Trajectory levanta $15M: IA que aprende en tiempo real

Qué es Trajectory y por qué está captando atención

15 millones de dólares es la cifra que acaba de levantar Trajectory, una startup fundada por exinvestigadores de Google DeepMind, Apple, OpenAI y Meta. No es una ronda gigante comparada con los 890 millones de euros de AMI Labs (Yann LeCun, 2026), pero el equipo detrás explica por qué el mercado está prestando atención.

Los founders son Ronak Malde (ex Google DeepMind y Windsurf), Arjun Karanam (ex Apple, vinculado a Vision Pro) y Michael Elabd (ex Google DeepMind en robótica). El respaldo incluye nombres como Jeff Dean y Fei-Fei Li, dos figuras que rara vez aparecen en rondas early sin conviction profunda en la tesis técnica.

Ya están trabajando con clientes como Decagon, Clay y Harvey, tres empresas que operan en sectores donde los errores de IA tienen coste real: soporte automatizado, go-to-market y legal tech.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

El problema que Trajectory busca resolver

Los modelos de IA actuales tienen una limitación estructural: se entrenan, se despliegan y se congelan. Cuando el entorno cambia —nuevos productos, políticas actualizadas, comportamiento de usuarios distinto— el modelo sufre model drift y su precisión se degrada hasta el próximo reentrenamiento, que puede tardar semanas o meses.

Para un founder que vende IA B2B, esto se traduce en:

Clientes que reportan errores recurrentes que ya fueron corregidos manualmente
Ciclos de mejora lentos que impactan retención
Costes operativos altos en mantenimiento y retraining

Trajectory propone que el modelo aprenda de manera continua a partir de interacciones reales, corrigiendo errores en tiempo real sin esperar ciclos de entrenamiento masivos.

Cómo funciona el aprendizaje continuo en la práctica

El continuous learning o aprendizaje continuo no es un concepto nuevo en investigación, pero su aplicación comercial está madurando en 2026. La propuesta de Trajectory se basa en:

Usar modelos de código abierto adaptados a necesidades específicas del cliente
Reentrenar periódicamente a partir de fallos detectados durante el uso diario
Convertir feedback humano en señales de mejora sin romper el sistema

La clave no es que el modelo "aprenda solo" sin control —eso introduciría riesgos de catastrophic forgetting o sesgos acumulados— sino crear un bucle estructurado: observación → corrección → redeploy.

Esto es especialmente valioso en flujos con alta variabilidad: soporte al cliente, ventas, CRM, operaciones legales o robótica, donde cada interacción genera datos que pueden mejorar el sistema.

Qué significa esto para tu startup

Si estás construyendo un producto con IA o evaluando incorporar modelos de lenguaje, hay tres lecciones concretas de este movimiento:

1. La ventaja defensible ya no es solo el modelo base

GPT-5, Claude o Llama son accesibles para todos. Lo que diferencia productos es el bucle de datos: cómo capturas feedback, cómo lo conviertes en mejora y qué tan rápido cierras ese ciclo. Trajectory compite en esa capa, no en la capa base.

2. Piensa en mejora continua, no en perfección inicial

Lanzar con 80% de precisión y mejorar semanalmente suele ser mejor estrategia que esperar 6 meses para lanzar con 95%. Los clientes B2B valoran ver progreso medible más que promesas de "IA perfecta".

3. Acciones concretas para implementar ahora:

Audita tu bucle de feedback: ¿Cuánto tarda un error reportado por un cliente en convertirse en mejora del producto? Si es más de 2 semanas, hay oportunidad.
Instrumenta métricas de error por caso de uso: No basta con "precisión del modelo". Mide errores por tipo de tarea, por cliente, por flujo.
Evalúa si tu producto necesita personalización por cuenta: Si cada cliente tiene workflows distintos, un modelo que aprende por cuenta puede justificar pricing premium.
Considera modelos open-source adaptados: Para muchos casos B2B, un Llama o Mistral fine-tuneado con tus datos específicos rinde mejor que APIs genéricas costosas.

Competidores y contexto del mercado 2026

El espacio de IA con aprendizaje continuo está fragmentado. No hay un ganador obvio todavía, pero hay tres capas donde compiten las startups:

Capa 1: Startups de aprendizaje en producción

Trajectory es el ejemplo más claro. Su tesis es que el valor está en la adaptación continua, no en el modelo base.

Capa 2: Laboratorios de IA general

AMI Labs (Yann LeCun) levantó 890 millones de euros en marzo de 2026 para construir IA que entienda el mundo físico. No es continuous learning explícito, pero apunta a modelos más robustos y adaptables.

Capa 3: Agentes y automatización

Empresas que construyen agentes para flujos específicos (soporte, ventas, legal) pueden beneficiarse de telemetría y aprendizaje de uso, aunque no siempre lo venden como aprendizaje continuo.

Lectura de mercado para founders:

Los modelos estáticos siguen dominando la capa base por coste, control y previsibilidad
El valor de startup más fuerte se mueve hacia la capa de adaptación: personalización, memoria, feedback loops
En B2B, el comprador paga por mejoras medibles en operación, no por promesas abstractas
En sectores regulados (legal, salud, finanzas), el aprendizaje continuo tendrá adopción más lenta por auditoría y riesgos de regresión

El dato de contexto: en 2025, el 48% de la financiación total de ciertos fondos fue a empresas de IA, y las startups del sector recaudaron casi 200.000 millones de euros el año anterior. El capital sigue concentrándose fuerte, pero se está moviendo de "modelos grandes" a "sistemas que mejoran con uso".

Riesgos a considerar

El aprendizaje continuo no es una bala de plata. Si estás evaluando esta tecnología para tu startup, ten en cuenta:

Catastrophic forgetting: Un modelo que aprende nuevo contenido puede "olvidar" lo anterior si no se diseña bien
Sesgos acumulados: Feedback ruidoso o mal etiquetado puede degradar el sistema con el tiempo
Auditoría y compliance: En sectores regulados, cada cambio del modelo debe ser trazable y justificable
Coste operacional: Mantener bucles de retraining continuos requiere infraestructura y monitoreo

Por eso empresas como Decagon, Clay y Harvey probablemente usan un enfoque híbrido: aprendizaje continuo controlado, no "el modelo aprende solo sin supervisión".

Conclusión

Trajectory representa una tesis clara: en 2026, el valor en IA se está desplazando de "quién tiene el modelo más grande" a "quién tiene el sistema que más aprende del uso real". Los $15 millones de funding inicial con respaldo de Jeff Dean y Fei-Fei Li validan que hay conviction en esta dirección.

Para founders hispanohablantes, la lección es práctica: si construyes con IA, invierte tanto en tu bucle de feedback como en tu modelo. La ventaja competitiva sostenible en 2026 probablemente no será el LLM que usas, sino qué tan rápido conviertes interacciones de usuarios en mejoras del producto.

¿Estás construyendo con IA y quieres conectar con otros founders que enfrentan los mismos retos? Únete gratis a la comunidad de Ecosistema Startup, donde compartimos casos reales, datos de funding y estrategias de founders en LATAM y España que ya están escalando con IA.