Deccan AI capta 25 millones de dólares en el mercado de etiquetado de datos apostando por especialistas indios

Deccan AI ha cerrado una ronda de financiación de 25 millones de dólares y se posiciona como un actor sistémico en el etiquetado de datos para entrenar modelos de IA. La compañía compite directamente con Mercor, una de las principales plataformas del segmento de AI training talent, y basa su ventaja en un modelo organizativo radicalmente distinto: no un marketplace distribuido de freelancers, sino equipos gestionados de especialistas concentrados en India.

El mercado en el que opera Deccan AI crece de forma explosiva, pero arrastra un problema sistémico. La demanda de servicios de entrenamiento de modelos de IA aumenta cada trimestre: los mayores laboratorios, como OpenAI, Anthropic, Google DeepMind y Meta AI*, amplían sin pausa sus volúmenes de anotaciones RLHF, creación de conjuntos de entrenamiento, red-teaming y evaluación de seguridad de modelos. Según diversas previsiones de agencias de análisis, el mercado de AI training data superará los 10.

000 millones de dólares en 2028. Al mismo tiempo, el sector sufre un problema crónico de calidad: la inmensa mayoría de los contratistas trabaja a través de plataformas de crowdsourcing con un control mínimo, lo que conduce sistemáticamente a anotaciones de baja calidad, resultados incoherentes y, en consecuencia, a modelos peor entrenados.

Ahí ve Deccan AI su oportunidad de crecimiento. A diferencia de los competidores, que agregan freelancers de decenas de países en una única plataforma, la startup construye equipos gestionados directamente en India. Los empleados reciben formación especializada según los requisitos de cada cliente, trabajan en un entorno estructurado con control de calidad en varios niveles, y los procesos operativos se pueden estandarizar de un modo imposible con la externalización descentralizada. Este modelo permite garantizar resultados homogéneos a gran escala, un requisito clave para los grandes laboratorios de IA, que no pueden permitirse variabilidad en los datos de entrenamiento.

Elegir India como centro operativo no es casual ni nuevo, pero Deccan AI cuenta con argumentos concretos. El país reúne una de las mayores concentraciones mundiales de profesionales con formación técnica: cada año se gradúan más de un millón de personas en ingeniería y TI. El nivel de inglés es notablemente superior al de otras regiones populares de externalización, algo crítico para trabajar con datos textuales.

Además, el coste laboral sigue siendo un orden de magnitud inferior al de los mercados occidentales. Scale AI, Surge AI y otros líderes del sector siguen el mismo camino, aunque la mayoría apuesta por la escala mediante una plataforma agregadora. Deccan AI elige deliberadamente una escala menor a cambio de más calidad y previsibilidad.

El entorno competitivo es cada vez más duro. Mercor se expande de forma agresiva más allá de la contratación de ingenieros hacia el AI training. Proveedores tradicionales como Appen, Lionbridge y Telus International reorientan activamente sus carteras hacia las necesidades de la IA generativa. Los propios grandes laboratorios invierten en equipos internos de anotadores para reducir su dependencia de socios externos. En esta dinámica, Deccan AI tendrá que demostrar constantemente que un modelo premium con equipo gestionado ofrece un ROI real frente a la escala barata de las plataformas de crowdsourcing.

Los 25 millones de dólares permitirán a la compañía acelerar la contratación en India, ampliar su base de clientes entre laboratorios de IA y startups tecnológicas, e invertir en herramientas propias de control de calidad, automatización de workflow y analítica de productividad de los equipos.

La ronda encaja en una tendencia inversora más amplia: el capital riesgo se dirige cada vez más a la capa de infraestructura de la industria de la IA, no a los propios modelos de frontera, sino a lo que garantiza su funcionamiento fiable. Los datos de entrenamiento de calidad, los anotadores RLHF y los human evaluators se convierten en un recurso estratégicamente escaso, por el que la competencia crece. El crowdsourcing descentralizado no logra ofrecer calidad sistémica. Un equipo gestionado, estructurado y geográficamente concentrado, sí puede.

*Meta ha sido declarada organización extremista y está prohibida en Rusia.