TL;DR:
- Trajectory levantó 40 millones de dólares en una ronda liderada por Sequoia Capital, con una valuación de 300 millones, según The Information.
- Es su segunda ronda en dos meses y medio: el 27 de mayo de 2026 salió del sigilo con 15 millones y una valuación de 115.
- El mismo día del reporte, Nvidia la nombró entre las empresas que ya personalizan Nemotron 3.5 Lightning, el modelo abierto que lanzó esa mañana.
Trajectory, un laboratorio de San Francisco que reentrena modelos de inteligencia artificial con el uso real de los productos donde están instalados, levantó 40 millones de dólares en una ronda liderada por Sequoia Capital que la valúa en 300 millones, según reportó The Information el 11 de agosto de 2026. La cifra llega dos meses y medio después de su ronda semilla de 15 millones, cuando valía 115. Ese mismo día, Nvidia publicó el lanzamiento de Nemotron 3.5 Lightning y nombró a Trajectory, junto con la empresa de inteligencia artificial legal Harvey, entre quienes ya personalizaron ese modelo abierto para su sector. Ni la etapa de la ronda ni el resto de los inversionistas se hicieron públicos.
La valuación se multiplicó por 2.6 en once semanas
Trajectory salió del sigilo el 27 de mayo de 2026 con 15 millones de dólares y una valuación de 115 millones después de la inversión. Conviction lideró esa ronda semilla, acompañada por Bessemer Venture Partners, Radical VC y BoxGroup, más dos nombres que pesan en el sector: Jeff Dean, de Google, y Fei-Fei Li, de Stanford. También entraron fundadores de Notion, Dropbox, Braintrust y Hugging Face, según el registro de FinSMEs.
Con 300 millones, la valuación queda 2.6 veces por encima de aquella cifra en poco más de once semanas. El titular de The Information describe la operación como una ronda encimada a la anterior, y el resumen público del reporte explica por qué: los modelos cerrados encarecieron, las empresas encontraron una salida personalizando modelos abiertos y algunas además están mejorando el software que permite a esos modelos usar herramientas y ejecutar acciones.
Lo que no se hizo público pesa tanto como lo que sí. No se informó la etapa de la ronda ni quién más entró junto a Sequoia. El sitio de Trajectory, revisado el 11 de agosto, seguía presentando a Conviction como su respaldo y no mencionaba a Sequoia en ninguna parte.
Nvidia la nombró el mismo día que lanzó su modelo abierto
Ese 11 de agosto Nvidia anunció Nemotron 3.5 Lightning, un modelo abierto de 30,000 millones de parámetros con arquitectura de mezcla de expertos, y NeMo Switchyard, una biblioteca de código abierto que enruta cada petición al modelo más adecuado dentro de un flujo de agentes. En el texto firmado por Kari Briski, la compañía enumera a quienes ya adaptaron el modelo a su dominio: CrowdStrike en ciberseguridad, CodeRabbit con Baseten en revisión de código, y Harvey con Trajectory en servicios legales.
Nvidia no presenta ahí a Trajectory como cliente, sino como la parte que hizo el trabajo de personalización para Harvey. Del modelo dice que entrega hasta cuatro veces más velocidad de salida y completa tareas de agentes 30% más rápido que otros de su clase. Está publicado para descarga en Hugging Face, ModelScope, OpenRouter y el catálogo propio de Nvidia.
Ese catálogo abierto es justo el que quedó fuera del filtro con el que Estados Unidos revisará los modelos más avanzados, un marco que solo alcanza a los sistemas cerrados.
Patricia Rodriguez
Los números que publicó la empresa, y su propia letra chica
Horas antes, Trajectory publicó un reporte de campo firmado por Dian Ang Yap sobre ese mismo modelo. El ejercicio corrió sobre el Legal Agent Bench de Harvey, una batería de tareas jurídicas donde el modelo tiene que resolverlas por completo para acreditar el intento. Nemotron 3.5 Lightning partió de 0% y llegó a 8.3% tras el post-entrenamiento. En esa medición quedó arriba de Opus 4.6, el modelo cerrado de Anthropic, con 6.6%, y del propio Nemotron 3 Ultra post-entrenado, con 5.8%.
Los porcentajes son bajos y la empresa lo advierte: hay cinco tareas por categoría y la resolución es gruesa. Nueve de 24 áreas de práctica mejoraron y ninguna retrocedió, que es el hallazgo que sostiene la tesis, más que la altura de cualquier barra.
El dato que explica el negocio no es el de precisión, es el de gasto. Trajectory reporta que el modelo base gastaba 22,000 tokens de salida por tarea sin aprobar ninguna; el primer modelo post-entrenado convirtió 90,000 tokens en diez aprobaciones, y una segunda corrida consiguió esas mismas diez con 37,000. De ahí sale su argumento de calendario: sobre un modelo de frontera, el ciclo de reentrenamiento se paga cada trimestre y para todos los clientes a la vez; sobre uno pequeño, cada noche y por cliente.
Son mediciones propias, corridas en su plataforma y publicadas el mismo día del anuncio comercial de su proveedor de modelo.
Una rival del mismo negocio se negocia diez veces más arriba
The Information reportó la noche del 10 de agosto que Applied Compute negocia levantar cientos de millones de dólares a una valuación cercana a los 3,000 millones, con Elad Gil al frente de la operación. Esa empresa, fundada en 2025 por los exinvestigadores de OpenAI Yash Patil, Rhythm Garg y Linden Li, cerró en abril 80 millones a una valuación de 1,300 millones después de la inversión, liderada por Kleiner Perkins.
Las dos venden lo mismo si se resume en una frase: personalizar modelos de pesos abiertos con los datos del cliente. Entre una y otra hay un factor de diez en valuación, y ninguna de las dos operaciones tiene confirmación de sus protagonistas. La de Applied Compute ni siquiera está cerrada.
Preguntas rápidas sobre el aprendizaje continuo
¿Qué es un harness en un sistema de agentes de inteligencia artificial?
Es la capa de software que rodea al modelo y le permite usar herramientas, ejecutar pasos y actuar dentro de un producto. The Information señala que varias empresas la están mejorando junto con el modelo. El propio sitio de Trajectory dice que su plataforma entrena modelo, prompts y harness a la vez.
Para quien construye software en español, la parte accionable no está en la valuación. Nemotron 3.5 Lightning ya se puede descargar y el reporte que lo llevó de 0% a 8.3% describe un método, no un producto cerrado. La pregunta que ninguna de las dos rondas responde todavía es cuánta de esa mejora sobrevive fuera del banco de pruebas del cliente que ayudó a construirlo.
