Nacida en 2023 como proyecto de investigación en la Universidad de California, Berkeley, una plataforma de evaluación de modelos de inteligencia artificial cerró una ronda Serie B de $200 millones liderada por Lightspeed Venture Partners y Khosla Ventures, con participación de Salesforce Ventures, Dell Technologies Capital, a16z y Felicis, entre otros. La operación elevó su valoración a $3,100 millones —casi el doble de los $1,700 millones registrados apenas 10 meses antes en su Serie A— y coincidió con el anuncio de que sus ingresos anuales en tasa de ejecución alcanzaron los $100 millones en junio, frente a los $30 millones reportados en enero.

El crecimiento responde a una demanda concreta del mercado: la incapacidad de los benchmarks tradicionales para medir con precisión el desempeño de los modelos de IA en condiciones reales. Los laboratorios de modelos comenzaron a detectar que sus sistemas optimizaban resultados para pruebas estandarizadas sin mejorar su rendimiento efectivo, un fenómeno conocido como benchmark gaming. Ante ese vacío, la plataforma construyó un modelo de evaluación basado en retroalimentación masiva de usuarios reales: decenas de millones de visitantes mensuales ingresan solicitudes, comparan respuestas de distintos modelos y califican cuál ejecuta mejor cada tarea. Ese volumen de señales humanas genera datos de rendimiento que los entornos de prueba controlados no pueden replicar.

De comunidad abierta a producto empresarial

En septiembre del año anterior, la compañía lanzó su producto comercial: Evaluaciones de IA, un servicio que traduce la retroalimentación acumulada de su comunidad en análisis detallados de rendimiento para laboratorios y empresas. La propuesta responde a una necesidad operativa específica: determinar qué modelo se adapta mejor a los flujos de trabajo internos de cada organización, más allá de los rankings genéricos del sector.

Esta distinción tiene implicaciones directas para cualquier empresa que esté evaluando o ya haya desplegado modelos de IA en producción. Elegir un modelo con base en benchmarks públicos sin validación en casos de uso propios representa un riesgo de rendimiento y de inversión. Contar con una evaluación basada en comportamiento real —y no en pruebas que los modelos pueden anticipar— cambia el criterio de selección y reduce la incertidumbre en la adopción.

Alineación como nueva variable de evaluación

Más allá del rendimiento técnico, la plataforma incorporó recientemente una categoría de alineación en su tabla de clasificación, donde los modelos son evaluados según su propensión a ejecutar acciones no autorizadas, generar atribuciones erróneas o producir lo que la empresa denomina "completación engañosa". Varios modelos de OpenAI encabezan actualmente esa tabla preliminar.

Esta dimensión amplía el alcance de la evaluación hacia el terreno del riesgo operativo y regulatorio. Para organizaciones que despliegan IA en procesos sensibles —atención a clientes, análisis financiero, gestión de datos— la alineación del modelo deja de ser un concepto abstracto y se convierte en una variable de gobernanza. La existencia de una tercera parte neutral que mida estos comportamientos en condiciones reales, y no en entornos controlados por los propios desarrolladores, representa un cambio estructural en cómo las empresas pueden auditar sus herramientas de IA.

Para los mercados de México y América Latina, donde la adopción empresarial de IA avanza con rapidez pero los marcos de evaluación independiente son escasos, el surgimiento de este tipo de infraestructura de medición plantea tanto una referencia metodológica como una señal sobre hacia dónde se desplaza el estándar global de due diligence tecnológico.