Labelbox y Wipro: agentes de IA que aprenden del trabajo

Labelbox y Wipro: agentes de IA que aprenden del trabajo real

Labelbox anunció el 10 de noviembre de 2026 una alianza con Wipro Limited para llevar a producción agentes de IA empresariales que aprenden de la experiencia de la propia organización. La promesa es concreta: convertir el conocimiento, los flujos de trabajo y los estándares de cada cliente en sistemas de IA que se puedan evaluar con rigor, mejorar de forma continua y desplegar a escala sin perder control.

Manu Sharma, CEO de Labelbox, resumió el objetivo en esos tres verbos: que esos conocimientos se conviertan en sistemas que puedan evaluarse rigurosamente, mejorarse de forma continua e implementarse responsablemente a gran escala.

Para un founder, la señal no está en el comunicado sino en el modelo de entrega. Aquí no se vende una licencia ni un asiento: se vende un equipo de implementación metido dentro de la operación del cliente.

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 exactamente Wipro en esta alianza?

La pieza central son los ingenieros de Wipro integrados en las operaciones del cliente, lo que la industria llama forward-deployed engineers: ingenieros que trabajan dentro del cliente y no desde la oficina del proveedor.

Su trabajo cubre cuatro frentes:

Selección de los flujos de trabajo que se van a automatizar
Integración con los sistemas que ya existen en la empresa
Captura del conocimiento especializado de los equipos del cliente
Medición del rendimiento de los agentes una vez en marcha

Los primeros casos de uso se concentran en evaluación y mantenimiento: detectar problemas de calidad de datos, volver a ejecutar evaluaciones cuando cambian los modelos y comparar experimentos para recomendar el siguiente paso.

Ese detalle suele pasarse por alto. La mayoría de los pilotos de agentes no mueren en la demo: mueren en el mes tres, cuando el modelo cambió y nadie volvió a validar si los resultados seguían siendo correctos.

Recursion y Horizon: el ciclo que hace que el agente mejore

Labelbox estructura la oferta conjunta sobre dos productos que ya existían antes del anuncio:

Recursion Managed Agents: agentes que operan dentro de las aplicaciones que el equipo ya usa, coordinan tareas entre sistemas, exponen la evidencia detrás de cada resultado y arrastran las lecciones del trabajo revisado hacia las ejecuciones siguientes.
Horizon: entornos de aprendizaje por refuerzo y evaluación, con pruebas de razonamiento, programación, uso de herramientas y uso de computadoras.

Juntos forman un ciclo cerrado: el trabajo revisado genera lecciones, los cambios de modelo disparan nuevas evaluaciones y la medición de Wipro añade una comprobación en la fase de despliegue para verificar si el sistema cumple los requisitos del negocio.

Según la documentación del producto recogida por Unite.AI, los clientes conservan el control de permisos, estándares y acciones sensibles, y los agentes operan en entornos aislados con las credenciales guardadas en una bóveda.

Los números detrás del anuncio: la Serie E de octubre de 2026

La alianza no nace de cero. Wipro Ventures ya era inversor en Labelbox antes de este acuerdo. El 14 de octubre de 2026, la compañía anunció una Serie E de más de US$100 millones —capital más una línea de crédito— con una valoración previa a la inversión de US$1.250 millones.

La ronda la lideró Infinitum Partners, con participación de Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures y Snowpoint Ventures, entre otros, según el anuncio recogido por Yahoo Finance.

Otros datos que la compañía hizo públicos en ese mismo anuncio, según ese medio:

Más de 400 clientes, incluido más del 90% de los principales laboratorios de IA de Estados Unidos
Rentabilidad alcanzada en 2026, con un crecimiento superior a cinco veces interanual
Fundada en 2018 por Manu Sharma, Brian y Dan

¿Por qué el aprendizaje por refuerzo se volvió el cuello de botella del negocio?

Aquí está el insight que importa. El problema de los agentes empresariales dejó de ser la capacidad del modelo y pasó a ser el entorno donde practicar.

TechCrunch describió en agosto de 2026 el caso de Arga Labs, que levantó una ronda semilla de US$10 millones liderada por General Catalyst, con participación de Box Group, Emergence, Gradient y SV Angel. Arga construye gemelos digitales de software empresarial —Salesforce, Workday, clientes de correo— para poder reiniciar escenarios y entrenar agentes sobre ellos.

El argumento de su CEO, Phillip Li, según TechCrunch: no hay forma sencilla de reiniciar un sistema como Salesforce cuando necesitas repetir la misma situación decenas de miles de veces, y sin eso el aprendizaje por refuerzo no escala.

El mismo patrón aparece en la verificación del despliegue. Yahoo Finance reportó que Innodata está combinando su plataforma de observabilidad con entornos de aprendizaje por refuerzo para construir una capa de aseguramiento del despliegue de agentes, y señala a Accenture y TaskUs como competidores en ese espacio de servicios de IA.

Dicho de otro modo: Labelbox no compite solo por el modelo. Compite por el entorno, por la evaluación y por el servicio que pone todo eso a andar.

Qué significa esto para tu startup

1. El coste real de un agente no es el modelo, es la evaluación continua. Labelbox publicó un dato interno, recogido por Unite.AI, sobre su propio agente de revisión de pull requests: sobre 39 revisiones calificadas de una misma versión y modelo, el coste mediano de las que pasaron el evaluador cayó de US$13,15 en las primeras 11 a US$8,90 en las últimas 11, un 32% menos, mientras la memoria del agente se actualizó 15 veces y el tiempo por revisión se mantuvo en unos 27 minutos. Si tu equipo no mide el coste por ejecución y su evolución, no sabe si el agente está mejorando o solo gastando.

2. Antes de comprar un agente, define el rubric. En el diseño de Recursion, cada agente recibe un objetivo, un disparador —horario, alerta, mensaje, webhook o llamada a una API— y un rubric que define qué es un buen trabajo. Un agente evaluador puntúa cada ejecución línea por línea y señala la evidencia de cada calificación. Si tu equipo no puede escribir ese rubric por adelantado, probablemente el proceso todavía no esté lo bastante claro como para automatizarlo.

3. Pregunta por los modos de despliegue y los permisos por escrito. Recursion permite tres modos —multiagente con coordinador, equipo con revisión cruzada y automático— y clasifica cada herramienta como de solo lectura, de modificación de datos o destructiva. Hacer esa pregunta en una demo te ahorra el incidente que no se puede deshacer.

4. Tu diferencial es el conocimiento de tu equipo, no la herramienta. La alianza se apoya precisamente en capturar el conocimiento especializado del cliente para transferirlo al sistema. Si ese conocimiento vive solo en la cabeza de dos personas y no está documentado, el agente va a aprender muy poco.

La prueba pendiente de la alianza

El riesgo está declarado en el propio anuncio: la prueba será si los equipos de implementación de Wipro logran convertir esa arquitectura en resultados de producción medibles, preservando al mismo tiempo el control del cliente sobre los estándares y las acciones sensibles.

Malay Joshi, CEO de Americas 1 en Wipro Limited, describe la oferta conjunta como «una vía más rápida y controlada para convertir proyectos piloto prometedores en resultados de producción mensurables». Es exactamente la promesa que conviene auditar: cuánto tarda un piloto en llegar a producción, cuánto cuesta mantenerlo y quién responde cuando el agente se equivoca.

Conclusión

Para una startup hispanohablante, la lectura práctica es que el mercado de agentes empresariales está migrando del modelo al ciclo de aprendizaje. Las herramientas para construir ese ciclo —entornos, evaluaciones, medición y servicios de implementación— ya son una categoría propia, con inversión específica detrás.

Si estás evaluando agentes para tu operación, la pregunta útil no es qué modelo usa la plataforma, sino qué ocurre en la ejecución número mil: cuando el modelo cambió, el proceso evolucionó y el rubric que escribiste quedó viejo. Quien tenga respuesta para eso tiene una ventaja difícil de copiar.