AfterQuery: unicornio récord en Y Combinator con US$3.200M

Un unicornio en 18 meses: la nueva marca que rompe récords en Y Combinator

AfterQuery, una startup fundada en febrero de 2025 por Spencer Mateega (23 años) y Carlos Georgescu (22 años), alcanzó una valoración de US$3.200 millones apenas 18 meses después de entrar a la cohorte de invierno de 2025 de Y Combinator, según reportó Forbes. El salto representa más de diez veces los US$300M que la compañía recibió en su ronda de abril, y la convierte en la empresa que más rápido pasó de cero a unicornio en la historia de la aceleradora, según su socio Gustaf Alströmer.

El dato importa porque redefine lo que significa “crecer rápido” en IA. La firma además es rentable y ya tiene un inversionista líder comprometido para la nueva ronda, de acuerdo con fuentes citadas por Forbes.

Qué hace AfterQuery y por qué los laboratorios pagan esas cifras

AfterQuery entrena modelos de IA con datos generados por profesionales humanos (abogados, médicos, ingenieros financieros y de software) que capturan el razonamiento paso a paso detrás de decisiones expertas, no solo respuestas correctas. Sus datos se usaron en los nuevos modelos Nemotron de Nvidia y la compañía también trabajó con Thinking Machines Lab (la firma de la ex-CTO de OpenAI Mira Murati) y con la legaltech Legora, además del laboratorio coreano Motif Technologies, según 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

En abril, AfterQuery ya reportaba una tasa de ingresos anualizada de US$100 millones. En julio, Mateega publicó en X que el ingreso recurrente estaba en “cientos de millones”, según Forbes.

El diferenciador técnico, según Mateega, es que AfterQuery publica investigación propia: entrena un modelo con los datos que entrega y mide si el rendimiento en benchmarks mejora antes de que el cliente los evalúe. “Tenemos investigadores internos que crean un pipeline de post-entrenamiento… mostramos objetivamente a los laboratorios que los datos son de alta calidad”, dijo a Forbes.

El contexto: el “data labeling” se volvió el negocio más caliente de la IA

AfterQuery no está sola. Pertenece a una nueva camada de proveedores de datos premium que están capturando valuaciones enormes porque los modelos frontera ya agotaron internet y los datos sintéticos tienen límites. Forbes recuerda la trayectoria del sector:

En 2021, Scale AI convirtió a su fundador Alexandr Wang, de 24 años, en el primer multimillonario del rubro.
Mercor, fundada en 2023 por tres exempleados de debates de secundaria, superó a Wang como los multimillonarios self-made más jóvenes a los 22 años.
Según TechCrunch, Mercor está en conversaciones para una ronda a US$20.000 millones, el doble de los US$10.000M de su Serie C de octubre, y reportó un run rate de US$2.000M anualizados (cifra gross, ya que los contratistas retienen entre 60-70% del facturado).
Scale AI está cerca de los US$29.000M, de acuerdo con The Next Web.

Es decir: lo que parecía un negocio “poco glamoroso” (anotar datos) se transformó en uno de los caminos más rápidos hacia valuaciones de diez dígitos y estatus de multimillonario.

Qué significa esto para tu startup

La lección no es “todos podemos ser US$3.200M en 18 meses”. Es más concreta: la capa de datos de razonamiento humano es ahora infraestructura crítica para quien entrena modelos frontera, y los founders con acceso a expertos de dominio tienen una ventana real.

Dos acciones que podés aplicar esta semana:

Audita si tu producto genera datos de razonamiento utilizables. Si tu SaaS es usado por abogados, médicos o analistas financieros, probablemente ya capturás decisiones paso a paso que un laboratorio pagaría por entrenar agentes. AfterQuery monetiza exactamente eso.
Estudia la tesis de “datos validados, no datos abundantes”. La ventaja de AfterQuery sobre Mercor, según Forbes, son sus sistemas de software para validar que los datos caigan en un rango “Goldilocks”: suficientemente difíciles para desafiar al modelo, pero no tanto como para dejarlo atascado. Si construís datasets o etiquetas para IA, ese filtro de calidad es el moat real, no el volumen.