InsightFinder recauda 15 millones de dólares para entender dónde fallan los agentes de IA
El mercado de observabilidad está pasando por otra transformación pesada. Si durante mucho tiempo la lógica fue rastrear todo a cualquier costo, hoy el foco pasó a ser controlar la complejidad y reducir el gasto, sin perder visibilidad. En medio de ese giro, entró en juego un nuevo tipo de carga: agentes de IA corriendo en producción, a gran escala, dentro de empresas gigantes. Y es justamente ahí donde InsightFinder quiere brillar.
La startup, basada en más de 15 años de investigación académica, viene usando machine learning desde 2016 para monitorear, identificar y prevenir problemas en infraestructura de TI. Ahora, está aplicando ese bagaje directamente en el punto más sensible de la nueva era: la confiabilidad de modelos y agentes de IA en entornos reales, con dinero y reputación en juego.
Guiada por la fundadora y CEO Helen Gu, profesora de ciencias de la computación en la North Carolina State University y ex-IBM y Google, la empresa acaba de recaudar 15 millones de dólares en una ronda Serie B liderada por Yu Galaxy. Con eso, llega a un total de aproximadamente 35 millones de dólares captados, según la propia compañía. El foco ahora es simple y directo: escalar ventas, marketing y expansión global, sin perder la base técnica que construyó la marca.
Del monitoreo clásico a la observabilidad para IA
En los últimos años, el discurso sobre observabilidad cambió. Antes, la orden era recolectar todo: logs, métricas, trazas, eventos, cualquier cosa que algún día pudiera ayudar en la investigación de un incidente. Eso generó una explosión de datos, costos altos y un mar de dashboards difíciles de interpretar.
Con la llegada masiva de modelos de IA y agentes inteligentes en producción, el desafío salió del nivel puramente de infraestructura. Ahora, no basta con ver si el servidor está en línea o si la API está respondiendo. Es necesario entender cómo:
- los datos fluyen por los sistemas;
- los modelos se comportan a lo largo del tiempo;
- la infraestructura soporta todo eso;
- y cómo interactúan esas tres capas.
Helen Gu resume bien el punto: para diagnosticar problemas de modelos de IA, no se puede monitorear cada pieza de forma aislada. Es necesario observar datos, modelo e infraestructura juntos. En muchos casos, no se trata solo de un bug del modelo o de un dataset sucio, sino de una mezcla de ambos, sumada a detalles de caché, red, orquestación o almacenamiento.
Un ejemplo práctico: fraude, deriva de modelo y caché desactualizado
Un caso real citado por Gu muestra cómo esto aparece en el día a día. Un gran banco emisor de tarjetas de crédito en Estados Unidos vio que uno de sus modelos de detección de fraude comenzó a presentar drift, es decir, el rendimiento empezó a salirse del patrón esperado.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
En un escenario común, la sospecha recaería primero en el modelo o en los datos de entrenamiento. Pero, como InsightFinder monitoreaba toda la infraestructura y el entorno alrededor, logró encontrar el verdadero origen: caché desactualizado en algunos nodos de servidor. No era exactamente un error en la lógica del modelo ni en el dataset principal, sino un problema de infraestructura que se manifestaba como una falla en la IA.
Este tipo de correlación de punta a punta es uno de los puntos centrales de la propuesta de la empresa: no tratar la observabilidad de IA solo como un chequeo de métricas del modelo, sino como un análisis full stack, desde el dato que entra, pasando por el modelo, hasta el servicio final que entrega valor al usuario.
Más allá de pruebas y evaluación: IA en producción es otro juego
Mucha gente todavía ve la observabilidad de IA como sinónimo de evaluación de LLM en entornos de desarrollo y prueba. Medir calidad de respuesta, ajustar prompts, ejecutar benchmarks. Eso es importante, claro, pero es solo una parte de la historia.
Para Helen Gu, la mayor confusión del mercado está justamente ahí. Una plataforma de observabilidad de IA realmente útil necesita ofrecer un ciclo de feedback de punta a punta, cubriendo:
- la fase de desarrollo;
- la etapa de evaluación;
- y, principalmente, la producción.
Es en la operación diaria, con usuarios reales, volúmenes variables, dependencias externas y datos cambiando todo el tiempo, donde aparecen los problemas más críticos. Fallas de rendimiento, deriva de modelo, cambios de comportamiento debido a actualizaciones silenciosas de APIs, cuellos de botella de GPU, picos de latencia en microservicios específicos: todo eso solo se vuelve visible con observabilidad continua.
Autonomous Reliability Insights: la nueva apuesta de InsightFinder
Para atacar este problema, la empresa lanzó el producto Autonomous Reliability Insights. La idea es ofrecer una capa inteligente de análisis que vaya más allá de alertar que algo salió mal. El objetivo es acercarse a señalar:
- qué está fallando;
- por qué está fallando;
- y cómo evitar que se repita.
Según Gu, el sistema combina:
- machine learning no supervisado, para detectar anomalías sin depender solo de reglas manuales;
- modelos de lenguaje propietarios, grandes y pequeños, integrados al análisis;
- IA predictiva, para anticipar problemas antes de que estallen;
- inferencia causal, para diferenciar correlación de causa raíz.
Un detalle importante es que esta capa es agnóstica en relación con los datos. La plataforma consigue ingerir y analizar flujos de datos completos, provenientes de múltiples fuentes, cruzando señales técnicas y de negocio. Con eso, no se queda atada a un formato específico de log o métrica, algo muy útil en entornos híbridos, multicloud y llenos de integraciones heredadas.
Un mercado lleno, y por qué InsightFinder cree que tiene espacio
El espacio de observabilidad está lejos de estar vacío. Al contrario: InsightFinder compite con gigantes y jugadores muy conocidos, como:
- Grafana Labs;
- Fiddler;
- Datadog;
- Dynatrace;
- New Relic;
- BigPanda.
Todos, de algún modo, están añadiendo capacidades orientadas a IA, ya sea midiendo rendimiento de modelos, ya sea expandiendo plataformas de monitoreo tradicionales para cubrir cargas de trabajo de machine learning y LLMs.
Aun así, Gu afirma que InsightFinder tiene un foso competitivo basado en tres pilares: especialización, experiencia y personalización. En sus palabras, la empresa rara vez pierde clientes frente a competidores directos. El motivo, según la CEO, está en la intersección entre dos mundos:
- muchos científicos de datos entienden de IA, pero no dominan arquitectura y operación de sistemas complejos;
- muchos ingenieros de SRE y desarrolladores entienden de sistemas, pero no tienen profundidad en IA.
InsightFinder intenta cubrir exactamente ese hueco, entendiendo las relaciones intrínsecas entre estos dos lados. La observabilidad que la empresa defiende no es solo de modelo, ni solo de infraestructura, sino del conjunto completo, desde el pipeline de datos hasta el comportamiento de agentes inteligentes en producción.
Clientes de peso y aprendizaje con empresas Fortune 50
Hoy, la cartera de InsightFinder incluye nombres fuertes, como:
- UBS;
- NBCUniversal;
- Lenovo;
- Dell;
- Google Cloud;
- Comcast.
Gu atribuye parte del éxito a casi una década de trabajo codo a codo con grandes empresas, en especial con miembros del grupo Fortune 50. Un ejemplo citado por ella es la asociación con Dell, que viene ayudando a distribuir e implementar los sistemas de InsightFinder en algunos de los mayores clientes globales de la compañía.
Este tipo de entorno es todo menos trivial. Son múltiples regiones, nubes diferentes, soluciones on-premises, requisitos de seguridad rígidos y equipos distribuidos por todo el mundo. Según Gu, fue en ese escenario donde la empresa pulió sus modelos y definió qué es realmente necesario para ejecutar IA con confiabilidad a escala corporativa. No es solo tomar un modelo base, tirar datos de máquina encima y esperar que funcione.
Cifras de crecimiento y la nueva fase tras la Serie B
En el lado financiero, InsightFinder afirma que los ingresos están fuertes, con un crecimiento de más de tres veces en el último año. Un detalle curioso: la empresa asegura que no estaba buscando activamente una nueva ronda Serie B. Según Gu, fueron los inversores quienes se acercaron después de que la startup cerró, en unos tres meses, un contrato de siete cifras con una compañía Fortune 50.
Con los nuevos 15 millones de dólares, la prioridad es sacar la operación de la fase esencialmente técnica y entrar con más fuerza en ventas y marketing. Hasta ahora, el equipo de InsightFinder tenía menos de 30 personas, muy centradas en producto, investigación e implementación.
Herramientas que usamos a diario
La idea es mantener esa base técnica, pero invertir en:
- construir un equipo de ventas especializado en cuentas enterprise;
- marketing orientado a educar al mercado sobre observabilidad de IA de punta a punta;
- estrategias de go-to-market más estructuradas, incluso con socios globales.
En resumen, la empresa quiere convertir la tracción técnica en crecimiento comercial consistente, sin diluir el foco en confiabilidad y profundidad de análisis.
Por qué todo esto es relevante para quien trabaja con IA hoy
Para quien está construyendo, operando o integrando soluciones de IA en entornos reales, el movimiento en torno a InsightFinder es un buen termómetro. Muestra que la conversación sobre IA hace tiempo salió de la fase de deslumbramiento con demos y entró en la etapa en la que la pregunta central es: cómo mantener todo esto estable, confiable y bajo control?
Cuando agentes de IA entran en rutinas críticas, como detección de fraude, recomendación de productos, soporte automatizado, análisis de riesgo, seguridad u orquestación de procesos, cualquier error deja de ser solo un bug curioso. Se convierte en:
- riesgo financiero directo;
- impacto en la imagen;
- caída en la experiencia del usuario;
- y, en algunos sectores, incluso en un problema regulatorio.
En ese contexto, soluciones que combinan observabilidad profunda, machine learning aplicado a telemetría y capacidad de explicar la causa raíz de los incidentes ganan peso estratégico. No se trata solo de monitorear servidores, sino de entender dónde y por qué un agente de IA se comporta de forma incorrecta, y corregir eso antes de que cause daños.
El mensaje detrás de los 15 millones de dólares recibidos por InsightFinder es bien claro: en la próxima fase de adopción de IA, no sobrevive quien solo tiene modelos poderosos, sino quien consigue mantenerlos funcionando bien, a gran escala, con previsibilidad y transparencia.
Y es exactamente en ese punto, entre modelo, datos e infraestructura, donde InsightFinder está apostando sus fichas, intentando consolidarse como una de las referencias globales en observabilidad para inteligencia artificial en producción.
