Trajectory levanta US$45M para entrenar IA sin ingenieros

Trajectory, una startup de 18 personas fundada hace cerca de un año por tres excompañeros de Stanford, levantó una Serie A de US$45 millones a una valoración de US$300 millones. La ronda la lideró Sequoia, con participación de Nvidia, Bessemer Venture Partners y Bain Capital Ventures. El dato importa porque apunta a un cuello de botella que casi toda empresa que adopta IA termina encontrando: los modelos no aprenden de sus errores solos.

Hoy, adaptar un modelo a un dominio especializado —derecho, finanzas, medicina— suele significar contratar un equipo de investigación interno o pagar consultores caros. En la industria se los conoce como forward-deployed engineers (FDE): ingenieros que trabajan instalados dentro de la operación del cliente en lugar de desde la oficina del proveedor. Trajectory quiere automatizar buena parte de ese trabajo.

¿Cómo funciona el continual learning de Trajectory?

La compañía construye sobre una técnica conocida como continual learning (aprendizaje continuo). El flujo es concreto:

• La empresa parte de un modelo de código abierto.
• Conecta la plataforma de Trajectory a sus propias aplicaciones.
• La plataforma recoge feedback sobre cómo se comporta el modelo en el trabajo real.
• Con esa información, Trajectory reentrena el modelo, que mejora en la tarea específica con el tiempo.

El resultado, según el cofundador Ronak Malde, es que abogados, médicos y otros especialistas pueden mejorar los modelos casi por sí mismos, sin depender de un ingeniero. "Las personas que usan Trajectory deciden qué es 'bueno' para su organización y pueden convertir eso en mejoras para su modelo", dijo a TechCrunch.

Malde usa una analogía para explicar el punto de partida: los modelos fundacionales son como un estudiante de doctorado muy inteligente que empieza un trabajo nuevo cada vez. "Pero lo que la economía valora es alguien que trabajó 30 años en el puesto", señaló.

El tercer cofundador, Arjun Karanam, aporta la pata de producto: la startup desarrolló una interfaz que hace el post-entrenamiento accesible para clientes no técnicos. En un mercado donde la herramienta típica asume que quien la usa sabe de gradientes y datasets, esa decisión de diseño es la que habilita el discurso de "hazlo tú mismo".

Los clientes ya no son un experimento

Trajectory no llega al mercado con pilotos: Harvey y Rogo ya usan su plataforma para hacer post-entrenamiento de modelos abiertos, con el objetivo de que se comporten más como abogados o analistas financieros con experiencia, aprendiendo de tareas previas —revisar un tipo particular de contrato legal o valorar una empresa con una metodología específica. Entre sus clientes también figuran Decagon, Mercor y Nvidia. La startup ahora abre su plataforma de post-entrenamiento al público.

Ese último punto es el más relevante para un founder fuera de Silicon Valley: hasta ahora, adaptar un modelo a un dominio exigía equipos de investigación internos o consultores externos. Si la plataforma queda disponible de forma general, la barrera baja de "contratar un equipo" a "definir un criterio de calidad".

¿Quién compite en el negocio del post-entrenamiento?

Trajectory no está sola. La propia compañía identifica como competidor directo a Thinking Machines Lab, el laboratorio fundado por la ex CTO de OpenAI Mira Murati, dueño de la plataforma de fine-tuning Tinker. El contexto de ese rival da escala de lo que se está jugando: según reportó The Information y recogió TechCrunch, Thinking Machines negocia una ronda de US$1.000 millones con una valoración de al menos US$40.000 millones, después de un seed de US$2.000 millones que la valoró en US$12.000 millones, liderado por Andreessen Horowitz con Nvidia, GV, Lightspeed y Conviction Partners.

Thinking Machines lanzó en julio de 2026 Inkling, un modelo de pesos abiertos de 975.000 millones de parámetros (41.000 millones activos), entrenado desde cero sobre 45 billones de tokens de texto, imagen, audio y video, y disponible para fine-tuning en Tinker, según AIWire. La apuesta de Trajectory es distinta: no compite por el modelo base, compite por la capa que lo mejora con datos propios.

El resto del pelotón incluye a Applied Compute, que según TechCrunch alcanzó una valoración de US$3.250 millones, y Prime Intellect, que ayuda a empresas a construir y entrenar sus propios agentes de IA.

Malde sostiene que la mayor ventaja de su startup es el equipo: él fue uno de los investigadores que Google DeepMind incorporó vía acqui-hire desde Windsurf, Elabd también pasó por DeepMind y Karanam trabajó en modelos fundacionales generativos en Apple. La empresa además reclutó investigadores y diseñadores de producto de OpenAI, Stripe y Netflix. En una categoría donde el producto se parece bastante entre competidores, el argumento del talento es el que sostiene la valoración.

¿Qué significa esto para tu startup?

Tres implicancias concretas:

1. Tu ventaja competitiva puede estar en el feedback, no en el modelo. Si tu producto genera correcciones —un abogado que edita un borrador, un analista que ajusta una valuación, un agente de soporte que reescribe una respuesta— ya estás produciendo el insumo del post-entrenamiento. La pregunta es si lo estás guardando de forma estructurada. Antes de evaluar contratar un FDE o armar un equipo de research, audita qué señal de calidad ya generas y dónde vive.

2. Empieza por una tarea acotada y medible. El caso de Harvey y Rogo sugiere el camino: elegir un tipo específico de tarea (revisar un contrato, aplicar una metodología de valoración) y medir la mejora ahí antes de intentar "mejorar el modelo" en general. Un alcance difuso hace imposible saber si el post-entrenamiento funcionó o si el equipo simplemente cambió el prompt.

3. Define "qué es bueno" antes de escribir código. La promesa central de este enfoque es que el criterio lo pone el especialista, no el ingeniero. Eso solo funciona si tu organización puede articular su estándar de calidad de forma explícita. Si nadie en el equipo puede describir qué hace que una respuesta sea correcta, ninguna plataforma lo va a adivinar.

Un cuarto punto, más de riesgo: Michael Elabd, cofundador de Trajectory, sostiene que mantener a los humanos dentro del proceso de entrenamiento hace que su enfoque sea más seguro que la idea de recursive self-improvement (RSI), en la que los sistemas de IA mejoran sus propias capacidades de forma autónoma y que, según él, podría llevar a resultados no deseados o incluso peligrosos. Para un equipo pequeño, la lección práctica es que el "humano en el loop" no es solo una postura ética: es el mecanismo que evita que el modelo optimice hacia la métrica equivocada.

Conclusión

La Serie A de Trajectory no es una apuesta a un modelo mejor, sino a un cuello de botella operativo: quién convierte el conocimiento de un especialista en una mejora del sistema. Con US$45 millones y el respaldo de Sequoia y Nvidia, la startup tiene el capital para probar que el continual learning es un producto y no una demo. Para el resto del ecosistema, la señal es más simple: si tu empresa usa IA en un dominio especializado y todavía no tiene una forma sistemática de capturar el feedback de sus expertos, ese es el trabajo pendiente —con o sin Trajectory.

Fuentes

• TechCrunch: Trajectory raises $45M to make AI model training accessible to nontechnical experts (fuente original)
• TechCrunch: Accel reportedly in talks to lead $1B round for Thinking Machines at $40B valuation
• AIWire: Thinking Machines Launches Open-Weight 'Inkling' Foundation Model for Fine-Tuning
• Wired: Thinking Machines Lab Drops Its First Model