Un grupo de investigadores de IA que anteriormente trabajaron en Google DeepMind, Apple, OpenAI y Meta Superintelligence Labs anunciaron el miércoles el lanzamiento de una nueva startup llamada Trajectory, cuyo objetivo es ayudar a las empresas a mejorar regularmente sus productos de IA mediante el entrenamiento en interacciones con 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 el progreso de la IA. OpenAI, Google y Anthropic han conseguido entrenar con éxito versiones cada vez más capaces de modelos de IA, especialmente en ámbitos como la codificación, las matemáticas y la ciencia. Sin embargo, estos sistemas dejan de ser más inteligentes una vez finalizado su entrenamiento. Aunque recientemente se han producido algunos avances en el aprendizaje continuo, las empresas tecnológicas han tenido dificultades para crear productos de IA que aprendan de sus errores en tiempo real. En diciembre de 2025, en NeurIPS, una de las mayores conferencias anuales sobre investigación en IA, Richard Sutton, ganador del premio Turing, afirmó que el aprendizaje continuo es esencial para crear agentes superinteligentes.
Quiénes son las caras de Trajectory
Trajectory ha recaudado 15 millones de dólares en una ronda de financiación inicial, alcanzando una valoración posterior a la inversión de 115 millones de dólares. La ronda fue liderada por la firma de capital riesgo Conviction, con la participación de Bessemer Venture Partners, Radical VC y BoxGroup. También participaron inversionistas individuales, entre ellos el científico jefe de Google DeepMind, Jeff Dean, y la denominada "madrina de la IA", la profesora de Stanford y CEO de World Labs, Fei-Fei Li.
El CEO y cofundador de Trajectory, Ronak Malde, fue investigador de IA en Windsurf y posteriormente se convirtió en uno de los pocos empleados que se unieron a Google DeepMind cuando esta empresa contrató a los mejores talentos de la startup de programación en una operación de 2400 millones de dólares el año pasado. Los otros cofundadores de Trajectory son Arjun Karanam, exinvestigador de IA en Apple que trabajó en los Vision Pro, y Michael Elabd, quien trabajó anteriormente en la división de robótica de Google DeepMind.
Malde explica a WIRED que algunos productos líderes de codificación con IA, como Cursor, ya están implementando una versión inicial de aprendizaje continuo: utilizan datos reales sobre cómo interactúan los usuarios con sus productos para realizar mejoras posteriores al entrenamiento y lanzar actualizaciones periódicas del modelo. Argumenta que esta es una de las razones principales por las que los productos de codificación con IA han despegado tan rápidamente, y también explica por qué los principales laboratorios de IA se han apresurado a desarrollar sus propias aplicaciones de vibe coding. Con Trajectory, Malde y su equipo de 11 investigadores e ingenieros esperan aplicar una técnica similar para mejorar las herramientas basadas en IA fuera del ámbito de la programación.
"Incluso la IA más potente de hoy en día sigue siendo estática. El modelo de IA que usaste ayer va a cometer los mismos errores hoy. Lo que estamos haciendo es construir la plataforma para que todas las empresas puedan alcanzar el aprendizaje continuo", afirma Malde.
Trajectory empieza con un modelo de código abierto
El reto de aplicar esta lógica a otros ámbitos radica en que la programación es fácilmente verificable (el código funciona o no), pero algunas industrias tienen definiciones menos estrictas de éxito. Karanam afirma que parte de lo que ofrece la plataforma de Trajectory es ayudar a optimizar un modelo de IA según las necesidades específicas de cada empresa.
En lugar de partir de un modelo estándar de OpenAI o Anthropic, Trajectory hace que los clientes comiencen con un modelo de código abierto que ha sido post-entrenado para un producto de IA específico que la empresa tiene en mente. En el caso de Decagon, un cliente que crea agentes de atención al cliente con IA, Trajectory registra los casos en los que su IA se queda corta, por ejemplo, un cliente que intenta hacer una devolución y su consulta es devuelta a un humano, y utiliza esos casos para volver a entrenar un nuevo modelo cada semana. Trajectory afirma que estos modelos entrenados superan a los de los laboratorios de vanguardia en tareas específicas que son cruciales para el producto de la empresa.
