Adaption Labs, la startup que Sara Hooker (ex VP de Research en Cohere) montó y financió con unos 50 millones a principios de 2026, ha presentado AutoScientist. El sistema automatiza la parte más artesanal del fine-tuning: probar combinaciones de datos y ajustes, medir, iterar hasta que el modelo cumple el objetivo que define el usuario.
Puntos clave
- AutoScientist ajusta a la vez los datos de entrenamiento y la receta del modelo hasta converger en la calidad que pide el usuario.
- Según los tests internos de Adaption, supera de media un 35% a los modelos que sus propios expertos humanos habían ajustado.
- La tasa de éxito sube del 48% al 64%, de nuevo en su propia medición interna.
- El patrón aguanta en varios modelos base, tamaños de dataset de 5.000 a 100.000 ejemplos y 8 verticales.
- Construye sobre su producto previo de datos (Adaptive Data). Gratis los primeros 30 días tras el lanzamiento.
Lo que dicen las pruebas (y quién las hizo)
Conviene ser claro con el origen del dato: el 35% de mejora y el salto del 48% al 64% los publica la propia Adaption, medidos contra sus propios expertos, no contra un benchmark independiente. TechCrunch lo dice sin rodeos: son números llamativos pero difíciles de poner en contexto, porque los benchmarks estándar no aplican aquí.
Dicho eso, la comparación tiene valor. Está medido contra gente que sabe ajustar modelos, no contra un baseline flojo. Si en una muestra interna controlada el sistema automático rinde un 35% más, la lectura es que la parte del fine-tuning que parecía arte se está volviendo proceso.
Por qué importa más allá del benchmark
El cuello de botella real del fine-tuning no es el cómputo. Es la gente. Hay unos pocos miles de personas en el mundo que saben ajustar un modelo frontera para una tarea concreta, y casi todas están en cinco laboratorios. Eso significa que una farmacéutica española que quiere afinar un modelo para predicción molecular tiene que importar talento o conformarse con APIs generales.
Si AutoScientist (o cualquier equivalente que salga este año) automatiza esa parte, el coste de tener un modelo propio para tu vertical baja un orden de magnitud. No porque el cómputo se abarate, sino porque dejas de necesitar al PhD que elige el dataset.
Ahí está el motivo por el que Sara Hooker importa en esta historia. En Cohere lideró la investigación sobre cómo se comportan los modelos durante el fine-tuning, que es literatura de referencia. Que quien conoce ese terreno por dentro monte una empresa para automatizarlo es una señal distinta a la de un equipo genérico prometiendo lo mismo. No garantiza nada, pero cambia quién está detrás de la apuesta.
Por qué importa para un founder español
Esto es interesante si cumples tres cosas: tienes datos propios (decenas de miles de ejemplos etiquetados), una tarea repetitiva donde Claude o GPT no llegan a la fiabilidad que necesitas, y una factura por consulta alta al pasar todo por API frontera.
Ejemplos reales: una aseguradora con miles de informes de siniestros que quiere clasificación al 95% de acierto, un bufete con su corpus de contratos, un retailer con millones de tickets de soporte categorizados. Para estos casos el ROI del fine-tuning ya estaba claro, lo que estaba bloqueado era la ejecución por falta de equipo.
El aviso: validación independiente, todavía cero. La trayectoria de Hooker da credibilidad, pero vendor benchmark sigue siendo vendor benchmark. La prueba de verdad llega cuando aparezcan los primeros casos de cliente medibles, de aquí a 6-12 meses. Hasta entonces, mirar con interés y sin firmar nada por adelantado.
Relacionado
