La fiebre de inversión en infraestructura para el entrenamiento de modelos de inteligencia artificial sigue produciendo unicornios en potencia. El último en sumar millones a su caja es Ethos, una startup que acaba de cerrar una ronda de 22,75 millones de dólares liderada por Andreessen Horowitz (a16z) y cuyo modelo de negocio resulta particularmente interesante: construir la mayor red de expertos humanos verificados por voz para alimentar y supervisar modelos de IA.

La noticia, publicada por TechCrunch, deja algo claro: el mercado ya no basta con que los modelos aprendan solos. Necesitan supervisión humana de calidad, y ese cuello de botella es donde Ethos quiere posicionarse como intermediaria de primer nivel.

¿En qué consiste exactamente lo que hace Ethos? La compañía opera una plataforma donde expertos de distintas disciplinas —desde ingeniería a medicina, pasando por finanzas o derecho— acceden mediante un sistema de verificación por voz. No es una mera lista de perfiles: el proceso de onboarding está diseñado para validar la identidad y el conocimiento real del usuario con tecnología de reconocimiento vocal. Una vez verificados, estos expertos participan en tareas de evaluación, anotación y calibración de modelos de lenguaje.

El dato que más llama la atención es el ritmo de crecimiento: Ethos asegura que está incorporando a 35.000 expertos cada semana. Si esa cifra es sostenible, estamos ante una operación de escala industrial, algo que hasta hace poco se asociaba más con empresas de captchas o micromodalidad de baja calidad. Aquí, en cambio, el enfoque es invertido: se trata de expertos cualificados, no de turkers remunerados por centavos.

La ronda de financiación, con a16z a la cabeza, no es casual. El fondo deventure de Andreessen lleva meses posicionándose como uno de los inversores más activos en la capa de infraestructura de IA, y Ethos encaja en una lógica estratégica: mientras OpenAI, Anthropic o Google invierten miles de millones en GPUs y centros de datos, el entrenamiento y la alineación de los modelos requieren cada vez más humanos expertos. La pregunta de cero, la evaluación de sesgos, la verificación de hechos en contextos especializados: todo eso sigue necesitando juicio humano, al menos durante esta transición.

Lo curioso del modelo de Ethos es que apuesta por la voz como eje de diferenciación. En un mercado donde la identificación está dominada por KYC tradicional, selfies o documentos, usar la biometría vocal como primera capa de verificación plantea tanto oportunidades como interrogantes. La facilidad de uso es evidente: un experto no necesita completar formularios complejos ni subir credenciales cada vez. Pero la fiabilidad de esa verificación, especialmente en entornos multilingües y con acentos diversos, será el verdadero test.

Hay también un componente regulatorio que Ethos debería tener en cuenta. La UE ya está avanzando con regulaciones que exigen transparencia en el uso de datos de entrenamiento y la participación de humanos en la supervisión de sistemas de IA. Si la compañía quiere operar en Europa, su modelo de verificación por voz deberá cumplir con el RGPD y las futuras normativas del AI Act. Por ahora, el enfoque parece más centrado en el mercado anglosajón, pero la ambición declarada sugiere que la expansión geográfica es parte del plan.

Para el ecosistema hispanohablante, esta noticia importa por lo que revela sobre una tendencia más amplia: la IA generativa no es solo un problema de cómputo. Es también un problema de conocimiento humano distribuido, verificable y bien pagado. Las startups que logren construir esa capa de intermediación entre los expertos y los desarrolladores de modelos podrían convertirse en piezas críticas de la cadena de valor, mucho antes de que la IA autónoma reemplace ese papel.

Ethos aún es relativamente joven, pero con 22,75 millones de dólares recién recibidos y un ritmo de captación de 35.000 expertos semanales, la apuesta de a16z sugiere que el mercado ve potencial real en su propuesta. El verdadero reto no será reclutar expertos, sino retenerlos, mantener la calidad de las verificaciones y escalar sin perder la precisión que justifica su diferencial.