Mirendil, la startup fundada por investigadores que trabajaron en Anthropic, anunció una ronda serie A de 1,000 millones de dólares para desarrollar herramientas que ayuden a automatizar la investigación en inteligencia artificial. Kleiner Perkins y Clearlake Capital lideraron la inversión, que llega menos de cinco meses después de una ronda semilla de 200 millones de dólares.
La empresa busca que científicos e ingenieros puedan dirigir agentes de IA para tareas como escribir código y ejecutar experimentos. En octubre presentó un primer modelo desarrollado con ayuda de esos sistemas y una plataforma que, por ahora, funciona en una beta privada.
En la nueva ronda también participaron Google, Battery Ventures, Doerr Capital, Gil & Co, M13, Pear VC y S32, entre otros inversionistas, según el anuncio de Mirendil. La compañía no detalló cuánto aportó cada uno.
Una ronda cinco veces mayor que la semilla
Mirendil anunció sus primeros 200 millones de dólares el 24 de junio de 2026, en una ronda liderada por Andreessen Horowitz y Kleiner Perkins. Esas dos rondas suman 1,200 millones de dólares. En junio, la empresa informó que Nvidia había invertido después de la ronda semilla, pero no precisó el monto de esa inversión adicional.
La serie A es cinco veces mayor que la ronda semilla. Esa comparación mide el dinero captado en cada operación, no el valor total de la compañía. Mirendil no incluyó una valoración en su anuncio del 12 de noviembre.
En septiembre, Bloomberg había informado que la empresa negociaba una ronda que podía valuarla en 5,000 millones de dólares. En ese momento, los términos seguían en discusión.
Gerardo Pavez
Un modelo con agentes y un presupuesto de cómputo
Antes de anunciar la nueva inversión, Mirendil describió un experimento con su modelo Mirendil-Base, especializado en código. La empresa afirma que un investigador trabajó con agentes de IA durante tres meses y medio para preentrenarlo desde cero, con un gasto de cómputo inferior a 10 millones de dólares.
El preentrenamiento es la etapa en la que un modelo aprende patrones a partir de grandes cantidades de datos. Mirendil dice que los agentes escribieron más del 99% del código del proyecto, ejecutaron experimentos y diagnosticaron fallos. El investigador decidía qué probar, evaluaba los resultados e intervenía cuando era necesario. Esas cifras y la descripción del experimento proceden de la empresa; su informe no presenta una verificación externa.
La cifra de menos de 10 millones incluye el cómputo de los experimentos, el entrenamiento final, el consumo de los agentes y el procesamiento de datos, según la empresa. Describe ese proyecto concreto: no es una cifra del costo total de operar Mirendil ni del desarrollo de todos sus modelos. La compañía indicó en octubre que dos versiones más grandes seguían en entrenamiento.
Google, uno de los participantes en la serie A, también es proveedor de infraestructura de Mirendil. En agosto, el director ejecutivo y cofundador Behnam Neyshabur dijo a TechCrunch que un acuerdo plurianual con Google Cloud superaba los 100 millones de dólares. El contrato da acceso a capacidad de cómputo y es una cifra distinta del gasto declarado para Mirendil-Base; el anuncio de la ronda no especifica qué parte del nuevo capital se destinará a ese acuerdo.
Fern y Lor siguen en etapas tempranas
A partir de Mirendil-Base, la empresa creó Fern mediante una etapa de entrenamiento posterior. Mirendil sostiene que Fern admite hasta 10 millones de tokens de contexto, unidades en las que el modelo divide el texto o el código que recibe. Una ventana más amplia permite incluir más material en una misma solicitud, aunque la cifra por sí sola no demuestra que el sistema resuelva con la misma precisión cualquier tarea larga.
La propia compañía señala que realizó una prueba básica de contexto extenso con la evaluación RULER y que publicaría resultados más completos. En el trabajo académico que presentó RULER en 2024, sus autores observaron caídas de rendimiento al aumentar la longitud del contexto en los modelos que probaron. Ese estudio anterior no evaluó Fern.
La plataforma Lor busca coordinar agentes para escribir código y ejecutar experimentos durante periodos prolongados. Mirendil dice que admite sus propios modelos y otros de empresas como Anthropic y OpenAI. Su página la describe como una beta privada por invitación; la ficha de Fern, por separado, indica que su acceso llegará próximamente.
El resultado presentado por Mirendil mantiene a una persona a cargo de las decisiones de investigación. La empresa reconoce que su modelo no se construyó de forma autónoma y que todavía no ha alcanzado una automejora recursiva completamente autónoma.
