Deccan AI capta US$25 millones en el mercado de etiquetado de datos con foco en especialistas en India

Deccan AI cerró una ronda de financiación de $25 millones, posicionándose como un jugador sistémico en el mercado de etiquetado de datos para el entrenamiento de modelos de IA. La empresa es un competidor directo de Mercor — una de las principales plataformas en el segmento de talento para entrenamiento de IA — y construye su ventaja competitiva en un modelo organizacional fundamentalmente diferente: no un marketplace distribuido de freelancers, sino equipos gestionados de especialistas concentrados en India. El mercado en el que opera Deccan AI está experimentando un crecimiento explosivo, pero sufre de un problema sistémico.

La demanda de servicios de entrenamiento de modelos de IA crece cada trimestre: los mayores laboratorios — OpenAI, Anthropic, Google DeepMind, Meta AI — escalan continuamente los volúmenes de anotaciones RLHF, formación de conjuntos de entrenamiento, red-teaming y evaluación de seguridad de los modelos. Según varios pronósticos de agencias analíticas, para 2028 el tamaño del mercado de datos de entrenamiento de IA superará los $10 mil millones. Al mismo tiempo, la industria sufre crónicamente de un problema de calidad: la gran mayoría de los contratistas trabajan a través de plataformas de crowdsourcing con control mínimo, lo que sistemáticamente lleva a baja calidad de anotaciones, resultados inconsistentes y, como consecuencia, degradación de la calidad de los modelos entrenados.

Es precisamente aquí donde Deccan AI ve su punto de crecimiento. A diferencia de los competidores que agregan freelancers de docenas de países a través de una plataforma única, la startup construye equipos gestionados directamente en India. Los empleados reciben entrenamiento especializado adaptado a los requisitos específicos de clientes, trabajan en un entorno estructurado con control de calidad multinivel, y los procesos operacionales pueden estandarizarse de una manera que es imposible con la externalización descentralizada.

Este modelo permite garantizar resultados uniformes a escala — un requisito clave para grandes laboratorios de IA que no pueden permitirse variabilidad en los datos de entrenamiento. La elección de India como hub operacional no es accidental ni nueva, pero Deccan AI tiene argumentos específicos a su favor. El país posee una de las mayores concentraciones mundiales de personal técnicamente cualificado — se producen anualmente más de un millón de graduados en ingeniería e IT.

El nivel de dominio del inglés es significativamente superior al de otras regiones populares de externalización, lo que es crítico para trabajar con datos textuales. Los costos laborales siguen siendo un orden de magnitud inferiores a los mercados occidentales. Scale AI, Surge AI y varios otros líderes del sector siguen el mismo camino, pero la mayoría apuesta por escala a través de un agregador de plataforma.

Deccan AI conscientemente elige menor escala, pero mayor calidad y previsibilidad. El entorno competitivo se está volviendo cada vez más intenso. Mercor se está expandiendo agresivamente más allá de la contratación de ingenieros hacia el entrenamiento de IA.

Los proveedores tradicionales — Appen, Lionbridge, Telus International — están reorientando activamente sus portafolios hacia las necesidades de IA generativa. Los propios grandes laboratorios están invirtiendo en sus propios equipos internos de anotadores, buscando reducir la dependencia de socios externos. En esta dinámica competitiva, Deccan AI tendrá que demostrar constantemente que un modelo premium con equipos gestionados entrega ROI real en comparación con las baratas plataformas de crowdsourcing.

Los $25 millones captados permitirán a la empresa acelerar la contratación de especialistas en India, expandir su base de clientes entre laboratorios de IA y startups tecnológicos, e invertir en sus propias herramientas de control de calidad, automatización de flujos de trabajo y análisis de productividad de equipos. Esta ronda se ajusta a una tendencia inversora más amplia: el capital de riesgo se está moviendo cada vez más hacia la capa de infraestructura de la industria de IA — no hacia los propios modelos de frontera, sino hacia lo que asegura su funcionamiento confiable. Los datos de entrenamiento de alta calidad, los anotadores RLHF y los evaluadores humanos se están convirtiendo en un recurso estratégicamente escaso alrededor del cual se está desarrollando una competencia creciente.

El crowdsourcing descentralizado con exigencia de calidad sistémica no puede afrontarlo. Un equipo gestionado, estructurado y geográficamente concentrado sí puede.