La financiación de startups de inteligencia artificial va a un ritmo acelerado, y los inversores están cada vez más atentos a investigadores capaces de transformar laboratorios académicos en productos reales. La carrera por encontrar el próximo gran avance en IA no da señales de desaceleración, y los cheques son cada vez más abultados, incluso para empresas que todavía ni siquiera han lanzado un producto público.
Pero hay un detalle que sigue incomodando a mucha gente en el sector: los agentes de IA disponibles hoy aciertan lo que se les pide apenas la mitad de las veces.
Cincuenta por ciento de fiabilidad.
Eso es demasiado poco para que cualquier empresa apueste de verdad por esta tecnología. Ya sea usando Claude Code, OpenClaw o las herramientas de computadora de Perplexity, el panorama actual es el mismo: cada vez que le pides a un agente que ejecute una tarea, básicamente estás lanzando una moneda al aire.
Es exactamente esa brecha la que NeoCognition quiere cerrar.
La startup acaba de salir del modo stealth con una ronda seed de 40 millones de dólares en el bolsillo y una propuesta que llama la atención: construir agentes capaces de autoaprendizaje, es decir, que aprenden y se especializan por cuenta propia, de la misma forma que un ser humano lo hace al entrar en un nuevo entorno o profesión. 🚀
Si esto funciona en la práctica, podría ser un punto de inflexión para el futuro de los agentes autónomos.
De dónde viene NeoCognition y quién está detrás
NeoCognition es descrita por su fundador como un laboratorio de investigación que desarrolla agentes de IA con autoaprendizaje. Quien lidera el proyecto es Yu Su, profesor de la Ohio State University que dirige un laboratorio de investigación enfocado en agentes de IA. Su contó que inicialmente resistió la presión de los VCs para comercializar su trabajo académico. Estuvo así durante bastante tiempo, hasta que finalmente decidió dar el salto el año pasado, cuando se dio cuenta de que los avances en modelos fundacionales podrían hacer que los agentes verdaderamente personalizados fueran posibles.
Esa decisión de salir del entorno académico no se tomó de forma impulsiva. Su vio una ventana de oportunidad técnica que no existía antes: la evolución de los large language models llegó a un punto en el que la base tecnológica necesaria para construir agentes que aprenden de forma continua finalmente se volvió viable. Y cuando un investigador de ese calibre decide crear una empresa, el mercado presta atención.
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.
La financiación de 40 millones de dólares fue coliderada por Cambium Capital y Walden Catalyst Ventures, con participación de Vista Equity Partners y de inversores ángeles de peso, incluyendo a Lip-Bu Tan, CEO de Intel, e Ion Stoica, cofundador de Databricks. El hecho de que la empresa haya levantado ese volumen todavía en fase seed, sin producto público y operando en modo stealth, dice mucho sobre la confianza que el sector está depositando en la idea central detrás de NeoCognition y en la trayectoria de su fundador.
La participación de Vista Equity Partners, en particular, tiene un significado estratégico importante. Como una de las mayores firmas de private equity en el segmento de software, Vista puede ofrecer a NeoCognition acceso directo a un amplio portafolio de empresas que están buscando modernizar sus productos con inteligencia artificial. Eso no es solo dinero en el banco, es un canal de distribución integrado desde el día cero.
El problema real con los agentes de IA hoy
Para entender lo que NeoCognition está intentando resolver, es importante contextualizar el estado actual de los agentes de IA. Un agente, en el vocabulario técnico del área, es un sistema basado en inteligencia artificial que recibe un objetivo y toma una secuencia de decisiones y acciones para alcanzarlo, sin necesitar que un humano guíe cada paso del proceso. Parece sencillo en teoría, pero en la práctica los agentes disponibles hoy enfrentan una limitación muy concreta: son inestables, cometen errores en tareas encadenadas y tienen dificultad para manejar contextos que no estuvieron bien representados en los datos de entrenamiento original.
Como Yu Su lo planteó de forma muy directa: los agentes de hoy son generalistas. Cada vez que les pides que hagan una tarea, das un salto de fe. La tasa de éxito en tareas complejas suele quedarse en torno al 50%, lo que hace que el uso de estos sistemas sea demasiado arriesgado para aplicaciones críticas en empresas.
Ese número importa mucho más de lo que parece. Cuando una empresa empieza a pensar en automatizar procesos con agentes de IA, no está pensando en tareas simples, como responder un correo genérico. Está pensando en flujos de trabajo completos, como análisis de contratos, soporte técnico de nivel avanzado, procesamiento de pedidos, selección de candidatos o monitoreo de operaciones. Para esos casos, un fallo en la mitad de las ejecuciones no es un inconveniente, es un problema operativo serio que puede costar dinero, tiempo e hasta la reputación de la empresa.
Es por eso que muchas organizaciones hasta hoy prefieren mantener humanos en el centro de esos procesos en lugar de confiar plenamente en los agentes disponibles. Y es justamente por eso que los agentes todavía no se han convertido en trabajadores independientes y confiables, como muchos prometían que serían a estas alturas.
La visión de NeoCognition: aprender como los humanos aprenden
El enfoque de NeoCognition parte de una observación sobre la propia inteligencia humana que es a la vez obvia y profunda. Yu Su argumenta que, aunque la inteligencia humana es amplia y generalista, su verdadero poder está en la capacidad de especializarse rápidamente. Cuando entramos en un nuevo entorno o profesión, logramos dominar sus reglas únicas, sus relaciones y sus consecuencias a una velocidad impresionante.
Es esa dinámica la que NeoCognition quiere replicar en sus agentes.
Para los humanos, nuestro proceso continuo de aprendizaje es esencialmente el proceso de construir un modelo de mundo para cualquier profesión, cualquier entorno, explicó Su. Él cree que, para que los agentes se conviertan en verdaderos especialistas, necesitan aprender de forma autónoma a construir un modelo de cualquier micromundo en el que sean colocados.
El autoaprendizaje propuesto por NeoCognition entra justamente aquí como un intento de cambiar la ecuación. La idea central es que, en lugar de depender de un modelo estático que fue entrenado hasta cierto punto y luego congelado, los agentes de la empresa serían capaces de seguir aprendiendo a partir de las interacciones, los errores y los contextos específicos de cada entorno en el que operan. Esto se acerca mucho a la forma en que un profesional humano se desarrolla a lo largo del tiempo: llega con un conjunto de conocimientos generales y va especializándose conforme enfrenta situaciones reales, aprende de los resultados y ajusta su comportamiento de acuerdo con lo que funciona mejor en ese contexto específico.
Su ve esa capacidad de especialización rápida como el eslabón crítico que falta para hacer que la IA funcione de forma fiable por cuenta propia. Y es en ese punto donde NeoCognition se diferencia de otros enfoques en el mercado. 🤖
Qué diferencia a NeoCognition de las otras soluciones
Un punto importante que Su se encargó de destacar es que ya es posible entrenar agentes para tareas autónomas hoy en día. El problema es que esos agentes necesitan ser diseñados a medida para un vertical específico. Es decir, construyes un agente que funciona bien para atención al cliente en e-commerce, pero no puede transferirse a análisis financiero o gestión de cadena de suministro sin un retrabajo significativo.
NeoCognition está construyendo algo diferente: agentes que son generalistas capaces de autoaprendizaje y que pueden especializarse en cualquier dominio. Esa es la diferencia fundamental. En lugar de crear un agente por vertical, la propuesta es crear un agente que llega como generalista y se convierte en especialista por el propio uso, sin intervención manual constante.
Piénsalo así: en vez de contratar a un consultor que ya viene formateado para resolver solo un tipo de problema, contratas a alguien extremadamente inteligente y adaptable, que puede sumergirse en cualquier área y convertirse en referencia en cuestión de semanas. Esa es la analogía que mejor describe lo que NeoCognition está buscando crear.
Autoaprendizaje como diferencial técnico
El concepto de autoaprendizaje no es nuevo en la investigación de inteligencia artificial, pero ponerlo en práctica de forma robusta y escalable es un desafío técnico considerable. La mayoría de los sistemas actuales aprenden durante la fase de entrenamiento y después operan en modo de inferencia, es decir, aplican lo que aprendieron sin modificar sus propios parámetros. Reentrenar un modelo grande es un proceso caro, lento y que exige una infraestructura significativa, lo que hace inviable hacerlo de forma continua para cada agente en producción.
Lo que NeoCognition parece estar desarrollando es una arquitectura que permite al agente actualizar su comportamiento de forma más dinámica, sin necesariamente pasar por un ciclo completo de reentrenamiento con cada nueva información o experiencia relevante. La idea del micromundo, mencionada por Su, sugiere que los agentes construirían representaciones internas de los entornos en los que operan, algo así como un mapa mental que se va haciendo más detallado y preciso a medida que el agente acumula experiencias en ese contexto.
Este enfoque tiene implicaciones prácticas muy interesantes. Un agente con capacidad real de autoaprendizaje podría, por ejemplo, volverse progresivamente mejor en entender el vocabulario específico de una empresa, los patrones de comportamiento de sus clientes, las excepciones que existen en los procesos internos y las preferencias no documentadas de quienes usan el sistema en el día a día. Con el tiempo, ese agente dejaría de ser una herramienta genérica para convertirse en algo mucho más parecido a un colaborador especializado, que conoce profundamente el contexto en el que actúa y consigue tomar decisiones más precisas justamente por esa acumulación de experiencia contextual.
Herramientas que usamos a diario
Desde el punto de vista técnico, todavía hay muchas preguntas abiertas sobre cómo exactamente NeoCognition pretende implementar todo esto. La empresa aún no ha divulgado detalles técnicos profundos sobre su arquitectura, algo común en startups en etapa inicial que necesitan proteger su propiedad intelectual. Lo que se sabe es que el equipo actual cuenta con alrededor de 15 empleados, de los cuales la mayoría tiene doctorado, lo que refuerza el ADN de investigación de la empresa y el compromiso con innovación técnica de verdad.
El modelo de negocio y el mercado objetivo
NeoCognition pretende vender sus sistemas de agentes principalmente a empresas, incluyendo compañías de SaaS ya establecidas en el mercado. El modelo de uso prevé dos escenarios principales: empresas que quieren construir agentes trabajadores usando la tecnología de NeoCognition, o empresas que quieren usar esos agentes para mejorar ofertas de productos ya existentes.
Este posicionamiento B2B tiene bastante sentido estratégico. En lugar de competir directamente con asistentes personales de IA dirigidos al consumidor final, donde la competencia con Google, OpenAI y Microsoft es brutal, NeoCognition apunta al segmento corporativo, donde la demanda de agentes fiables y especializados es enorme y la disposición a pagar por soluciones que funcionen de verdad es significativamente mayor.
Y aquí volvemos a la importancia de Vista Equity Partners en la tabla de capitalización. Con acceso al portafolio de Vista, que incluye decenas de empresas de software de gran tamaño, NeoCognition tiene un pipeline potencial de clientes desde el primer día. Para una startup en etapa seed, contar con ese tipo de ventaja de distribución es algo poco común y extremadamente valioso.
Qué esperar de los próximos pasos
Con 40 millones de dólares en mano, NeoCognition tiene capital suficiente para expandir su equipo de investigación e ingeniería, avanzar en el desarrollo de la tecnología de autoaprendizaje y comenzar a probar sus agentes con socios estratégicos antes de un lanzamiento más amplio. El modelo operativo típico de startups en esta etapa implica cerrar acuerdos con empresas ancla que aceptan probar la tecnología a cambio de acceso anticipado e influencia sobre el roadmap del producto, lo que también genera datos reales que alimentan el desarrollo.
El mercado de agentes de IA está creciendo rápido, con actores como Salesforce, Microsoft, Google y una serie de startups más pequeñas compitiendo para lanzar soluciones en esta dirección. Lo que diferencia a NeoCognition en este escenario no es solo la propuesta técnica, sino la combinación de credencial académica sólida, una visión a largo plazo fundamentada en investigación real y capital para ejecutar con calma y consistencia.
En un segmento donde la mayoría de las empresas todavía está intentando resolver el problema de la fiabilidad básica de los agentes, llegar con un enfoque de autoaprendizaje y construcción autónoma de modelos de mundo es una jugada ambiciosa. Pero con el equipo correcto, la financiación adecuada y los socios estratégicos alineados, NeoCognition tiene los ingredientes para transformar esa ambición en algo concreto.
Lo que queda claro, mirando todo esto, es que la conversación en torno a los agentes de IA está cambiando de tono. Está saliendo del hype genérico y entrando en una fase más madura, donde la cuestión central ya no es si los agentes van a existir, sino si van a ser lo suficientemente buenos para realmente sustituir o ampliar el trabajo humano de forma fiable. NeoCognition está apostando a que la respuesta a esa pregunta pasa por el autoaprendizaje, y con el equipo y la financiación que tiene ahora, va a ser muy interesante seguir de cerca si esa apuesta se convierte en tecnología que cambie el juego de verdad. 👀
