Town, el asistente IA de empresa, levanta US$108M

Town: de lanzamiento a unicornio en cuatro meses

Town anunció el 19 de octubre una Serie B de US$108 millones que la valora en US$1.000 millones, apenas cuatro meses después de su lanzamiento público. El dato que debería interesarte no es el monto, sino a qué se destina: capital para enseñar a usar agentes de IA a gente que no es técnica.

La ronda está co-liderada por Forerunner Ventures y Menlo Ventures, con participación de Andreessen Horowitz, Serena Ventures y First Round Capital, según Digital Market Reports. La compañía, con sede en San Francisco, fue fundada en 2024 por Jean-Denis Greze, ex CTO de Plaid, y Tony Vincent. Antes de esta operación había cerrado una Serie A de US$55 millones en junio de 2026, lo que lleva el total levantado a al menos US$160 millones, según Yahoo Finance.

El detalle que suele pasar desapercibido: con una valoración post-money de US$1.000 millones, la dilución de los fundadores ronda el 11%, un porcentaje manejable para una Serie B que no obliga a ceder el control. Greze no es un fundador primerizo: en Plaid llevó el equipo de ingeniería de unas 20 personas a 350. Ese historial es, en la práctica, el activo que compran los fondos.

El producto: un asistente por empleado, no otro chatbot

Cada empleado recibe un asistente propio llamado Townie, conectado al correo, el calendario, los documentos y otras aplicaciones de trabajo. El asistente aprende los proyectos, las relaciones profesionales y las preferencias de comunicación de esa persona.

La actualización que acompaña a la ronda mueve la pieza clave: los Townies pueden hablar entre ellos para intercambiar información, coordinar actividades y traspasar tareas entre empleados, compartiendo datos según los permisos del usuario y pidiendo aprobación cuando hace falta. También pueden comunicarse con clientes, socios y candidatos fuera de la organización, según Digital Market Reports.

Junto al anuncio, la empresa presentó flujos de trabajo compartidos: cuando un equipo actualiza un proceso, la versión nueva se distribuye automáticamente a los asistentes de todos, en lugar de obligar a cada empleado a actualizar el suyo. La compañía sostiene que las empresas conservan la propiedad de la información que recopilan sus asistentes, que usa modelos de varios proveedores y que los datos de clientes no se emplean para entrenar modelos por defecto.

El modelo de negocio aclara la estrategia: un plan principal de US$50 al mes para pymes y empresas medianas, con los casos de uso de consumo subvencionados por esos ingresos. Cobrar no es una decisión de precio; es la forma de alinear los incentivos del asistente con los de quien lo usa.

Por qué el capital paga distribución y no modelos

La tesis de Town es incómoda para el resto del sector: la mayoría de la gente usa los grandes modelos como un buscador mejorado, no como agentes que hacen cosas. El cuello de botella no es la capacidad del modelo, es el onboarding. Poner a alguien frente a una caja vacía y pedirle que escriba qué quiere no le enseña nada.

Los números de crecimiento que la compañía reporta apuntan en esa dirección: su base de clientes de pago se multiplicó por cuatro desde julio y el número de equipos que pagan creció nueve veces, según Digital Market Reports. La empresa también asegura haber alcanzado millones de dólares en ingresos recurrentes anuales en cuestión de semanas tras el lanzamiento público, según Yahoo Finance.

Para un founder hispanohablante, la lectura es directa: si tu producto compite por tener el mejor modelo, compites en el terreno donde el proveedor del modelo siempre gana. Si compites por saber qué preguntarle a la máquina y quién le enseña a tu cliente a hacerlo, tienes una capa propia.

El caso que explica el negocio entero

Una pequeña empresa de alquiler de coches y bicicletas en un destino vacacional gestionaba todo por correo. Cada día enviaba entre 10 y 12 emails con fotos de daños al responsable de procesarlos: unos 25 minutos de trabajo repetitivo. Ahora un flujo recoge esos correos, cruza el CRM para identificar al cliente y redacta la respuesta. Cinco minutos.

El hueco no está en la gran empresa, sino en el negocio de quince empleados que vive dentro de una bandeja de entrada: demasiado pequeño para un ERP, demasiado analógico para una herramienta vertical. Ahí es donde los agentes encuentran product-market fit.

¿Qué significa esto para tu startup?

Tres lecturas accionables de esta ronda:

• Busca el hueco, no el modelo. Los negocios que hoy viven en el correo o en la hoja de cálculo son el mejor punto de partida: el dolor se mide en minutos y el coste de cambio es casi cero. Talleres, distribuidores locales, empresas de alquiler u obradores artesanales son candidatos reales, no metáforas.
• Cobra desde el día uno. Un plan de US$50 al mes valida disposición a pagar y te obliga a construir para quien realmente usa el producto. Si el usuario es gratis y el cliente es una empresa, tienes dos roadmaps y un solo equipo: decide cuál manda antes de firmar el term sheet.
• Mide cuánto tardan en copiarte. Si un competidor con más recursos replica tu función en semanas, tu ventaja no es la función: es el canal y el coste de cambio del cliente. Integra el CRM y los datos del proceso; ahí está la barrera que ningún lanzamiento de un gran laboratorio elimina de un día para otro.

El riesgo que el propio CEO reconoce

¿Por qué no lo hará un gran laboratorio de IA? Greze responde sin rodeos: buena parte, sí. Reconoce que muchas de esas funciones ya existen y que la distribución podría quedar en manos de los grandes. Su apuesta es que el usuario corriente sigue sin saber qué pedirle a la máquina.

El dato que más pesa es la velocidad de copia: lo que antes tardaba nueve meses en replicarse ahora se copia en uno o dos. Con ese ritmo, ningún runway compra tranquilidad; compra obligación de ejecutar. El burn rate de una compañía así no se mide solo en dinero, se mide en funciones que el competidor ya tiene en producción.

El espacio, además, está muy competido: publicaciones especializadas como AndroGuider mencionan a Sierra, Decagon, Ada y Fin AI de Intercom entre los rivales que persiguen a los mismos compradores empresariales.

Tres preguntas antes de tu propia ronda

• ¿Quién paga y quién usa? Si el usuario es gratis y el cliente es una empresa, tienes dos roadmaps y un solo equipo.
• ¿Qué queda si el modelo se convierte en commodity? La respuesta que sirve es dato propietario, integración o distribución. Decir que la interfaz es mejor no lo es.
• ¿Cuánto tarda un competidor en copiarte? Si se mide en semanas, tu ventaja es el canal y el coste de cambio del cliente.

Conclusión

La Serie B de Town no premia un modelo mejor: premia haber entendido que el problema de los agentes de IA es de adopción, no de capacidad. Con US$108 millones y una valoración de US$1.000 millones a cuatro meses del lanzamiento, la compañía se compró tiempo para construir la parte que ningún proveedor de modelo le puede arrebatar de un día para otro: el flujo de trabajo del cliente.

Para un founder en LATAM o España, la lección es que no hace falta un modelo propio ni una oficina en San Francisco. Hace falta encontrar el negocio que nadie quiso atender y quedarse con su proceso. Aplicar unit economics de software a un negocio físico no es una metáfora: es calcular cuánto cuesta captar a ese cliente, cuánto paga al mes y en cuántos meses se amortiza.

Fuentes

• merca2 (fuente original)
• Digital Market Reports
• Yahoo Finance
• AndroGuider