La empresa Vals ha cerrado una ronda de 40 millones de dolares para construir benchmarks de IA rigurosos que midan lo que los modelos hacen de verdad en sectores como derecho, finanzas y programacion. La serie A la lidera Andreessen Horowitz, y llega en un momento en el que casi nadie se fia ya de las tablas de puntuacion academicas que las propias empresas de IA presumen en sus lanzamientos. Vals apuesta por lo contrario: pruebas privadas, especificas por sector y dificiles de manipular. El objetivo es medir capacidades practicas, no memorizacion de datos generales.
Que ha pasado y por que importa
Vals, fundada en 2024, ha recaudado 40 millones de dolares en una serie A liderada por Andreessen Horowitz. El dinero se destina a desarrollar sistemas de evaluacion de modelos de IA mas precisos que los benchmarks academicos tradicionales. La diferencia clave esta en el enfoque: en lugar de medir conocimiento general, Vals evalua como se comportan los modelos en tareas reales dentro de sectores concretos como derecho, finanzas y codigo. Sus tests se mantienen privados de forma deliberada, para impedir que las compañias de IA entrenen sus modelos especificamente contra ellos y inflen los resultados.
Los benchmarks de IA rigurosos se han convertido en un problema de credibilidad para toda la industria. Cuando un test es publico, acaba filtrandose en los datos de entrenamiento y deja de medir capacidad real para medir memorizacion. Vals ataca precisamente ese punto ciego. La compañia ha multiplicado por ocho sus ingresos respecto al año anterior y ha pasado de 8 a 25 empleados, ademas de ofrecer servicios de evaluacion a agencias federales estadounidenses, un cliente que exige garantias que las tablas publicas no dan.
Implicaciones de mercado de una evaluacion independiente
El crecimiento de Vals apunta a una demanda que hasta ahora estaba mal cubierta: la evaluacion de modelos de IA hecha por un tercero sin incentivo para maquillar cifras. Los proveedores de modelos publican sus propios numeros, y eso genera un conflicto de interes evidente. Un evaluador externo que mantiene sus benchmarks de IA rigurosos en privado ofrece algo que ni OpenAI ni Anthropic ni Google pueden dar sobre si mismos: una medida creible de rendimiento en tareas verticales.
El respaldo de Andreessen Horowitz y la entrada de agencias federales como clientes sugieren que la evaluacion se esta profesionalizando como categoria propia dentro del sector. No es un detalle menor. A medida que las empresas mueven la IA de la demostracion al despliegue en produccion, necesitan saber que modelo funciona mejor para su caso concreto, no cual gana en una prueba genarica de cultura general. Ahi es donde una evaluacion de modelos de IA por dominio se vuelve un insumo de compra, casi como un informe de analistas independientes.
Que significa este movimiento para el mercado
Para los proveedores de modelos, la aparicion de un evaluador independiente con capital y clientes serios cambia las reglas del marketing tecnico. Cada vez sera mas dificil sostener afirmaciones de rendimiento apoyadas solo en benchmarks propios. Los compradores empresariales ganan una referencia externa para negociar y decidir, y eso presiona a la baja el ruido publicitario. Para las consultoras y los equipos internos de datos, un servicio como el de Vals reduce el coste de montar suites de evaluacion propias desde cero, aunque tambien plantea la duda de la dependencia de un proveedor cuyos tests, por diseño, no son auditables por el cliente.
El riesgo evidente es la concentracion: si un puñado de evaluadores privados se convierte en el estandar de facto, su criterio metodologico influira en como se optimizan los modelos. Los sectores regulados, banca y legal, seran los primeros en adoptar estas evaluaciones porque ya viven bajo exigencias de trazabilidad. El resto del mercado seguira si los resultados demuestran que predicen mejor el rendimiento real que las tablas publicas.
Analisis Blixel
Que alguien pague 40 millones por medir bien deberia decirnos algo incomodo sobre el estado actual de la industria: llevamos años tomando decisiones con reglas de medir que nadie se cree del todo. Los rankings publicos se contaminan en cuanto se publican, y las cifras que enseñan los fabricantes tienen tanto valor como una nota de prensa. Un evaluador independiente con incentivo para acertar, no para halagar, era una pieza que faltaba. La estrategia de mantener los tests privados es acertada tecnicamente, porque es la unica forma de que sigan midiendo capacidad y no memorizacion, pero tiene su propia trampa: crea una caja negra. El cliente confia en un numero que no puede reproducir ni auditar, y eso reintroduce por otra puerta el problema de confianza que se supone que Vals resuelve. La solucion pasara por metodologias transparentes aunque los datos concretos no lo sean. Para una PYME española esto tiene una lectura practica clara: antes de elegir modelo, desconfia de cualquier ranking generalista y exige metricas de tu caso de uso concreto. El mejor modelo del mundo en cultura general puede ser mediocre redactando un contrato o revisando codigo en tu stack. La evaluacion por dominio no es un lujo de grandes empresas, es sentido comun aplicado a una tecnologia cara. Si vas a montar algo en produccion, presupuesta la evaluacion como parte del proyecto, no como un extra.
Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido comun. Hablemos.