La ronda de financiación de Mecka AI se acerca a los $500M, pero la apuesta por los datos sigue sin demostrarse
Mecka AI se acerca a una financiación liderada por Sequoia con una valoración reportada de $500 millones, apenas tres meses después de anunciar su financiación anterior. La propuesta ronda de financiación de Mecka AI otorgaría un precio llamativo a una empresa de dos años que recopila actividad humana para entrenar robots.
El acuerdo sigue sin cerrarse. Su tamaño no se ha revelado y sus términos aún pueden cambiar, según el informe de financiación original. Mecka no respondió a la solicitud de comentarios de la publicación, mientras que Sequoia Capital declinó hacer comentarios.
Esa incertidumbre importa más que la cifra del titular. La valoración reportada de Mecka AI refleja negociaciones, no una transacción completada ni un precio de mercado establecido de forma independiente.
Aun así, las conversaciones revelan dónde ven los inversores la próxima capa valiosa de la inteligencia artificial. Mecka no fabrica humanoides ni desarrolla un cerebro robótico de propósito general. Recopila, procesa y suministra los ejemplos físicos que esos sistemas necesitan para aprender.
Su apuesta central es que las demostraciones humanas pueden escalar más rápido que las producidas por robots controlados de forma remota. Su rival XDOF se construye en torno tanto a la teleoperación como a recolectores humanos equipados con sensores, lo que sitúa ese contraste en el centro del mercado emergente.
El resultado es una competencia entre dos estrategias de datos. Una captura los movimientos que las personas realizan de forma natural en numerosos entornos. La otra registra acciones mediante las máquinas exactas que finalmente deberán repetirlas.
Ambos enfoques abordan la misma limitación. Los robots no pueden absorber experiencia física recorriendo la internet pública, como los modelos de lenguaje consumieron en su día enormes colecciones de texto.
El rápido regreso de Mecka ante los inversores sugiere que el impulso de financiación ha avanzado por delante de la evidencia pública. La próxima prueba será si sus datos producen mejores robots, ingresos repetibles de clientes y ventajas duraderas frente a alternativas cada vez mejor financiadas.
La ronda de financiación de Mecka AI sigue siendo una negociación
La valoración reportada es significativa, pero no debe considerarse una referencia de financiación ya completada.
Dos personas familiarizadas con las conversaciones dijeron a TechCrunch que Sequoia Capital lideraba la nueva ronda. Situaron la valoración de la empresa en aproximadamente $500 millones. El informe no identificó el importe que Mecka pretendía recaudar.
Las partes no habían finalizado el acuerdo cuando apareció la noticia el 11 de septiembre de 2026. Los términos de financiación suelen cambiar antes de que se produzcan las firmas y las transferencias de capital. Un inversor principal también puede estructurar una ronda mediante preferencias que hagan menos informativa la valoración del titular.
Las conversaciones reportadas siguen a una financiación anunciada previamente de $60 millones, liderada por Framework Ventures. Menlo Ventures, SV Angel, Kindred Ventures y el inversor ángel Ted Xiao también participaron en ese capital anterior.
Esa financiación consistió en una Serie A de $25 millones, cerrada en noviembre de 2025, seguida de una inversión de $35 millones. Mecka reveló públicamente ambas partes en junio de 2026.
El breve intervalo es la primera señal importante. Mecka ha vuelto a conversaciones de recaudación de fondos solo unos meses después de anunciar capital suficiente para ampliar una joven operación de datos.
El nuevo acuerdo no significa necesariamente que el dinero anterior se haya gastado. Las startups de rápido crecimiento a veces aceptan interés no solicitado cuando los inversores ofrecen condiciones atractivas. Los competidores también pueden obligar a las empresas a recaudar antes de lo previsto.
XDOF ilustra esa presión. El rival salió del modo sigiloso en junio, anunció una Serie A de $70 millones y entró en nuevas conversaciones de financiación en un plazo de tres meses. Esas conversaciones supuestamente la valoraron cerca de $1.200 millones.
Por tanto, la situación de Mecka parece menos una financiación aislada que una carrera por financiar la cadena de suministro de datos físicos. Los inversores están apostando antes de que se hagan evidentes los líderes finales del mercado de la categoría.
La segunda señal es la identidad del posible inversor principal. La participación de Sequoia ampliaría el respaldo institucional de Mecka más allá de Framework, una firma conocida en parte por sus inversiones en infraestructura cripto.
Sin embargo, la reputación de un inversor no valida el rendimiento técnico de un producto. Indica convicción sobre el potencial de mercado, el momento competitivo y la posibilidad de obtener retornos sustanciales.
La valoración reportada de Mecka AI también necesita contexto. Los inversores están financiando al mismo tiempo fabricantes de hardware robótico, desarrolladores de modelos robóticos generales, empresas de simulación y proveedores de datos.
Generalist, que desarrolla modelos destinados a operar en distintos robots, alcanzó una valoración reportada de $3.000 millones tras recaudar capital adicional en agosto. Physical Intelligence y Skild AI han atraído valoraciones reportadas aún mayores.
Estas empresas compiten en otra capa, pero sus ambiciones generan demanda de material de entrenamiento. Una empresa de modelos bien capitalizada puede comprar datos externos, desarrollar operaciones internas de recopilación o combinar ambos métodos.
Esa elección define la oportunidad de Mecka. También crea un serio riesgo estratégico. Los clientes con mayor necesidad de datos podrían acabar convirtiéndose en las empresas más capaces de sustituir a un proveedor externo.
Por ahora, el único avance confirmado es que las conversaciones están lo bastante avanzadas como para producir una valoración reportada. Hasta que se cierre la financiación, el titular sigue siendo una indicación del apetito inversor, más que del valor consolidado de la empresa.
Por qué los datos de entrenamiento para robots atraen de repente tanto capital
Los inversores tratan la experiencia física como un insumo escaso porque los robots carecen de algo comparable al corpus a escala web utilizado por los modelos de lenguaje.
Un modelo de lenguaje puede aprender patrones a partir de libros, sitios web, repositorios de software y conversaciones. Un robot necesita ejemplos que conecten percepción con movimiento, contacto, fuerza, tiempo y consecuencias físicas.
Ver un vídeo de alguien abriendo un tarro aporta información visual útil. No le indica automáticamente a un robot con qué fuerza debe sujetar la tapa ni cómo cambia la resistencia durante la rotación.
Los datos de entrenamiento para robots intentan capturar esas relaciones ausentes. Según el sistema de recopilación, una grabación puede combinar vídeo con posiciones articulares, movimientos de manos, profundidad, fuerza y contexto ambiental.
El enfoque de Mecka comienza con personas realizando actividades cotidianas. Los participantes usan smartphones, sensores corporales u otro hardware de captura mientras completan tareas como preparar café o reparar coches.
La empresa procesa después esas grabaciones para convertirlas en material destinado al aprendizaje robótico. Su sitio web describe una capa más amplia de datos, evaluación y despliegue que conecta fabricantes de hardware, desarrolladores de modelos y usuarios comerciales.
La plataforma EgoVerse de Mecka ofrece la visión pública más clara de esa estrategia. Un artículo de EgoVerse de abril de 2026 describe un sistema colaborativo para recopilar y estudiar demostraciones humanas egocéntricas.
Los datos egocéntricos registran una actividad desde la perspectiva del participante. La cámara y los sensores acompañan al trabajador, en lugar de observar desde una posición fija al otro lado de la habitación.
La publicación de investigación contiene 1.362 horas repartidas en 80.000 episodios, 1.965 tareas, 240 escenarios y 2.087 demostradores. También incluye formatos estandarizados y anotaciones relevantes para la manipulación.
Los investigadores probaron cómo las demostraciones humanas se transferían a políticas robóticas en varios laboratorios, tareas y tipos de robots. Informaron de que una mayor cantidad de datos humanos mejoraba por lo general el rendimiento.
Sin embargo, el artículo también estableció un límite importante. El escalado efectivo dependía de la alineación entre las demostraciones humanas y el objetivo de aprendizaje del robot.
Ese hallazgo complica la afirmación simple de que recopilar más imágenes humanas producirá máquinas más capaces. El volumen importa, pero también la relevancia, la calidad de los sensores, las anotaciones y las diferencias de embodiment.
Una muñeca humana, por ejemplo, se mueve de forma distinta a una pinza robótica. Las personas utilizan el tacto, el equilibrio y una experiencia que quizá no aparezca por completo en un vídeo de smartphone.
Mecka sostiene que sus herramientas de procesamiento e integración pueden salvar esas diferencias. La empresa afirma que el vídeo en bruto por sí solo es insuficiente y hace hincapié en las anotaciones, el control de calidad, la comprensión del movimiento y la evaluación.
Por eso su negocio es más ambicioso que un mercado de clips subidos por usuarios. El producto valioso debe ser información lista para el entrenamiento que mejore el modelo de un cliente en condiciones medibles.
El momento también refleja cambios entre los desarrolladores de robótica. La financiación se ha disparado para las empresas que intentan desarrollar inteligencia robótica de propósito general, mientras que las compañías de hardware persiguen fábricas, almacenes y hogares.
Esos desarrolladores necesitan ejemplos diversos de trabajo real. Construir internamente cada sitio de recopilación requeriría hardware, operadores, sistemas de anotación y acceso a numerosos entornos.
Un proveedor externo de datos puede repartir esos costes entre varios clientes. También puede reclutar colaboradores en regiones y ocupaciones a las que un único laboratorio de robótica no puede acceder fácilmente.
Ese modelo se parece al auge de los proveedores especializados de datos durante el boom de los modelos de lenguaje. Sin embargo, la recopilación física es más difícil de estandarizar y más costosa de verificar.
El texto puede copiarse, filtrarse y etiquetarse mediante flujos de trabajo de software. Las demostraciones físicas dependen de sensores, colocación de cámaras, instrucciones de las tareas, condiciones ambientales y comportamiento individual.
Por tanto, el valor potencial es alto porque el insumo es escaso. La carga operativa es igualmente alta porque el insumo no puede generarse mediante un simple rastreo web.
Las demostraciones humanas afrontan el desafío de la teleoperación
La competencia decisiva de Mecka no es contra una sola empresa; enfrenta la recopilación centrada en humanos con las demostraciones nativas de robots.
La teleoperación permite a una persona controlar un robot a distancia mientras el sistema registra sus acciones. Cada sesión produce datos utilizando las articulaciones, cámaras, pinzas e interfaz de control reales del robot.
Esa alineación es una gran ventaja. La acción registrada ya se ajusta a las capacidades físicas de la máquina, lo que reduce la brecha entre un ejemplo humano y una ejecución robótica.
La teleoperación también tiene limitaciones claras. Requiere acceso a robots, operadores capacitados, equipos mantenidos e instalaciones adecuadas para la recopilación. Cada flujo de datos adicional puede exigir más máquinas y más supervisión humana.
Mecka apuesta a que es más fácil distribuir personas que robots. Un colaborador puede registrar trabajo con equipos portátiles en hogares, cocinas, garajes, laboratorios y entornos industriales.
Eso crea una cobertura ambiental más amplia. Puede exponer los modelos a distintos objetos, disposiciones de las habitaciones, flujos de trabajo, condiciones de iluminación e interrupciones inesperadas.
La contrapartida es la calidad de la transferencia. Un humano puede usar cinco dedos, sutil retroalimentación táctil y años de coordinación aprendida. Muchos robots comerciales tienen pinzas más simples y movimientos restringidos.
La investigación de EgoVerse sugiere que estas demostraciones siguen siendo útiles cuando se alinean con el problema objetivo. No establece que toda tarea humana registrada se transfiera de forma efectiva a cada robot.
XDOF se aproxima al mismo cuello de botella desde ambas direcciones. Su sistema GELLO utiliza una interfaz de bajo coste que permite a los operadores controlar brazos robóticos y generar demostraciones.
La empresa también emplea a personas que usan sensores para registrar tareas como doblar ropa y aplanar cajas. Su estrategia combinada reconoce que ninguna de las dos vías de recopilación resuelve todas las necesidades.
Según un informe sobre financiación de un rival, XDOF trabajaba con 20 clientes y se acercaba a los 50 millones de dólares de ingresos anualizados. Estas cifras se comunicaron a través de fuentes y divulgaciones de la empresa, no de registros públicos auditados.
La discusión sobre una financiación de 1.200 millones de dólares para XDOF eleva la presión sobre Mecka. Sugiere que los inversores esperan que la categoría pueda sostener a varios grandes proveedores, o que compiten por identificar a un futuro líder.
Scale AI representa otra forma de presión. Ya opera una amplia infraestructura de etiquetado y evaluación de datos desarrollada para clientes de inteligencia artificial.
En marzo, Scale anunció una colaboración con Universal Robots que integra su software en un producto industrial de recopilación de datos. La colaboración industrial combina robots de producción con datos visuales y de retroalimentación de fuerza.
Universal Robots afirma contar con más de 100.000 implementaciones industriales. Esa base instalada ofrece a la colaboración una vía para recopilar datos de máquinas que ya están realizando trabajo.
Este modelo cuestiona la premisa de que la recopilación humana independiente dominará. Los sistemas de producción pueden generar ejemplos específicos de tareas, fallos y señales de mejora dentro de los entornos donde los clientes necesitan fiabilidad.
Al mismo tiempo, los robots desplegados no pueden proporcionar fácilmente demostraciones de tareas que nunca han dominado. Las grabaciones humanas pueden cubrir esos comportamientos antes de que existan grandes flotas de robots.
Es probable que el mercado combine varias fuentes. Las demostraciones humanas pueden respaldar un preentrenamiento amplio, mientras que los robots teleoperados y desplegados aportan un refinamiento específico de la corporeidad.
La simulación añade una tercera fuente. Los desarrolladores pueden generar variaciones controladas sin recrear repetidamente cada situación física, aunque la experiencia simulada puede diferir de la realidad.
La posición de Mecka depende de controlar las conexiones útiles entre estas fuentes. Sus materiales públicos describen cada vez más los datos, la evaluación y el despliegue, en lugar de limitarse a la recopilación de datos.
Esta expansión tiene sentido estratégico. La recopilación pura corre el riesgo de convertirse en una mercancía intensiva en mano de obra si varios proveedores pueden captar colaboradores y comprar sensores similares.
El procesamiento, la medición de calidad, la evaluación específica para cada cliente y la integración del despliegue pueden generar relaciones más sólidas. También pueden dificultar el cambio de proveedor.
Sin embargo, ampliar el producto crea riesgos de ejecución. Una empresa de dos años debe desarrollar software, hardware, operaciones, investigación y prestación de servicios empresariales mientras compite con rivales especializados.
El nuevo capital puede financiar esa expansión. No puede garantizar que Mecka supere a los sistemas de teleoperación ni a los datos recopilados directamente de robots de producción.
Lo que la valoración reportada de Mecka AI no demuestra
La mayor incógnita es si las afirmaciones comerciales de Mecka se traducen en ingresos repetibles y rendimiento robótico medido de forma independiente.
El CEO Josh Gao dijo a Fortune que Mecka proyectaba alcanzar una tasa anualizada de 100 millones de dólares para finales de 2026. Afirmó que la proyección se basaba en contratos que los clientes ya habían firmado.
Una tasa anualizada convierte los ingresos actuales o esperados en un ritmo anual. No equivale a ingresos anuales reconocidos, efectivo cobrado ni ingresos recurrentes auditados.
Mecka no ha identificado públicamente a los clientes detrás de esa proyección. Gao también declinó identificarlos en la entrevista sobre financiación de junio.
La confidencialidad es habitual en la inteligencia artificial empresarial. Las empresas de robótica suelen mantener privados a sus proveedores, conjuntos de datos y métodos de desarrollo de modelos porque los consideran activos competitivos.
Aun así, la confidencialidad impide a los observadores externos comprobar varias afirmaciones básicas. Sigue sin estar claro cuántos clientes contribuyen a la proyección o cuánto duran sus compromisos.
El registro público no muestra qué parte de los ingresos depende de proyectos únicos de recopilación. Tampoco revela si los acuerdos incluyen hitos, derechos de cancelación o compras mínimas.
Estas distinciones importan para la valoración reportada de Mecka AI. Los ingresos de servicios basados en proyectos merecen expectativas distintas de las del software repetible o las licencias de datos a largo plazo.
Mecka también incurre en costes operativos físicos. Necesita equipos de captura, colaboradores, controles de calidad, almacenamiento, procesamiento y equipos capaces de diseñar programas específicos para cada cliente.
Un rápido crecimiento de los ingresos puede coexistir con márgenes débiles cuando cada contrato exige un trabajo manual considerable. Ningún estado financiero público establece la economía del modelo de recopilación de Mecka.
La validación técnica presenta otra brecha. EgoVerse aporta evidencia de investigación relevante de que los datos humanos pueden mejorar el aprendizaje robótico en condiciones alineadas.
No demuestra que los conjuntos de datos comerciales de Mecka superen de forma consistente a los datos teleoperados, la simulación o el proceso interno de recopilación de un cliente.
Los clientes juzgarán los datos por sus resultados posteriores. Las métricas útiles incluyen tasas de éxito de tareas, rendimiento con objetos desconocidos, recuperación ante fallos y la cantidad de ajuste fino específico para robots necesaria.
Los conjuntos de datos de la empresa también deben seguir siendo diferenciados. Los competidores pueden captar participantes, crear kits de sensores y desarrollar canales de anotación.
Una ventaja defendible puede surgir del acceso exclusivo a entornos, procesamiento propietario, controles de calidad superiores o una gran red de colaboradores. Mecka no ha divulgado suficientes detalles para comparar estos factores de manera independiente.
La privacidad y los permisos crean otro riesgo. Las grabaciones en primera persona dentro de hogares y lugares de trabajo pueden captar rostros, documentos, pantallas, voces y pertenencias personales.
Un proveedor de datos debe obtener un consentimiento significativo, proteger a los colaboradores e impedir que material sensible llegue a los clientes. También debe documentar si las grabaciones pueden respaldar legalmente el entrenamiento comercial de modelos.
Estas obligaciones se vuelven más difíciles a medida que la recopilación se expande entre países. Las normas de privacidad, las protecciones laborales, las políticas del lugar de trabajo y las expectativas de los transeúntes varían según la jurisdicción.
Los entornos industriales introducen restricciones adicionales. Los fabricantes podrían prohibir cámaras cerca de procesos confidenciales, información de clientes o sistemas de seguridad.
Los entornos altamente regulados elevan aún más el listón. Las tareas médicas, farmacéuticas, de defensa y de infraestructura crítica no pueden registrarse mediante programas ordinarios de recopilación para consumidores.
Mecka puede centrarse en ámbitos accesibles, pero esos límites afectan al tamaño y la composición de su conjunto de datos obtenible. También crean oportunidades para proveedores especializados con credenciales sectoriales.
El mercado más amplio de la robótica añade incertidumbre comercial. Los desarrolladores siguen mejorando las capacidades de los modelos, pero el funcionamiento fiable de propósito general continúa siendo un problema sin resolver.
Un análisis reciente sobre la inteligencia robótica describió una industria que todavía busca conjuntos de datos diversos y métodos de entrenamiento eficaces. La fiabilidad comercial sigue siendo difícil incluso para tareas definidas de forma limitada.
Si los despliegues de robots crecen lentamente, la demanda de datos puede quedarse por debajo de las expectativas incorporadas en las valoraciones actuales. Las empresas de modelos también podrían concentrar el gasto en un número menor de tareas de alto valor.
Por el contrario, los despliegues exitosos pueden fortalecer la posición de Mecka. Cada programa robótico que funciona genera demanda de nuevos ejemplos, casos de fallo y evaluación específica para cada entorno.
Por tanto, la financiación reportada valora tanto la oportunidad como la incertidumbre. Refleja un cuello de botella plausible, pero no determina qué método de recopilación lo resolverá de manera rentable.
Tres señales decidirán si la apuesta se sostiene
La próxima evidencia debe proceder de una operación cerrada, adopción comercial identificable y mejoras medibles en el rendimiento de los robots.
La primera señal es la propia financiación. Mecka y Sequoia deben completar la ronda de financiación reportada de Mecka AI antes de que la cifra de 500 millones de dólares se convierta en una referencia de mercado confirmada.
El importe y la estructura finales serán importantes. Una inversión sustancial en condiciones ordinarias de acciones preferentes reforzaría la idea de que los inversores ven a Mecka como líder de categoría.
Una valoración reducida, preferencias complejas o una operación abandonada debilitarían esa interpretación. Hasta que se complete, los lectores deberían describir el acuerdo como negociaciones reportadas.
La segunda señal es la evidencia de clientes. Mecka no necesita revelar cada contrato, pero uno o más despliegues identificados aclararían quién compra sus datos y por qué.
Un estudio de caso creíble debería identificar la tarea, el tipo de robot, los datos recopilados, el método de evaluación y el resultado operativo. Las afirmaciones generales sobre laboratorios de frontera ofrecerán menos validación.
La presentación de ingresos requerirá una precisión similar. La tasa anualizada proyectada de 100 millones de dólares de Mecka debería compararse finalmente con los ingresos reconocidos, la duración de los contratos, la concentración y el comportamiento de renovación.
Si los clientes amplían sus programas tras probar los conjuntos de datos iniciales, el modelo de Mecka parecerá más repetible. Una fuerte dependencia de unos pocos contratos a medida debilitaría la narrativa de infraestructura.
La tercera señal es la comparación técnica. Mecka necesita evidencia que muestre dónde los datos centrados primero en humanos superan o complementan la teleoperación, la simulación y las grabaciones de robots de producción.
Su propia investigación ya apunta a la cuestión relevante. Más datos ayudaron, pero la alineación con el objetivo de aprendizaje del robot determinó la eficacia con la que esos datos escalaron.
Las evaluaciones futuras deberían probar entornos desconocidos, distintos cuerpos robóticos y tareas que requieran fuerza o tacto. También deberían informar sobre los fallos en lugar de destacar solo las demostraciones exitosas.
Los resultados en laboratorios independientes tendrían más peso que las referencias internas. Las mejoras reproducibles demostrarían que Mecka posee algo más que una gran operación de recopilación.
El comportamiento de los competidores ofrecerá otra pista dentro de estas tres señales. La estrategia de recopilación combinada de XDOF y la colaboración industrial de Scale ofrecen a los clientes alternativas creíbles.
Si esas empresas combinan cada vez más fuentes humanas y nativas de robots, Mecka afrontará presión para hacer lo mismo. Su cambio hacia la integración y el despliegue sugiere que ya reconoce ese desafío.
La industria debería resistirse a tratar una fuente como universalmente superior. La actividad doméstica, la manipulación en almacenes, la reparación de automóviles y el trabajo de laboratorio imponen requisitos de datos diferentes.
Un proveedor útil adaptará los métodos de recopilación a la máquina y al entorno operativo del cliente. También medirá si cada conjunto de datos adicional mejora la fiabilidad en el mundo real.
Para desarrolladores y compradores empresariales, la lección inmediata es práctica. Evalúen a los proveedores mediante resultados a nivel de tarea, procedencia legal y el coste total de convertir grabaciones en políticas funcionales.
Para los inversores, la lección es más cautelosa. La escasez puede respaldar valoraciones altas, pero los datos escasos no son automáticamente datos valiosos.
Mecka ha identificado un obstáculo real y ha producido investigación que ayuda a definirlo. El interés reportado de Sequoia muestra que el capital ahora considera la infraestructura de aprendizaje robótico como una categoría importante.
La cuestión sin resolver es si Mecka puede convertir la experiencia humana distribuida en una ventaja que los clientes no puedan reproducir ni sustituir. La respuesta surgirá mediante financiación cerrada, adopción identificada y resultados técnicos independientes.
Sigan esas señales antes de tratar la valoración reportada como una prueba. Si Mecka cumple las tres, su estrategia de datos humanos parecerá infraestructura en vez de un costoso experimento de recopilación.
