Estas nuevas empresas de IA se destacaron más en el lote de invierno de 2024 de Y Combinator

A pesar de una disminución general en la inversión inicial, la financiación para la IA aumentó el año pasado. Sólo el capital destinado a empresas de IA generativa casi se cuadruplicó de 2022 a 2023, alcanzando los 25.200 millones de dólares a finales de diciembre.

Por lo tanto, no es exactamente sorprendente que las nuevas empresas de inteligencia artificial dominaran el Demo Day de invierno de 2024 de Y Combinator.

La cohorte de Y Combinator Winter 2024 tiene 86 nuevas empresas de IA, según el directorio oficial de startups de YC: casi el doble que el lote de invierno de 2023 y cerca del triple que el número de invierno de 2021. Llámelo burbuja o sobrevalorado, pero claramente, la IA es la tecnología del momento.

Como hicimos el año pasado, revisamos la cohorte más nueva de Y Combinator, la cohorte que se presentó durante el Día de demostración de esta semana, y seleccionamos algunas de las nuevas empresas de IA más interesantes. Cada uno hizo el corte por diferentes razones. Pero, en principio, se destacaron entre los demás, ya sea por su tecnología, su mercado al que se dirigían o los antecedentes de sus fundadores.

Color avellana

August Chen (ex Palantir) y Elton Lossner (ex Boston Consulting Group) afirman que el proceso de contratación gubernamental está irremediablemente roto.

Los contratos se publican en miles de sitios web diferentes y pueden incluir cientos de páginas de regulaciones superpuestas. (Solo el gobierno federal de EE. UU. firma aproximadamente más de 11 millones de contratos al año). Responder a estas ofertas puede requerir el equivalente de divisiones comerciales enteras, respaldadas por consultores y firmas de abogados externos.

La solución de Chen y Lossner es utilizar IA para automatizar el proceso de descubrimiento, redacción y cumplimiento de contratos gubernamentales. La pareja, que se conoció en la universidad, la llama Hazel.

Con Hazel, los usuarios pueden ser asignados a un contrato potencial, generar un borrador de respuesta basado en la RFP (solicitud de propuesta) y la información de su empresa, crear una lista de verificación de tareas pendientes y ejecutar automáticamente verificaciones de cumplimiento.

Dada la tendencia de la IA a alucinar, soy un poco escéptico de que las respuestas y comprobaciones generadas por Hazel sean consistentemente precisas. Pero, si están siquiera cerca, podrían ahorrar una enorme cantidad de tiempo y esfuerzo, permitiendo a las empresas más pequeñas tener la oportunidad de obtener cientos de miles de millones de dólares en contratos gubernamentales emitidos cada año.

Andy AI

Las enfermeras a domicilio se ocupan de mucho papeleo. Tiantian Zha lo sabe bien: anteriormente trabajó en Verily, la división de ciencias biológicas de la empresa matriz de Google, Alphabet, donde participó en proyectos que van desde la medicina personalizada hasta la reducción de enfermedades transmitidas por mosquitos.

En el curso de su trabajo, Zha descubrió que la documentación era una gran pérdida de tiempo para las enfermeras a domicilio. Es un problema generalizado: según un estudio, las enfermeras dedican más de un tercio de su tiempo a la documentación, lo que reduce el tiempo dedicado a la atención al paciente y contribuye al agotamiento.

Para ayudar a aliviar la carga de documentación de las enfermeras, Zha cofundó Andy AI con Max Akhterov, un ex ingeniero de Apple. Andy es esencialmente un escriba con tecnología de inteligencia artificial, que captura y transcribe los detalles hablados de la visita de un paciente y genera registros médicos electrónicos.

Al igual que con cualquier herramienta de transcripción impulsada por IA, existe riesgo de sesgo, es decir, la herramienta no funciona bien para algunas enfermeras y pacientes dependiendo de su acento y elección de palabras. Y, desde un punto de vista competitivo, Andy no es exactamente el primero de su tipo en el mercado: sus rivales incluyen DeepScribe, Heidi Health, Nabla y AWS HealthScribe de Amazon.

Pero a medida que la atención médica se traslada cada vez más al hogar, la demanda de aplicaciones como Andy AI parece estar a punto de aumentar.

Precipicio

Si su experiencia con las aplicaciones meteorológicas se parece en algo a la de este periodista, ha quedado atrapado en una tormenta después de creer ciegamente en las predicciones de cielos azules y despejados.

Pero no tiene por qué ser así.

Al menos, esa es la premisa de Precip, una plataforma de pronóstico del tiempo impulsada por inteligencia artificial. Jesse Vollmar tuvo la idea después de fundar FarmLogs, una startup que vendía software de gestión de cultivos. Se asoció con Sam Pierce Lolla y Michael Asher, anteriormente científico de datos principal de FarmLogs, para hacer de Precip una realidad.

Precip ofrece análisis de precipitaciones; por ejemplo, estima la cantidad de lluvia en un área geográfica determinada durante las últimas horas o días. Vollmar afirma que Precip puede generar métricas de “alta precisión” para cualquier ubicación en los EE. UU. hasta el kilómetro (o dos), pronosticando las condiciones con hasta siete días de anticipación.

Entonces, ¿cuál es el valor de las métricas y alertas de precipitación? Bueno, Vollmar dice que los agricultores pueden usarlos para rastrear el crecimiento de los cultivos, los equipos de construcción pueden consultarlos para programar equipos y las empresas de servicios públicos pueden aprovecharlos para anticipar interrupciones en el servicio. Un cliente de transporte revisa Precip diariamente para evitar malas condiciones de conducción, afirma Vollmar.

Por supuesto, no faltan aplicaciones de predicción del tiempo. Pero la IA, como la de Precip, promete hacer pronósticos más precisos, si es que la IA vale la pena, de hecho.

maya

Claire Wiley lanzó un programa de coaching para parejas mientras estudiaba su MBA en Wharton. La experiencia la llevó a investigar un enfoque más tecnológico para las relaciones y la terapia, que culminó en Maia.

Maia, que Wiley cofundó con Ralph Ma, un ex científico investigador de Google, tiene como objetivo capacitar a las parejas para que construyan relaciones más sólidas a través de orientación impulsada por inteligencia artificial. En las aplicaciones de Maia para Android e iOS, las parejas se envían mensajes en un chat grupal y responden preguntas diarias como lo que ven como desafíos que superar, puntos débiles del pasado y listas de cosas por las que están agradecidos.

Maia planea ganar dinero cobrando por funciones premium como programas elaborados por terapeutas y mensajería ilimitada. (Maia actualmente limita los mensajes de texto entre socios; una limitación frustrantemente arbitraria si me preguntas, pero así es).

Wiley y Ma, quienes provienen de hogares divorciados, dicen que trabajaron con un experto en relaciones para crear la experiencia Maia. Sin embargo, las preguntas que tengo en mente son (1) ¿qué tan sólida es la ciencia de las relaciones de Maia y (2) puede destacarse en el campo excepcionalmente concurrido de las aplicaciones para parejas? Tendremos que esperar para ver.

curva de datos

Los modelos de IA en el corazón de las aplicaciones de IA generativa como ChatGPT se basan en enormes conjuntos de datos, combinaciones de datos públicos y privados de toda la web, incluidos libros electrónicos, publicaciones en redes sociales y blogs personales. Pero algunos de estos datos son legal y éticamente problemáticos, por no mencionar defectuosos en otros aspectos.

La clara falta de curación de datos es el problema, si le preguntas a Serena Ge y Charley Lee.

Ge y Lee cofundaron Datacurve, que proporciona datos de «calidad experta» para entrenar modelos de IA generativa. Se trata específicamente de datos de código, que según Ge y Lee son especialmente difíciles de obtener gracias a la experiencia necesaria para etiquetarlos para el entrenamiento de IA y las licencias de uso restrictivas.

Datacurve alberga una plataforma de anotaciones gamificada que paga a los ingenieros para que resuelvan desafíos de codificación, lo que contribuye a los conjuntos de datos de capacitación a la venta de Datacurve. Esos conjuntos de datos se pueden utilizar para entrenar modelos para optimización de código, generación de código, depuración, diseño de interfaz de usuario y más, afirman Ge y Lee.

Es una idea interesante. Pero el éxito de Datacurve dependerá de qué tan bien seleccionados estén sus conjuntos de datos y de si es capaz de incentivar a suficientes desarrolladores para continuar construyéndolos y mejorándolos.