El ascenso de Mercor a 20.000 millones de valoración revela que el próximo cuello de botella de la IA no es la computación

Mercor empezó como una plataforma de contratación que usaba IA para emparejar contratistas con empleos. Para septiembre de 2026 estaba valorada en unos 20.000 millones de dólares —el doble de su valoración diez meses antes— y el negocio detrás de esa cifra ya casi no tiene nada que ver con la contratación. Mercor ahora construye entornos de trabajo simulados donde los modelos de IA practican tareas y son calificados según los resultados, y ese cambio es la evidencia más clara hasta ahora de que el verdadero cuello de botella de la industria de la IA se ha alejado de la computación bruta.

La categoría se llama "entornos RL" —entornos de aprendizaje por refuerzo— y es donde los laboratorios de vanguardia gastan ahora una porción que crece rápidamente de sus presupuestos de entrenamiento. Según reportes, Anthropic ha discutido gastar más de 1.000 millones de dólares en entornos solo en 2026. El liderazgo de investigación de OpenAI declaró públicamente que la empresa espera que la computación de aprendizaje por refuerzo pronto supere lo que gasta en preentrenamiento.

De etiquetar datos a construir campos de práctica

El antiguo proceso de entrenamiento de modelos era simple: extraer o licenciar texto, etiquetar parte de él, y preentrenar un modelo con el corpus resultante. Ese proceso todavía existe, pero produce retornos decrecientes para el tipo de comportamiento agéntico y multipaso que los laboratorios ahora quieren: escribir código funcional en un repositorio real, cerrar un ciclo contable, negociar un ticket de soporte al cliente de múltiples turnos hasta resolverlo.

Eso no se puede enseñar desde un conjunto de datos estático. Se necesita un entorno simulado donde un modelo pueda tomar una acción, ver una consecuencia realista y ser puntuado contra un resultado verificable. Construir esos entornos —un sistema contable simulado funcional, una base de código navegable con errores reales, un simulador de atención al cliente de múltiples turnos— es una disciplina genuinamente distinta del etiquetado de datos, más cercana a construir un videojuego que a anotar una hoja de cálculo.

Los propios movimientos de producto de Mercor cuentan la historia. Lanzó APEX-SWE, un entorno de referencia para ingeniería de software, en marzo de 2026. En julio se asoció con la empresa de gestión de gastos Ramp para lanzar APEX-Accounting. Ambas adquisiciones detrás de esa capacidad —Sepal AI en febrero y Deeptune en julio— se compraron explícitamente para construir músculo de ingeniería de entornos, no para sumar personal de etiquetado.

Por qué los entornos superan económicamente a más datos

La economía explica la valoración. Un conjunto de datos etiquetado se usa una vez, se refina una vez y eventualmente se satura —un modelo entrenado más allá de cierto punto con los mismos ejemplos estáticos deja de mejorar. Un entorno bien construido es reutilizable y acumulativo: cada nueva generación de modelos puede entrenar contra él de nuevo, y el propio entorno puede hacerse más difícil a medida que los modelos mejoran, extendiendo su vida útil indefinidamente.

Esa reutilización explica por qué una empresa que vende entornos puede cobrar más por contrato que una que vende volúmenes equivalentes de ejemplos etiquetados, y por qué "ingeniero de entornos RL" pasó de ser un título que apenas existía en 2024 a uno de los roles mejor pagados y más difíciles de cubrir en IA para 2026.

Tres bandos compitiendo por controlar esta capa

El mercado se ha dividido en tres grupos. El primero son incumbentes de datos humanos que giraron con fuerza hacia entornos —Mercor, Surge AI (con ingresos reportados de alrededor de 1.200 millones de dólares), Scale AI, Turing y Centific. El segundo son startups nativas de entornos que nunca hicieron etiquetado de datos tradicional: Mechanize, Fleet AI, HUD, Veris AI, Plato y Bespoke Labs. El tercero son ecosistemas abiertos y descentralizados como Prime Intellect.

Qué significa esto en la práctica

Para ingenieros: la ingeniería de entornos es ahora una especialidad distinta y bien remunerada que vale la pena aprender deliberadamente. Para compradores empresariales que evalúan las afirmaciones de un proveedor de IA sobre un flujo de trabajo específico, la pregunta útil ya no es "cuántos datos entrenaron" sino "qué entorno construyeron para verificar este comportamiento, y qué tan cerca está de mi flujo de trabajo real". Para fundadores en espacios adyacentes, la capa de entornos todavía es lo bastante joven como para que los entornos específicos de dominio para verticales desatendidas sigan siendo territorio abierto.

La historia de la computación no ha terminado. Pero para la próxima generación de modelos, la restricción vinculante parece cada vez más si los laboratorios tienen una versión simulada del mundo real lo bastante buena para entrenar contra ella —y quién controla las mejores copias de esa simulación.