Nomadic acaba de levantar $8,4 millones en seed para resolver un problema que nadie habla pero todos los que trabajan en vehículos autónomos conocen bien: el 95% de los datos de una flota se sienta en archivos sin que nadie pueda usarlos.
No porque los datos no existan. Porque catalogarlos, organizarlos y hacerlos consultables es un trabajo que hasta ahora hacen humanos — viendo horas de video a velocidad acelerada — y eso no escala.
El problema que Nomadic está resolviendo
Una flota de vehículos autónomos genera millones de horas de video. El oro de ese archivo son los edge cases: los momentos donde el sistema hace algo inesperado, donde ocurre un evento raro, donde el modelo se comporta mal frente a una situación poco común. Esos momentos son los más valiosos para el entrenamiento y los más difíciles de encontrar.
Aprende IA con nosotros
Únete gratis a mi comunidad en Skool, donde compartimos noticias, tutoriales y recursos para seguir aprendiendo juntos.
👥 Únete gratis 🚀El proceso actual implica que analistas humanos revisar el footage buscando esos casos. Para una empresa como Zoox — que es cliente de Nomadic — eso significa equipos enteros dedicados a una tarea que es fundamentalmente un problema de búsqueda y catalogación.
La plataforma de Nomadic convierte el footage en un dataset estructurado y consultable usando un conjunto de modelos de visión y lenguaje. El resultado: en lugar de “busca a alguien que revise 10.000 horas de video para encontrar casos donde el vehículo reacciona a un policía dirigiendo tráfico”, puedes hacer esa consulta directamente contra el dataset y obtener los clips en minutos.
Por qué ahora y por qué importa
La IA física tiene un problema de datos que no es de cantidad sino de calidad y accesibilidad. Los modelos de vehículos autónomos y robots industriales no están limitados principalmente por la falta de datos — están limitados por la capacidad de encontrar los datos correctos dentro del mar de datos disponibles. Esa es exactamente la tesis de Nomadic.
La ronda de $8,4M fue liderada por TQ Ventures con participación de Pear VC y Jeff Dean — el ex-VP de Google AI y Research. La valoración post-money es $50M. Los fundadores, Mustafa Bal y Varun Krishnan, se conocieron como undergrads de Harvard en ciencias de la computación y acumularon experiencia en Lyft y Snowflake antes de fundar la empresa.
Los clientes ya en producción incluyen Zoox (el robotaxi de Amazon), Mitsubishi Electric, Natix Network y Zendar. El VP de Engineering de Zendar indicó que la herramienta les permitió escalar mucho más rápido que la alternativa de outsourcing de labeling.
La arquitectura técnica
Nomadic describe su sistema como un “sistema de razonamiento agentivo”: no es solo un labeler automático, sino una plataforma donde describes lo que necesitas en lenguaje natural y el sistema usa múltiples modelos para encontrarlo y ponerlo en contexto. La diferencia importa — un labeler asigna etiquetas, un sistema agentivo entiende relaciones y contexto.
Ejemplos concretos de lo que está construyendo: una herramienta que entiende la física de los cambios de carril desde footage de cámara, y otra que deriva ubicaciones precisas para los grippers de un robot a partir de video. El siguiente paso es expandir más allá del video hacia datos de lidar y la integración de múltiples sensores.
Este tipo de infraestructura de auto-anotación está emergiendo como capa crítica en el stack de physical AI. NVIDIA ha apostado que el cuello de botella en robótica es el cómputo, pero Nomadic está apostando a que también es la estructura de datos — que sin datos bien organizados y consultables, el cómputo adicional no resuelve el problema de entrenamiento.
La tesis del inversor
La frase del partner de TQ Ventures que lideró la ronda resume bien la apuesta: “Es la misma razón por la que Salesforce no construye su propia nube y Netflix no construye sus propias instalaciones de distribución de contenido. En el momento en que una empresa de vehículos autónomos intenta construir Nomadic internamente, se distrae de lo que la hace ganar, que es el robot en sí mismo.”
Es un argumento de especialización de infraestructura — la misma lógica que creó mercados de decenas de miles de millones en cloud computing, labeling de datos y MLOps. Si la physical AI sigue la misma trayectoria de maduración que el software enterprise, la capa de gestión de datos del mundo físico será un mercado muy grande.
$8,4M es capital semilla para una apuesta larga. Pero los clientes en producción, el respaldo de Jeff Dean y el premio en GTC de NVIDIA sugieren que la tesis tiene tracción real.
