Mercor capta 750 millones de dólares para entrenar y evaluar IA con una valoración de 20.000 millones

Un agente responde de forma impecable en el chat, pero al tramitar un reembolso olvida comprobar las condiciones del contrato. Para quien gestiona el producto, es un flujo de trabajo fallido; para quien lo desarrolla, otro error que las clasificaciones públicas de modelos no ayudaron a prever. Mercor está construyendo un negocio en torno a esa brecha: recurre a especialistas para evaluar la IA con trabajo profesional real y preparar datos para seguir entrenándola.

El 10 de noviembre, la compañía anunció una ronda de serie D de 750 millones de dólares con una valoración de 20.000 millones. Para un equipo que implanta agentes, lo más útil es observar qué financia la inversión: definir qué significa hacer bien un trabajo se está convirtiendo en una gran tarea por sí misma. Las condiciones de la operación están publicadas en el anuncio de Mercor.

Por qué una buena respuesta no basta

Imaginemos una tienda en línea que encarga las devoluciones a un agente. Un cliente escribe: el producto está roto, ha perdido el recibo y el pedido se hizo a través de un socio comercial. El modelo conoce las reglas generales de atención al cliente. Pero también debe localizar la compra, resolver las excepciones, elegir una forma de compensación permitida y actualizar correctamente el registro en el sistema.

Evaluar a ese agente exige algo más que juzgar la amabilidad de su respuesta. Un experto debe describir las acciones permitidas y el resultado esperado: cuándo se puede reembolsar el dinero, cuándo hace falta una comprobación adicional y qué cambios deben quedar registrados en el sistema de gestión. Después, los desarrolladores pueden volver a ejecutar el escenario tras cambiar el modelo, el prompt o la herramienta.

Es un ejemplo hipotético, no un proyecto de un cliente de Mercor documentado en el artículo. Ilustra por qué hacen falta evaluaciones con tareas específicas de cada negocio. Un mismo modelo puede explicar correctamente la política de devoluciones y equivocarse al aplicarla. Si solo se evalúa el mensaje final, el error pasará inadvertido hasta que el cliente reclame.

Para el equipo, esto se traduce en una acción sencilla: primero recopilar consultas reales y definir los criterios para completarlas con éxito. Así, elegir un modelo se convierte en una decisión de ingeniería que se puede comprobar. Es posible comparar la calidad, el coste de completar un flujo de trabajo y el número de casos que requieren intervención humana.

Qué dice el dinero y qué no muestra

Según el resumen de Latent Space facilitado, Mercor alcanzó un ritmo anualizado de ingresos de 3.000 millones de dólares, frente a los 1.000 millones de febrero y los 2.000 millones de junio. Conviene interpretar la métrica literalmente: los ingresos actuales se extrapolan a un año. Eso no significa que la empresa ya haya ingresado 3.000 millones de dólares durante un periodo completo de doce meses.

En el anuncio de la ronda, Mercor también indicó que la operación incluye la recompra de acciones de empleados. No se ha publicado el desglose, por lo que no se pueden contabilizar automáticamente los 750 millones de dólares íntegros como fondos para desarrollar el negocio. La valoración de 20.000 millones tampoco dice nada por sí sola sobre los beneficios, la retención de clientes o los márgenes del trabajo de los expertos.

Destaca otra cifra del comunicado de la dirección: el gasto de Mercor en inferencia triplica el gasto en salarios de empleados. La compañía considera que compensa. Sin embargo, sin una metodología de cálculo ni un desglose de costes, ese dato no proporciona un presupuesto listo para otra startup. A quien funda una empresa le resulta más útil calcular sus propios costes por tarea: cuánto cuesta completar una tarea con éxito, incluidos los reintentos y la revisión humana.

Cómo aplicarlo a tu producto

La recomendación práctica de la redacción es empezar por un único proceso con un resultado final claro. Por ejemplo, tramitar una devolución, cotejar documentos o corregir una clase concreta de errores. Se necesitan ejemplos de casos habituales, excepciones y situaciones en las que el agente deba detenerse.

Después hará falta una evaluación independiente. Si el modelo ha visto todas las tareas durante el ajuste, una puntuación alta puede reflejar un sobreajuste a ejemplos conocidos. Conviene reservar algunos escenarios por separado y encargar a expertos la revisión de los casos dudosos. También es útil medir qué proporción del trabajo completa realmente el agente sin correcciones.

Este enfoque tiene un coste: el tiempo de los especialistas, el mantenimiento de los datos de prueba y la actualización de las reglas a medida que evoluciona el producto. El conjunto propio de evaluaciones también puede quedarse obsoleto o pasar por alto excepciones importantes. La ronda de Mercor no demuestra que estos problemas estén resueltos. Muestra el interés de los inversores por la infraestructura que rodea la implantación de IA. Para un equipo de producto, el siguiente paso es concreto: reunir un conjunto de tareas de trabajo y comprobar cuáles ejecuta ya el agente de forma fiable.