento de tamaño de mercado que usa la compañía apunta en la misma dirección. En palabras del propio análisis de Latent Space: «solo en Estados Unidos hay más de 800 ocupaciones distintas, cada una con flujos de trabajo que los modelos todavía no han sido evaluados a resolver». Si cada una de esas ocupaciones necesita su propio agente evaluado, el mercado potencial no son las decenas de laboratorios que hoy compran datos, sino las empresas de todos los sectores.

Vale la pena mirar el contexto competitivo: el propio medio que cubrió la ronda señala que Handshake AI es uno de sus competidores en el negocio de proveer datos para IA, y que ya hizo un análisis profundo sobre esa empresa.

El dato que más debería importar a un founder

Hay una cifra en esta historia que casi no tiene que ver con Mercor y que deberías leer dos veces.

Según PYMNTS, el CEO Brendan Foody afirmó que la compañía gasta tres veces más en inferencia que en salarios de empleados. Su justificación: ese gasto se paga solo porque hace que el equipo trabaje mejor. El análisis de Latent Space va más lejos y plantea que, si esa proporción se mantiene a medida que la IA se expande por el resto de la economía, apuntaría a un crecimiento del PIB de dos dígitos en los próximos cinco años.

Esa extrapolación es una opinión, no un dato. Pero la relación concreta —3x en inferencia sobre salarios— sí es verificable y es una de las métricas más útiles que puede mirar un equipo que ya usa IA a diario.

¿Qué significa esto para tu startup?

1. Calcula tu propia relación inferencia/salarios y actúa sobre ella. Si hoy gastas mucho menos en tokens que en nómina, probablemente estés subutilizando los modelos. Si gastas mucho más y no puedes explicar qué mejora concreta produjo ese gasto, tienes un problema de medición, no de tecnología. La métrica de Mercor es útil porque es simple: cada peso en inferencia debería tener una mejora atribuible en la productividad del equipo.

2. No uses un benchmark público para decidir si despliegas un agente. El argumento central de Mercor aplica igual a una startup de 10 personas que a una Fortune 500: un modelo puede brillar en una prueba genérica y fallar en tus casos límite. Antes de poner un agente a atender clientes o tocar tu base de datos, arma una lista corta de 20 a 50 tareas reales de tu operación, con sus excepciones, y pruébalas. Ese es tu eval, y es más valioso que cualquier leaderboard.

3. Mira el expertise vertical como activo, no como costo. El negocio de Mercor se sostiene sobre 5 millones de especialistas de dominio. Si tu equipo tiene conocimiento profundo de un sector regulado —salud, legal, seguros, logística— ese conocimiento es exactamente lo que hace que una eval sea buena. Puede ser tu diferenciador frente a quien solo tiene acceso a un modelo de propósito general.

El contrapunto: la demanda enterprise todavía no está madura

Conviene no dejarse llevar por el entusiasmo de la ronda. Los datos de PYMNTS Intelligence sobre adopción empresarial son mucho más sobrios: el 64% de los líderes de IA describe sus retornos hasta ahora como muy positivos, pero el 66% espera que los retornos completos tarden al menos tres años.

Además, nueve de cada diez empresas puntúan por debajo de 25 sobre 100 en el índice de agentes de esa consultora, y más de la mitad de los ejecutivos dice que las personas, los procesos y la cultura frenan la IA más que la tecnología en sí.

Ahí está la tensión real de esta ronda: Mercor está valorada en US$20.000 millones apostando a que cada empresa del mundo va a necesitar evals y post-training propios, mientras que la mayoría de esas empresas todavía no logra que sus primeros agentes funcionen de punta a punta. Si esa brecha se cierra, la apuesta se paga. Si no, es la definición de estar adelantado al mercado.