Un grupo de investigadores de inteligencia artificial que anteriormente trabajaron en Google DeepMind, Apple, OpenAI y Meta Superintelligence Labs anunciaron el miércoles que están lanzando una nueva startup llamada Trayectoriacuyo objetivo es ayudar a las empresas a mejorar sus productos de IA periódicamente mediante la capacitación de interacciones de usuarios del mundo real.
Trajectory quiere construir una plataforma de IA que pueda aprender continuamente, una capacidad que los investigadores han considerado durante mucho tiempo un obstáculo importante para un mayor progreso de la IA. OpenAI, Google y Anthropic han tenido éxito en el entrenamiento de versiones cada vez más capaces de modelos de IA, especialmente para dominios como codificación, matemáticas y ciencias. Sin embargo, el sistema deja de volverse más inteligente una vez que se completa su entrenamiento. A pesar de algunos avances recientes en el aprendizaje continuo, las empresas de tecnología generalmente luchan por crear productos de IA 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 muy importante. para construir agentes súper inteligentes.
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”, la 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 trabajaban en Google DeepMind cuando la compañía reclutó al mejor talento de la startup de codificación en un Acuerdo de 2.400 millones de dólares 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 dijo 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 interactúan las personas con su producto para realizar una capacitación posterior y ofrecer mejoras periódicas en el modelo. Sostiene que esta es la razón principal por la que los productos de codificación de IA están creciendo tan rápidamente, y es parte de la razón por la que los grandes laboratorios de IA se apresuran a desarrollar sus propias aplicaciones de codificación por vibración. Con Trajectory, Malde y su equipo de 11 investigadores e ingenieros esperan aplicar técnicas similares para mejorar las herramientas impulsadas por IA fuera del ámbito de la codificación.
“Incluso la IA más poderosa de la actualidad sigue siendo estática. El modelo de IA que usaste ayer cometerá los mismos errores hoy”, afirmó Malde. “Algunas empresas están empezando a entrar en el mundo del aprendizaje continuo. Lo que estamos haciendo es construir una plataforma para que todas las empresas sigan aprendiendo”.
El desafío al aplicar esta lógica a otros dominios es que la codificación se puede verificar fácilmente (funciona o no), pero algunas industrias tienen definiciones más vagas de éxito. Karanam dijo que parte de lo que ofrece la plataforma Trajectory es ayudar a optimizar los modelos de IA para necesidades comerciales específicas.
En lugar de comenzar con un modelo estándar de OpenAI o Anthropic, Trajectory pide a los clientes que comiencen con un modelo de código abierto que haya sido entrenado posteriormente para el producto de IA específico que la empresa tiene en mente. Para Decagon, un cliente que crea un agente de atención al cliente de IA, Trajectory observa cuándo falla su IA (por ejemplo, un cliente que intenta una devolución pasa su consulta a un humano) y utiliza esas instancias para entrenar nuevos modelos con una frecuencia semanal. Trajectory afirma que este modelo posterior a la capacitación supera a los modelos de laboratorio líderes en las tareas específicas que más importan a los productos de la empresa.
