Players Vals levanta 40 millones para auditar modelos de IA con tests privados
Mientras OpenAI busca 1,2 billones de valoración, la industria construye las reglas de evaluación que definirán qué modelos compran las empresas. Vals comercializa la confianza; la academia abre el código de la seguridad y la ciencia.
La valoración de 1,2 billones de dólares que negocia OpenAI no es solo una cifra financiera: es la apuesta de que la IA se convertirá en infraestructura económica básica. Pero esa infraestructura necesita algo que hoy escasea: formas creíbles de saber qué hace realmente cada modelo. Tres movimientos simultáneos —uno comercial, dos académicos— están definiendo ese estándar.
El negocio de la confianza: Vals y la apuesta de Andreessen Horowitz
Rayan Krishnan, cofundador de 25 años, lo resume así: los benchmarks académicos tradicionales no siguen el ritmo de los modelos de frontera. Su startup, Vals, levantó 40 millones en Serie A liderada por Andreessen Horowitz tras multiplicar por ocho sus ingresos en un año y triplicar plantilla a 25 personas. El modelo recuerda al College Board: las empresas pagan para que sus modelos rindan exámenes que no son públicos, diseñados para tareas reales —derecho, finanzas, código, bioseguridad, incluso derecho humanitario— y no para conocimientos abstractos.
Al no publicar los test, Vals evita que los laboratorios entrenen contra el examen. Krishnan ve esto como pieza central cuando Anthropic, OpenAI y SpaceX salgan a bolsa: los benchmarks independientes pasarán a ser tan relevantes como las auditorías financieras en los prospectos de salida.
AstaBench: cuando el agente debe hacer ciencia, no solo responder
En paralelo, la conferencia ICLR 2026 presenta AstaBench, una suite de 2.400 problemas que cubren todo el proceso de descubrimiento científico en múltiples dominios. El paper identifica cinco fallos de los benchmarks actuales: falta de herramientas reproducibles, ignorar coste y acceso a herramientas, ausencia de interfaces estandarizadas, métricas desconectadas de casos de uso reales, y carencia de baselines completos. AstaBench incluye un entorno de investigación con herramientas de búsqueda de grado productivo y nueve clases de agentes optimizados para ciencia, evaluando 57 agentes en 22 clases. La conclusión: pese a avances en aspectos aislados, la IA sigue lejos de asistir realmente en investigación científica.
OpenAgentSafety: la seguridad en entornos reales, no en juguetes
El tercer pilar viene del mismo ICLR: OpenAgentSafety, un framework modular y open-source que evalúa agentes con herramientas reales —navegador, terminal, sistema de archivos, ejecución de código, mensajería— en 356 tareas multi-turno y multi-usuario en ocho categorías de riesgo. Probado sobre siete LLMs prominentes, la tasa de comportamiento inseguro en tareas vulnerables va del 49 % (Claude Sonnet 4) al 73 % (o3-mini). Dos hallazgos críticos: las soluciones «fáciles pero inseguras» impulsan gran parte de los fallos, y los modelos fallan sistemáticamente en riesgos que requieren entender normas institucionales. El framework replica sitios reales (OwnCloud, GitLab, Plane) en contenedores Docker y simula actores secundarios con objetivos conflictivos usando Sotopia.
Qué significa para el ejecutivo latinoamericano
Para una empresa en México, Colombia o Chile que evalúa proveedores de IA, la lección es triple. Primero: las afirmaciones de los vendedores («nuestro modelo razona a nivel de doctorado») valen lo que valen sin validación externa. Segundo: la seguridad no es un checklist estático; OpenAgentSafety demuestra que fallos sutiles emergen solo en interacciones largas, con herramientas reales y usuarios adversariales. Tercero: el mercado se bifurca. Vals vende certificación comercial para compradores que necesitan decidir rápido; AstaBench y OpenAgentSafety entregan código abierto para quien quiera auditar por cuenta propia o construir sus propios criterios.
OpenAI negocia a 1,2 billones y Anthropic prevé una OPV a 2 billones, lo que presionará por estándares de reporte comparables a los financieros. Quien compre IA en LatAm dentro de dos años exigirá —o debería exigir— evidencias de benchmarks independientes, no demos cherry-picked. La infraestructura de evaluación se está construyendo ahora; la ventaja competitiva estará en saber interpretarla antes de firmar el contrato.
