Un grupo de investigadores de IA que anteriormente trabajaron en Google DeepMind, Apple, OpenAI y Meta Superintelligence Labs anunciaron el miércoles que lanzarán una nueva startup llamada Trajectory, cuyo objetivo es ayudar a las empresas a mejorar periódicamente sus productos de IA capacitándolos en interacciones de usuarios del mundo real.
Trajectory quiere construir una plataforma para la IA que pueda aprender continuamente, una capacidad que los investigadores han considerado durante mucho tiempo como una barrera importante para un mayor progreso de la IA. OpenAI, Google y Anthropic han tenido éxito entrenando versiones cada vez más capaces de modelos de IA, especialmente para dominios como codificación, matemáticas y ciencias. Sin embargo, estos sistemas dejan de volverse más inteligentes una vez finalizada su capacitación. Si bien recientemente se han producido algunos avances en el aprendizaje continuo, las empresas de tecnología en general han tenido dificultades para crear productos de inteligencia artificial que aprendan de sus errores en tiempo real. En diciembre de 2025, en NeurIPS, una de las conferencias anuales de investigación de IA más importantes, el ganador del premio Turing, Richard Sutton, argumentó que el aprendizaje continuo es esencial para crear agentes superinteligentes.
Trajectory ha recaudado una ronda inicial de 15 millones de dólares con una valoración posterior al dinero de 115 millones de dólares, liderada por la firma de capital de riesgo Conviction, con la participación de Bessemer Venture Partners, Radical VC y BoxGroup. En la ronda también participaron inversores individuales, incluido el científico jefe de Google DeepMind, Jeff Dean, así como la llamada «madrina de la IA», profesora de Stanford y directora ejecutiva de World Labs, Fei-Fei Li.
El director ejecutivo y cofundador de Trajectory, Ronak Malde, fue anteriormente investigador de inteligencia artificial en Windsurf, y luego se convirtió en uno de los pocos empleados que fueron a trabajar a Google DeepMind cuando contrató al mejor talento de la startup de codificación en un acuerdo de $ 2.4 mil millones el año pasado. Los otros cofundadores de Trajectory incluyen a Arjun Karanam, un ex investigador de inteligencia artificial en Apple que trabajó en Vision Pro, y Michael Elabd, quien anteriormente trabajó en la división de robótica de Google DeepMind.
Malde le dice a WIRED que algunos productos líderes de codificación de IA, como Cursor, ya están realizando una versión temprana de aprendizaje continuo, utilizando datos reales sobre cómo las personas interactúan con sus productos para realizar una capacitación posterior y enviar mejoras al modelo con regularidad. Sostiene que esta es una de las razones principales por las que los productos de codificación de IA han despegado tan rápidamente, y es parte de la razón por la que los principales laboratorios de IA se han apresurado a desarrollar sus propias aplicaciones de codificación de vibración. Con Trajectory, Malde y su equipo de 11 investigadores e ingenieros esperan aplicar una técnica similar para mejorar las herramientas impulsadas por IA fuera del espacio de la codificación.
«Incluso la IA más potente de la actualidad sigue siendo estática. El modelo de IA que se utilizó ayer cometerá los mismos errores hoy», afirma Malde. «Un par de empresas están empezando a entrar en ese mundo de aprendizaje continuo. Lo que estamos haciendo es construir la plataforma para que cada empresa llegue al aprendizaje continuo».
El desafío de aplicar esta lógica a otros dominios es que la codificación es fácilmente verificable (el código se ejecuta o no), pero algunas industrias tienen definiciones más flexibles de éxito. Karanam dice que parte de lo que ofrece la plataforma Trajectory es ayudar a optimizar un modelo de IA para las necesidades específicas de una empresa.
En lugar de comenzar con un modelo estándar de OpenAI o Anthropic, Trajectory hace que los clientes comiencen con un modelo de código abierto que ha sido entrenado posteriormente para un producto de IA específico que la empresa tiene en mente. Para Decagon, un cliente que crea agentes de atención al cliente con inteligencia artificial, Trajectory registra cuando su inteligencia artificial falla (por ejemplo, un cliente que intenta realizar una devolución recibe su consulta devuelta a un humano) y utiliza esas instancias para entrenar posteriormente un nuevo modelo cada semana. Trajectory afirma que estos modelos post-entrenados superan a los modelos de los laboratorios de vanguardia en tareas específicas que son más importantes para el producto de una empresa.
