Dejar un laboratorio de IA de frontera no es una decisión menor. Cuando Behnam Neyshabur y Harsh Mehta salieron de Anthropic en diciembre pasado, llevaban consigo años trabajando en razonamiento científico y seguridad de modelos. Podrían haber aterrizado en cualquier gran lab o montado otra startup de productividad con IA. En cambio, eligieron un objetivo más difícil: usar IA para hacer ciencia real. Biología. Ciencia de materiales. Descubrimiento, no generación de texto.
Eso es Mirendil. Y la apuesta —$175 millones en negociación a una valuación de $1.000 millones, con Andreessen Horowitz y Kleiner Perkins como co-líderes— dice algo sobre hacia dónde se está moviendo la frontera real de la IA aplicada.
¿Quiénes son los fundadores y por qué importa?
Behnam Neyshabur, CEO, lideró el equipo de razonamiento científico con IA en Anthropic y antes pasó más de cinco años en Google DeepMind. Es uno de los investigadores más citados en machine learning a nivel mundial —más de 37.000 citas académicas— con trabajo profundo en generalización, transferencia de conocimiento y arquitecturas de redes neuronales. No es un emprendedor que aprendió a hablar de IA: es un científico que entiende los límites del campo desde adentro.
IA para el Resto de Nosotros
La nueva versión de mi curso estrella para aprender a usar la IA de forma práctica, simple y útil en tu día a día. Comienza el 24 de marzo.
→ Inscríbete hoy 🚀Harsh Mehta, CTO, fue Senior Research Scientist en Anthropic. Shayan Salehian viene de xAI, y Tara Rezaei pasó por OpenAI. El equipo fundador junta personas que conocen cómo se construyen los modelos más importantes del momento, pero que decidieron que eso no era suficiente.
Ese detalle importa más que el número de la ronda. Los grandes labs están en una carrera por modelos de propósito general cada vez más capaces. Neyshabur y Mehta no salieron a competir en esa carrera: salieron a hacer algo diferente con las herramientas que esa carrera está produciendo.
¿Qué hace Mirendil exactamente?
Los detalles técnicos de Mirendil son escasos por ahora —la startup acaba de salir de la oscuridad— pero el enfoque está claro: IA aplicada a investigación y desarrollo en campos como biología y ciencia de materiales. La idea no es construir otro asistente de escritura ni automatizar reuniones; es acelerar el proceso científico mismo.
¿Qué significa eso en la práctica? En biología, puede significar desde modelado de proteínas y predicción de interacciones moleculares hasta identificación de dianas terapéuticas que los métodos tradicionales tardarían décadas en encontrar. En ciencia de materiales, el espacio es igual de vasto: diseño de nuevos materiales para baterías, semiconductores, catalizadores, con propiedades que ningún laboratorio podría explorar de forma sistemática sin automatización inteligente.
El antecedente más claro de lo que Mirendil podría querer ser es AlphaFold, el sistema de DeepMind que resolvió el problema del plegamiento de proteínas. Ese resultado tardó décadas en construirse y transformó de golpe una disciplina entera. Mirendil parece apostar a que ese tipo de impacto puede replicarse —y acelerarse— con modelos de IA más generales y potentes.
El patrón neo-lab: cuando el talento sale a resolver problemas específicos
Mirendil no es el único caso. Estamos en medio de una ola de lo que se ha llamado neo-labs: startups fundadas por investigadores senior que salen de los grandes labs para atacar problemas específicos con las capacidades que los modelos actuales ya tienen.
La lógica es distinta a la de una startup de software normal. No parten de un pain del mercado ni de una oportunidad de negocio identificada por un MBA. Parten de conocimiento técnico profundo sobre qué pueden hacer los modelos actuales que no se está aprovechando. Yann LeCun tomó un camino paralelo con AMI, apostando $1.030M a que los LLMs tienen un límite estructural para entender el mundo físico y que hay que construir algo diferente. Mirendil, en cambio, no rechaza los LLMs —viene de los labs que los construyen— pero quiere apuntarlos hacia problemas de mayor densidad epistémica.
Esa diferencia de enfoque es relevante. No es una apuesta contra los modelos de lenguaje; es una apuesta a que los modelos de lenguaje y razonamiento son herramientas suficientemente maduras como para atacar problemas científicos serios, si se diseñan los sistemas correctos alrededor de ellos.
Por qué importa: la aceleración científica como meta de IA
El argumento de fondo de Mirendil —aunque no lo digan explícitamente todavía— es que la IA puede transformar la velocidad y el alcance de la investigación científica de una forma que los laboratorios y las universidades no pueden hacer solos. El freno histórico no es la inteligencia de los investigadores: es el espacio de hipótesis. La biología molecular, la química de materiales y decenas de otros campos tienen espacios de exploración tan vastos que la exploración humana, aunque brillante, es inherentemente lenta y estrecha.
Los modelos de IA, entrenados con suficiente dato científico y diseñados con arquitecturas adecuadas al dominio, pueden explorar ese espacio de forma diferente. No mejor que un científico experto en una decisión puntual, pero sí mucho más amplio en términos de hipótesis generadas, experimentos simulados y patrones identificados en la literatura.
Esto no es ciencia ficción. Fondos como Breakout Ventures ya están apostando $114M a startups en esta intersección, apostando a que la combinación de IA y ciencia dura va a producir descubrimientos que los métodos tradicionales no pueden alcanzar en plazos relevantes. Mirendil entra en ese ecosistema con algo que la mayoría de esas startups no tiene: fundadores que construyeron los modelos de frontera desde adentro.
El número en contexto
$175 millones a $1.000 millones de valuación antes de tener producto lanzado suena grande. Y lo es. Pero hay que leerlo en el contexto correcto: en el ecosistema de los labs de IA de frontera, ese número refleja menos el estado de desarrollo actual y más la apuesta sobre el talento específico del equipo y la dificultad del problema.
Neyshabur y Mehta no son founders de primera generación aprendiendo a usar la API de OpenAI. Son investigadores que entienden en profundidad cómo funcionan los modelos más capaces del momento, qué pueden hacer bien y dónde están sus límites. En un campo donde el principal activo es el conocimiento técnico de frontera, eso tiene un precio.
Lo que sí merece seguimiento cuidadoso es la pregunta que toda startup de ciencia con IA debe responder eventualmente: ¿el sistema descubre algo nuevo, o solo procesa más rápido lo que ya se sabe? AlphaFold respondió esa pregunta con resultados concretos y verificables. Mirendil tendrá que hacer lo mismo.
Por qué importa
La elección de dominio de Mirendil —biología y ciencia de materiales, no chatbots ni herramientas de productividad— es en sí misma una posición editorial sobre hacia dónde va la IA más relevante. No toda la inteligencia artificial que importa en los próximos diez años va a tener interfaz de chat y medir su éxito en usuarios activos mensuales. Parte de ella va a medir su éxito en compuestos descubiertos, enfermedades modeladas con más precisión, materiales diseñados que antes no existían.
Que los investigadores con más acceso a los labs de frontera estén eligiendo ese camino es una señal que vale la pena tomar en serio.
