Arena, la startup más conocida por el marcador público que utilizan muchos laboratorios de IA para comparar el rendimiento de los modelos, afirma haberse convertido en un negocio de 100 millones de dólares en términos de tasa de ejecución anualizada apenas ocho meses después de lanzar su producto de pago. Según TechCrunch, la empresa alcanzó esa cifra tras introducir en septiembre un servicio comercial que convierte los datos de evaluación de los usuarios y las pruebas comunitarias en análisis para desarrolladores de modelos y clientes empresariales.

La afirmación es importante más allá de la historia de crecimiento de una sola startup. Arena comenzó como un esfuerzo de investigación en la UC Berkeley en 2023 y se convirtió en un elemento familiar en el ecosistema de la IA porque ofrecía una forma abierta y de crowdsourcing para comparar modelos lado a lado. Si los ingresos reportados por la empresa son precisos, demuestra que la evaluación en sí misma se está convirtiendo en una capa clave de la arquitectura de la IA generativa (Generative AI): no solo un marcador público para entusiastas de los modelos, sino un flujo de trabajo por el que los laboratorios y las empresas están dispuestos a pagar a medida que buscan mejoras de calidad en el post-entrenamiento (post-training) y el despliegue.

Del marcador público a la plataforma de evaluación de pago

Arena construyó su reputación con un modelo de interacción simple. En su sitio para consumidores, un usuario envía un prompt, el sistema lo envía a dos modelos de IA y el usuario elige qué resultado es mejor. Con el tiempo, esos juicios por pares alimentan un marcador que, según TechCrunch, se ha generado a partir de más de 10 millones de evaluaciones de usuarios.

Ese sistema de clasificación público sigue siendo gratuito, según el informe. El cambio comercial se produjo en septiembre, cuando Arena lanzó AI Evaluations, un servicio dirigido a laboratorios de modelos y empresas. TechCrunch describe el producto como un sistema que proporciona análisis de rendimiento más profundos basados en datos recopilados de la comunidad de evaluadores de Arena.

Ese posicionamiento es importante. Arena no está vendiendo un modelo fundacional, acceso de inferencia o un producto de capa de aplicación. Está vendiendo retroalimentación, evaluación comparativa y análisis de rendimiento comparativo en un momento en que los laboratorios están tratando de exprimir ganancias del post-entrenamiento, métodos de refuerzo, ajuste de seguridad y optimización específica de tareas.

TechCrunch informa que Arena evalúa modelos en texto, codificación, visión y generación de imágenes, y más recientemente ha añadido un "Modo Agente" (Agent Mode) centrado en flujos de trabajo complejos y de mayor duración. Esa ampliación es importante porque las comparaciones simples de chatbots ya no capturan la gama completa de tareas que interesan a las empresas. Los compradores quieren cada vez más evidencia sobre la fiabilidad en tareas de codificación, entradas multimodales y cadenas agentes que implican múltiples pasos y herramientas.

Por qué esta cifra es importante ahora

El momento ayuda a explicar por qué los inversores y clientes están prestando atención. Arena recaudó 150 millones de dólares en una Serie A en enero con una valoración reportada de 1.700 millones de dólares post-dinero. En ese momento, TechCrunch dice que los ingresos anualizados de la empresa eran de 30 millones de dólares. El mismo medio informa ahora que esa cifra ha subido a 100 millones de dólares en ingresos por tasa de ejecución anualizada en los meses transcurridos desde entonces.

Incluso teniendo en cuenta la naturaleza flexible del cálculo de la tasa de ejecución, se trata de una aceleración brusca. Sugiere que la demanda de evaluación y soporte de post-entrenamiento está escalando junto con el propio mercado de modelos. A medida que los lanzamientos de modelos se han vuelto más frecuentes y las brechas de rendimiento más estrechas, el valor de las pruebas comparativas creíbles ha aumentado. Un laboratorio ya no puede confiar únicamente en resultados generales de puntos de referencia (benchmarks) si los clientes se preocupan por el rendimiento específico del dominio, el riesgo de regresión o cómo se comporta un modelo ante prompts de usuarios reales.

El crecimiento de Arena también refleja una realidad comercial más amplia en la IA: a medida que los modelos se vuelven más fáciles de acceder, la diferenciación se desplaza hacia los datos, el ajuste, el rendimiento del flujo de trabajo y la confianza. Un marcador público puede atraer el compromiso de la comunidad, pero una capa de análisis de pago puede monetizar la misma actividad de evaluación subyacente si los clientes creen que la señal es útil.

Hay otro ángulo estratégico. El servicio público de Arena le otorga una posición poco común en el mercado: se sitúa cerca de los lanzamientos de modelos y a menudo se beneficia del interés de los usuarios en probar modelos recién lanzados o incluso no publicados. Eso le da a la empresa una ventaja de recolección de datos y visibilidad que sería difícil de recrear rápidamente desde cero.

El modelo de negocio es sólido, pero la terminología importa

Uno de los detalles más notables en el informe de TechCrunch es que el director ejecutivo de Arena, Anastasios Angelopoulos, supuestamente aclaró que la empresa utiliza precios basados en el consumo. En otras palabras, la cifra de 100 millones de dólares no es un ingreso recurrente anualizado tradicional basado en suscripciones o gasto recurrente contratado.

Esa distinción es importante para cualquiera que intente evaluar el negocio. Los ingresos por consumo pueden escalar más rápido que el SaaS basado en asientos, especialmente cuando los clientes aumentan el uso rápidamente. Pero también pueden ser más volátiles. Si los laboratorios de modelos reducen las pruebas, consolidan proveedores o internalizan parte del trabajo de evaluación, el gasto puede no comportarse como las suscripciones de software "pegajosas".

TechCrunch dice que Arena se refiere a la cifra como ARR (ingresos recurrentes anualizados) al tiempo que reconoce que los ingresos no son recurrentes en el sentido convencional. Por lo tanto, los lectores deben tratar la cifra como una tasa de ejecución anualizada basada en el uso actual en lugar de una base de ingresos recurrentes totalmente contratada.

Eso no hace que el hito sea poco importante. Simplemente significa que la composición del negocio probablemente se ve diferente del software empresarial clásico. Para los desarrolladores e inversores, la pregunta correcta es menos si el acrónimo encaja y más si el uso de la evaluación se está integrando en los ciclos de desarrollo lo suficientemente profundo como para producir una demanda duradera.

La competencia no son solo otras startups de marcadores

El éxito reportado por Arena se produce a pesar de que los análogos directos parecen limitados. TechCrunch señala que Yupp, otra startup de selección de modelos de IA por crowdsourcing, cerró en marzo. Angelopoulos dijo a la publicación que, en cambio, Arena compite por el mismo presupuesto que los proveedores de etiquetado humano y post-entrenamiento como Mercor, Surge y Scale AI.

Esa comparación es reveladora. Enmarca a Arena menos como una propiedad de medios o un sitio web de evaluación comparativa y más como una infraestructura para la mejora de modelos. Los evaluadores humanos, los datos de preferencia, los sistemas de clasificación y los análisis profundos contribuyen al mismo objetivo: hacer que los modelos funcionen mejor en las tareas que interesan a los desarrolladores.

TechCrunch vincula el crecimiento de Arena con señales más amplias de que el mercado de post-entrenamiento se está expandiendo rápidamente. El medio cita informes previos de The Information de que los ingresos anualizados brutos de Handshake por entrenamiento de IA aumentaron de 550 millones de dólares a casi 1.000 millones entre enero y abril, y que los ingresos anualizados de Mercor superaron los 1.000 millones de dólares a principios de este año después de haber estado en unos 500 millones el pasado septiembre. Esas cifras son un contexto de mercado de segunda mano en lugar de nuevas revelaciones en el propio informe de Arena, pero respaldan la idea de que la evaluación, el etiquetado y las operaciones de entrenamiento de IA se están convirtiendo en grandes categorías de gasto.

Para el mercado, eso significa que el campo de batalla está cambiando. Los proveedores de modelos aún compiten en lanzamientos de frontera, pero una parte creciente del valor puede residir en las capas que dicen a los clientes qué modelo es mejor, por qué es mejor y cómo mejorarlo.

Evidencia, atribución y lo que aún no está verificado

La noticia central en esta historia proviene de los informes de TechCrunch, incluidas las declaraciones atribuidas al CEO de Arena, Anastasios Angelopoulos. Por lo tanto, la cifra de 100 millones de dólares de Arena es un hito de ingresos reportado por la propia empresa, no una divulgación financiera auditada de forma independiente en el material fuente proporcionado.

Otros detalles importantes también provienen del relato de TechCrunch: que Arena se originó como un proyecto de la UC Berkeley en 2023; que lanzó su producto comercial AI Evaluations en septiembre; que el marcador público refleja más de 10 millones de evaluaciones de usuarios; que la empresa tuvo una cifra de ingresos anualizados reportada de 30 millones de dólares en enero; y que ha recaudado un total de 250 millones de dólares de inversores, incluidos Felicis, Andreessen Horowitz, Kleiner Perkins, Lightspeed y otros.

El informe también identifica a los cofundadores de Arena como Angelopoulos, el CTO Wei-Lin Chiang, y el profesor de la UC Berkeley y cofundador de Databricks, Ion Stoica, quien asesoró al proyecto antes de que la empresa se constituyera en abril de 2025.

Lo que sigue siendo incierto es la composición exacta de la tasa de ejecución de 100 millones de dólares. La fuente proporcionada no desglosa el número de clientes, el gasto promedio, la retención, los márgenes brutos o la mezcla entre laboratorios de modelos y compradores empresariales. Tampoco ofrece una validación de terceros sobre qué tan predictivo es el marcador público de Arena para los resultados de producción del mundo real. Esas lagunas importan porque muchas empresas ahora quieren una evaluación específica del dominio, no solo señales generales de popularidad o preferencia de la comunidad.

Qué significa esto para los desarrolladores de IA y los compradores empresariales

Para los creadores de modelos, el ascenso de Arena destaca una verdad práctica: enviar un modelo sólido ya no es suficiente. Los equipos necesitan una evaluación continua en todas las versiones, tipos de tareas y duraciones de flujo de trabajo. Un servicio que pueda mostrar rápidamente datos de preferencia, análisis comparativos y regresiones puede acortar los ciclos de iteración y reducir el riesgo de promover un punto de control (checkpoint) más débil.

Para los equipos de aplicaciones, la historia es ligeramente diferente. Los marcadores públicos son herramientas de descubrimiento útiles, pero las decisiones de producción generalmente requieren pruebas más estrechas vinculadas a los propios prompts, políticas y umbrales de falla de una empresa. El impulso comercial de Arena sugiere que hay apetito por una infraestructura de evaluación externa, pero los compradores aún deben preguntar si el conjunto de pruebas refleja su caso de uso, si los juicios son reproducibles y qué tan rápido puede el proveedor detectar regresiones después de una actualización del modelo.

Para las empresas, la implicación más importante es la adquisición. La evaluación está pasando de ser una función de investigación ad hoc a una partida presupuestaria que puede situarse junto al acceso al modelo, las barandillas (guardrails), la observabilidad y el etiquetado de datos. Eso puede mejorar la disciplina de despliegue, pero también crea superposiciones entre proveedores que ofrecen evaluación comparativa, retroalimentación humana, pruebas de penetración (red-teaming) y soporte de post-entrenamiento. Los compradores necesitarán distinguir entre señales ampliamente útiles y paneles de control caros pero genéricos.

Qué observar a continuación

La siguiente señal a observar es si Arena convierte su actual impulso de tasa de ejecución en contratos empresariales duraderos o sigue siendo principalmente un servicio impulsado por el uso vinculado al ritmo de lanzamiento de los modelos. Más detalles sobre la mezcla de clientes y la retención ayudarían a aclarar eso.

Una segunda pregunta es si los principales laboratorios profundizarán su dependencia de plataformas de evaluación de terceros o construirán más de esta infraestructura internamente. Si las plataformas externas siguen ganando presupuesto, la evaluación puede convertirse en su propia gran categoría de software y servicios. Si los laboratorios internalizan el trabajo, los proveedores independientes pueden necesitar especializarse aún más.

Tercero, observe cómo se desarrolla el "Modo Agente" de Arena. Si los clientes evalúan cada vez más flujos de trabajo de larga duración en lugar de prompts de un solo turno, la empresa podría volverse más relevante para los compradores empresariales que despliegan agentes, no solo para los desarrolladores de modelos que buscan posicionarse en el marcador.

Finalmente, esté atento al escrutinio sobre los puntos de referencia (benchmarks) y la transparencia. A medida que la evaluación se convierte en una infraestructura crítica para el negocio, los clientes querrán más claridad sobre la metodología, el sesgo de muestreo, la reproducibilidad y si las clasificaciones públicas coinciden con los resultados de producción privados.

Perspectiva de Creati.ai

El crecimiento reportado de Arena es un marcador útil de hacia dónde se dirige el gasto en IA. La capa de modelos aún recibe la mayor parte de la atención, pero esta historia sugiere que el mercado valora cada vez más la maquinaria en torno a los modelos: clasificación, retroalimentación, ajuste y prueba de calidad. Eso es especialmente cierto ahora que las diferencias entre modelos pueden ser sutiles, cambiar rápidamente y depender en gran medida del diseño del flujo de trabajo.

La precaución es que no todas las señales de evaluación son iguales. Los datos de preferencia de la multitud pueden ser poderosos, pero las empresas necesitan evidencia de que un marcador se traduce en un rendimiento operativo real en sus propias tareas. Si Arena puede cerrar esa brecha —manteniendo la apertura que la hizo influyente mientras demuestra un valor riguroso en despliegues pagados—, puede ayudar a definir una categoría que se sitúa en algún lugar entre el laboratorio de evaluación comparativa, la plataforma de datos y el proveedor de post-entrenamiento.