AfterQuery: la startup YC más rápida en ser unicornio

Una valuación de US$3.200M en menos de dos años

La startup de datos para inteligencia artificial AfterQuery alcanzó una valuación de US$3.200 millones apenas 18 meses después de pasar por Y Combinator sin un producto ni un plan definido, según reportó Forbes el 1 de septiembre de 2026.

El salto es de más de 10x frente a los US$300 millones en los que la compañía había sido valuada cinco meses atrás, en abril, cuando cerró su Serie A de US$30 millones. Gustaf Alströmer, socio de Y Combinator, describió la operación como la vuelta más rápida de la historia del acelerador desde fundación hasta el estatus de unicornio.

Fundada en febrero de 2025 por Spencer Mateega (23) y Carlos Georgescu (22), antiguos amigos de la escuela, la compañía tiene sede en San Francisco, ya opera con rentabilidad y cuenta con un inversionista principal comprometido, según fuentes citadas por Forbes.

🚀 Antes de buscar capital, valida el negocio

Una comunidad de emprendedores construyendo con IA como apalancamiento — sin humo de startup, con foco en lo que funciona.

👥 Construir en la comunidad

El giro que la llevó de agentes financieros a datos de razonamiento

AfterQuery no empezó en el negocio de los datos. Mateega y Georgescu querían construir agentes de IA para el sector financiero. Al probarlos, detectaron que los modelos más avanzados fallaban en los flujos de trabajo complejos del white-collar: no por su arquitectura, sino por falta de entrenamiento específico.

Ese diagnóstico los llevó a pivotar. En lugar de construir productos sobre IA, se concentraron en capturar las decisiones de especialistas humanos y descomponer su razonamiento paso a paso en áreas como finanzas, ingeniería de software, derecho y medicina.

En abril, Mateega explicó a Forbes que la diferencia con su competidor Mercor está en cómo se valida la información. Mientras Mercor recurre a grandes grupos de contratistas seleccionados por entrevistadores automatizados, AfterQuery desarrolló software propio para verificar los datos generados por expertos humanos.

El proceso busca un equilibrio específico: producir datos lo bastante complejos para desafiar a los modelos más avanzados, pero no tanto como para quedar fuera de su capacidad de aprendizaje. La compañía lo describe internamente como una ventana «Goldilocks» de dificultad.

Por qué los datos de razonamiento humano valen más

El contexto del mercado ayuda a entender la valuación. Los principales laboratorios de IA ya consumieron la mayor parte de la información disponible públicamente en internet para entrenar sus modelos, según Forbes. Los datos sintéticos ofrecen una alternativa, pero tienen límites para tareas complejas.

Eso convirtió al etiquetado de datos especializado – durante años un negocio poco atractivo – en una de las actividades con mayor capacidad para generar valuaciones multimillonarias dentro del ecosistema IA.

El rastro de empresas unicornio lo confirma:

En 2021, Scale AI hizo de Alexandr Wang, entonces de 24 años, el primer multimillonario del etiquetado de datos y el self-made más joven del mundo.
En octubre de 2025, los fundadores de Mercor superaron esa marca con apenas 22 años. Hoy esa compañía mantiene conversaciones con Nvidia en torno a una valuación de US$20.000 millones que prácticamente duplicaría los US$10.000 millones de octubre, según reportó Yahoo Finance citando a The Information.

El propio Nvidia pagó a Mercor decenas de millones de dólares el último trimestre para abastecerse de datos de expertos humanos en dominios legal, financiero y científico, y esa información se integró en los dos lanzamientos más recientes de los modelos Nemotron, según el mismo reporte.

Después de los datos: validar el producto por cuenta propia

Una de las decisiones operativas que distinguen a AfterQuery según Forbes es que la empresa no se limita a entregar los conjuntos de datos para que cada laboratorio los evalúe. Su equipo replica internamente parte del trabajo de investigación: entrena modelos con esa información y mide los cambios de rendimiento en pruebas de referencia (benchmarks) antes de que el cliente la analice.

«Esto es algo que nuestros colegas no hacen: nuestros investigadores crean internamente un proceso posterior al entrenamiento», dijo Mateega a Forbes en abril. «Les mostramos objetivamente a los laboratorios, incluso antes de que analicen nuestros datos, que estos son de alta calidad».

Ese flujo de trabajo busca resolver uno de los problemas concretos del mercado: para los laboratorios que destinan grandes sumas a material de entrenamiento, comprobar la calidad antes de incorporarlo a sus modelos es clave.

Entre los clientes: Nvidia, Murati y laboratorios chinos

La compañía trabaja con varios de los nombres más activos del ecosistema de IA. Forbes confirma que su tecnología formó parte del desarrollo de la nueva familia de modelos Nemotron de Nvidia. También trabajó con Thinking Machines Lab, el laboratorio fundado por Mira Murati, ex directora de tecnología de OpenAI, y con Legora, una startup de IA para el sector legal.

Mateega publicó en X en julio que los ingresos recurrentes de la empresa ascendían a «cientos de millones» de dólares, frente a los US$100 millones de ARR reportados en abril. TechCrunch añadió en su cobertura que entre los clientes también figura la surcoreana Motif Technologies.

A diferencia de varios competidores estadounidenses, AfterQuery mantiene además vínculos de trabajo con algunos laboratorios de IA chinos, según Forbes. El artículo original no precisa cuáles.

Qué significa esto para tu startup

El caso AfterQuery confirma tres tendencias que cualquier founder que trabaje cerca de IA debería tener en el radar:

El «razonamiento humano» es el nuevo cuello de botella. Lo que hace un año era una categoría rara hoy vale US$3.200 millones. Si construyes herramientas para profesionales, la pregunta clave ya no es «qué hace tu modelo» sino «qué datos de razonamiento experto le estás dando».
La velocidad importa más que el tamaño de la ronda. Pasaron de US$300 millones a US$3.200 millones en cinco meses. Para founders de la región, esto refuerza lo que se vio en 2025: capital fluye hacia donde hay tracción real, no hacia donde hay pitch bien armado.
La cadena de valor se está reorganizando. Los datos son ahora infraestructura crítica. Eso abre espacio para startups latinoamericanas y españolas que entiendan dominios verticales (legal, salud, finanzas locales) y produzcan data curada en idioma español o para regulaciones específicas de cada país.

Acciones concretas que podés tomar esta semana:

Si tu startup usa modelos frontier, audita qué tan «expertos» son los datos con los que los alimentas. Modelos entrenados con datos genéricos fallan en flujos profesionales complejos, según mostraron Mateega y Georgescu en su pivot.
Si vendés a laboratorios de IA o trabajás en un nicho vertical, considerá construir un proceso reproducible de captura de razonamiento experto, no solo datasets puntuales. AfterQuery mostró que el «cómo» se valida vale tanto como el «qué» se entrega.