Con una ronda de 18 millones de dólares, Sherpa.ai vuelve a situarse en el escaparate de la inteligencia artificial española. La operación incorpora a Forgepoint Capital, fondo de Silicon Valley especializado en ciberseguridad e inteligencia artificial, y mantiene el respaldo de Mundi Ventures, Ekarpen, Allegra Holdings y la Sociedad Española para la Transformación Tecnológica, SETT. El capital llega en un momento en el que la compañía bilbaína intenta fijar su posición en una categoría que gana peso entre grandes empresas y administraciones públicas, la inteligencia artificial basada en soberanía del dato.
El movimiento financiero refuerza una empresa que ha acumulado durante años premios, alianzas, fichajes de alto perfil, acuerdos con instituciones internacionales y anuncios de producto. A la vez, reabre una pregunta que acompaña a Sherpa.ai desde su giro estratégico más relevante. Detrás de cada nuevo hito aparece la misma duda para el mercado empresarial, si la compañía ha construido una plataforma reconocible y escalable o si ha ido adaptando su discurso a los sucesivos ciclos tecnológicos de la inteligencia artificial.
La respuesta exige mirar más allá de la ronda. Sherpa.ai no parece una compañía que cambie de negocio cada año, aunque su comunicación pública sí ha pasado por distintas capas narrativas. En sus primeros años se presentó como asistente predictivo y conversacional. Después desplazó el foco hacia la IA privada, el aprendizaje federado y la preservación de la privacidad. Más tarde ganó visibilidad en salud, ciberseguridad, banca, industria y defensa. Ahora concentra su propuesta en soberanía del dato, LLMs privados y plataformas para organizaciones reguladas.
Esa evolución contiene un pivote real, localizado sobre todo entre 2020 y 2021. Desde entonces, la línea técnica se ha mantenido con cierta continuidad alrededor de un mismo problema, cómo entrenar y desplegar modelos de inteligencia artificial sobre datos sensibles, distribuidos y sometidos a restricciones legales o competitivas. Lo que ha cambiado con mayor frecuencia es el modo de explicar esa tecnología al mercado.
La soberanía del dato entra en el centro del relato
La nueva financiación permitirá a Sherpa.ai acelerar el desarrollo y despliegue de su plataforma de inteligencia artificial centrada en privacidad y seguridad, además de reforzar su expansión internacional en sectores como sanidad, finanzas, industria, ciberseguridad y gobiernos. Según la compañía, en los últimos meses ha firmado contratos con organizaciones como Indra, los National Institutes of Health de Estados Unidos, Centogene Genomics, Caja Laboral, Unicaja y Prosegur.
Pocas expresiones han ganado tanta relevancia en el discurso tecnológico europeo como soberanía del dato. Durante años se utilizó sobre todo para hablar de localización de infraestructuras, jurisdicción y dependencia de proveedores externos. La expansión de la IA generativa ha movido el debate hacia una cuestión más operativa. Las empresas quieren entrenar modelos con información propia, pero no siempre pueden mover esos datos a entornos externos ni compartirlos con terceros.
En ese espacio intenta situarse Sherpa.ai. Su propuesta actual se apoya en una plataforma que permite a distintas organizaciones colaborar en el entrenamiento, ajuste o despliegue de modelos sin intercambiar directamente los datos originales. En lugar de centralizar bases sensibles, el sistema trabaja con datos distribuidos y mantiene la información bajo control de cada entidad. Para un hospital, un banco o una administración, esa diferencia puede reducir riesgos regulatorios, limitar exposición de información crítica y facilitar proyectos que antes quedaban bloqueados por la privacidad.
El atractivo comercial de este enfoque resulta claro en sectores regulados. En salud, los datos clínicos y genómicos son valiosos para mejorar diagnósticos, pero su intercambio plantea restricciones legales y éticas. En banca, los modelos de fraude, riesgo o cumplimiento pueden mejorar con más señales, aunque las entidades no pueden compartir información de clientes mediante métodos convencionales. En ciberseguridad, los patrones de ataque están dispersos entre organizaciones, pero mover telemetría sensible abre nuevas superficies de exposición.
La dificultad aparece en la ejecución. Una tecnología de IA privada puede resolver una parte del problema, aunque el despliegue real exige integración con sistemas heredados, auditorías de seguridad, acuerdos legales, gobernanza de datos y métricas de retorno comprensibles para áreas de negocio. En esa capa se decidirá si la ronda actual acelera una plataforma repetible o prolonga una sucesión de proyectos de alto valor, pero difíciles de escalar.
Del asistente predictivo a la IA privada
La historia de Sherpa.ai empezó lejos de la soberanía del dato. Fundada por Xabi Uribe-Etxebarria, la compañía ganó notoriedad como asistente predictivo y conversacional, con especial atención al idioma español y a la personalización. Su propuesta inicial competía, al menos en términos de percepción pública, con asistentes como Siri, Alexa, Google Assistant o Cortana, aunque intentaba diferenciarse por anticipación de necesidades, contexto y recomendaciones.
Aquel posicionamiento explicaba acuerdos vinculados a fabricantes, automoción, medios y servicios digitales. La compañía hablaba de millones de usuarios y de capacidades para anticipar información relevante, recomendar contenidos o mejorar la interacción entre personas y dispositivos. Proyectos como la personalización de newsletters para El País pertenecen a esa etapa más amplia de inteligencia artificial aplicada a recomendación y experiencia de usuario.
La competencia con las grandes plataformas tecnológicas fue estrechando el margen. Amazon, Apple y Google contaban con sistemas operativos, nubes, dispositivos, altavoces, tiendas de aplicaciones y bases de usuarios masivas. Frente a ese ecosistema, una compañía independiente tenía más difícil sostener una propuesta generalista de asistente digital, incluso con buena tecnología lingüística o capacidades predictivas.
Alrededor de 2020 y 2021 se produce el giro más visible. Sherpa.ai empieza a presentarse como una empresa B2B centrada en aprendizaje federado y servicios de inteligencia artificial con privacidad. La promesa deja de estar en anticipar necesidades de consumidores y pasa a centrarse en entrenar modelos sin centralizar datos sensibles. Ese cambio altera el tipo de cliente, el ciclo de venta, el producto y el modo de medir el valor.
El movimiento no invalida la etapa anterior. Buena parte del conocimiento acumulado en recomendación, lenguaje natural, modelos predictivos y personalización puede trasladarse a entornos empresariales. La diferencia es que el mercado deja de ser el usuario final y pasa a ser la organización que necesita explotar datos sin perder control sobre ellos. La frontera comercial cambia por completo.
Una tecnología común bajo verticales distintas
La amplitud sectorial de Sherpa.ai puede parecer, a primera vista, una señal de dispersión. La compañía ha vinculado su tecnología a medios de comunicación, salud, banca, ciberseguridad, defensa, industria y administraciones públicas. También ha alternado hitos de naturaleza distinta, desde acuerdos comerciales y alianzas tecnológicas hasta publicaciones científicas, fichajes de perfil internacional y rondas de financiación. Esa variedad exige una lectura más fina, porque no todos esos movimientos responden a una búsqueda de negocio distinta.
Tras el giro hacia el aprendizaje federado, la compañía ha concentrado buena parte de su propuesta en un mismo tipo de problema empresarial. Muchas organizaciones acumulan datos de alto valor, pero no pueden compartirlos libremente por razones regulatorias, competitivas o de seguridad. Un hospital no puede mover historiales clínicos sin garantías estrictas. Un banco no puede cruzar información de clientes con otras entidades mediante métodos convencionales. Una compañía de ciberseguridad puede detectar patrones útiles en su telemetría, aunque exponer esos datos abriría nuevas vulnerabilidades. En todos esos casos, la promesa tecnológica es similar: entrenar o ajustar modelos sin centralizar información sensible.
La continuidad aparece con más claridad en los trabajos de investigación y en los casos de uso que la compañía ha ido presentando desde 2021. El acuerdo con Telefónica Tech situó el aprendizaje federado en el terreno de la inteligencia artificial avanzada para empresas. La colaboración con los National Institutes of Health llevó esa aproximación al diagnóstico de enfermedades raras, donde los datos son escasos, dispersos y especialmente sensibles. La plataforma presentada en 2023 bajo el enfoque «privacy-preserving» intentó convertir esa base tecnológica en una oferta más empaquetada para organizaciones que quisieran entrenar modelos, colaborar con terceros o permitir el uso de datos sin entregarlos directamente.
La llegada de los grandes modelos de lenguaje ha ampliado ese mismo razonamiento. Las empresas quieren adaptar LLMs a documentación interna, expedientes, datos financieros, historiales médicos o información industrial, pero buena parte de ese conocimiento no puede salir de sus sistemas sin controles adicionales. El trabajo de Sherpa.ai sobre ajuste federado de modelos de lenguaje encaja en esa línea. No desplaza la tesis anterior, la lleva a un mercado que ahora entiende mejor el valor de los datos privados.
La tensión, por tanto, no está tanto en si Sherpa.ai cambia de actividad cada año, sino en si ha logrado traducir una tecnología transversal en una plataforma comercial nítida. Salud, banca, defensa o ciberseguridad pueden compartir infraestructura de IA privada, pero cada vertical exige integración, métricas de retorno y validaciones propias. Ahí se juega la madurez del proyecto. La financiación aporta recursos y credibilidad, aunque la prueba más exigente será demostrar que esos casos no dependen de desarrollos singulares, sino de un producto capaz de repetirse entre clientes y geografías.
La propuesta de valor actual
Hoy, la compañía puede definirse con más precisión que en etapas anteriores. Sherpa.ai ofrece una plataforma de inteligencia artificial privada y federada para organizaciones que necesitan entrenar, ajustar o desplegar modelos sobre datos sensibles sin moverlos de su entorno de control. Esa propuesta encaja especialmente en sectores regulados, donde la explotación de información crítica choca con privacidad, cumplimiento normativo, secreto empresarial o soberanía tecnológica.
El término plataforma es importante. Si Sherpa.ai opera como plataforma, su valor estará en ofrecer una infraestructura reutilizable, con componentes repetibles, integraciones, seguridad, gobierno de datos y capacidad de escalar entre clientes y verticales. Si opera principalmente como proveedor de proyectos a medida, el valor técnico puede ser alto, aunque la escalabilidad comercial será más limitada. La ronda de 18 millones cobra relevancia precisamente porque debería ayudar a clarificar esa frontera.
Los clientes anunciados ofrecen una señal positiva, pero incompleta. Indra, NIH, Centogene Genomics, Caja Laboral, Unicaja y Prosegur representan sectores con datos críticos y necesidades reales de IA. La lista sugiere que Sherpa.ai ha logrado abrir conversaciones en organizaciones exigentes. Lo que no despeja por sí sola es el grado de despliegue, el volumen de ingresos recurrentes, la duración de los contratos, el uso efectivo de la plataforma o la proporción entre licencias, servicios profesionales y proyectos de investigación.
Esa información será clave para evaluar la escala del negocio. En deeptech, la distancia entre una prueba de concepto y una plataforma comercial puede ser amplia. Los ciclos de venta son largos, la integración consume recursos y cada vertical exige validaciones distintas. Un hospital no compra igual que un banco. Una empresa de seguridad no mide el éxito del mismo modo que una administración pública. La tecnología común debe traducirse en casos de uso con resultados medibles.
Los ejemplos más convincentes serán los que conecten privacidad con impacto operativo. En banca, reducción de fraude, mejora de modelos de riesgo o colaboración entre entidades sin intercambio de datos de clientes. En salud, diagnósticos más precisos, entrenamiento con cohortes distribuidas o investigación multicéntrica sin cesión de datos clínicos. En ciberseguridad, detección de amenazas con menor exposición de telemetría sensible. En industria, modelos entrenados sobre datos operacionales sin sacar información de planta.
LLMs privados y datos que no pueden salir
La llegada de los grandes modelos de lenguaje ha dado a Sherpa.ai un nuevo campo para explicar su tecnología. Muchas organizaciones quieren adaptar LLMs a su conocimiento interno, pero buena parte de ese conocimiento reside en contratos, expedientes, historiales clínicos, datos financieros, documentación técnica o información sensible de clientes. Subir esos activos a entornos externos no siempre resulta viable.
En este punto, el aprendizaje federado gana una utilidad más visible. La compañía ha presentado el trabajo «Towards the Next Frontier of LLMs, Training on Private Data, A Cross-Domain Benchmark for Federated Fine-Tuning», centrado en el ajuste federado de modelos de lenguaje sobre datos privados y distribuidos. El objetivo es acercar los LLMs a sectores como salud y finanzas sin exigir que las organizaciones cedan la información sobre la que quieren entrenar o ajustar los modelos.
El mercado de IA generativa está dominado por grandes proveedores de nube, laboratorios de modelos y plataformas empresariales. Sherpa.ai no parece competir en la creación de modelos fundacionales generalistas. Su posición natural está en otra capa, la que permite usar modelos avanzados sobre datos privados con garantías de control, privacidad y eficiencia. Esa definición resulta más defendible y evita una comparación directa con actores que operan a una escala de capital muy superior.
La cuestión energética añade otro matiz. La compañía ha comunicado avances capaces de reducir hasta un 99% las comunicaciones necesarias durante un entrenamiento distribuido. En arquitecturas federadas, menos comunicación entre nodos puede significar menor coste, menor consumo y menor exposición de información intermedia. Para clientes empresariales, la eficiencia no es una cuestión secundaria. A medida que la IA se integra en procesos continuos, los costes de inferencia, entrenamiento, transferencia y operación empiezan a condicionar la adopción.
Pese al atractivo técnico, el mercado de LLMs privados todavía está en formación. Muchas empresas quieren modelos propios o adaptados, pero carecen de datos preparados, equipos de gobernanza maduros o casos de uso suficientemente acotados. Sherpa.ai puede encontrar ahí una oportunidad si logra convertir la complejidad técnica en una oferta clara para directivos de datos, seguridad, cumplimiento y negocio.
El caso NIH y la colaboración sin cesión de datos
El proyecto con National Institutes of Health y University College London ilustra la lógica de la compañía mejor que muchos mensajes genéricos sobre soberanía del dato. En enfermedades raras, los datos suelen estar repartidos entre centros, países y equipos médicos. Cada institución dispone de pocos casos y eso limita la capacidad de entrenar modelos robustos. Compartir datos de pacientes plantea además barreras legales, éticas y operativas.
Mediante aprendizaje federado, varias instituciones pueden colaborar en el entrenamiento de modelos sin enviar los datos originales a un repositorio común. Según la información difundida por Sherpa.ai, el trabajo «Training Together, Diagnosing Better» mejoró la precisión diagnóstica un 24% en modelos vinculados a enfermedades raras. La cifra es relevante, aunque su mayor valor está en el tipo de problema que muestra. Donde los datos son escasos, sensibles y dispersos, la colaboración técnica puede abrir una vía que antes quedaba bloqueada.
Ese tipo de casos aporta validación científica y reputacional. Aun así, el salto hacia negocio recurrente requiere otro conjunto de condiciones. En salud hay que demostrar interoperabilidad, validación clínica, seguridad, integración con flujos asistenciales y encaje presupuestario. La colaboración con instituciones de prestigio puede acelerar la credibilidad, pero no sustituye el trabajo de convertir un avance técnico en producto replicable.
La misma tensión se traslada a otros sectores. El aprendizaje federado puede permitir que bancos colaboren en detección de fraude sin compartir datos brutos, que industrias entrenen modelos sobre información de planta sin exponer procesos sensibles o que organizaciones compartan señales de ciberseguridad sin revelar telemetría completa. Cada caso exige acuerdos legales, incentivos alineados y una arquitectura que no incremente la complejidad operativa hasta hacer inviable el proyecto.
Inversores, reputación y señales de mercado
La entrada de Forgepoint aporta una lectura relevante. No se trata de un inversor generalista atraído solo por la etiqueta de inteligencia artificial, sino de un fondo con experiencia en ciberseguridad, infraestructura y compañías que venden a grandes organizaciones. Su presencia refuerza el posicionamiento de Sherpa.ai en seguridad, privacidad y datos críticos. La participación de SETT añade además una dimensión industrial y estratégica, vinculada a la agenda española y europea de tecnologías avanzadas.
El respaldo financiero tiene valor, aunque no debe leerse como una validación completa del modelo comercial. En startups deeptech, los inversores suelen anticipar mercados que aún no están plenamente maduros. Aportan capital para convertir investigación en producto, producto en ventas y ventas en expansión internacional. En el caso de Sherpa.ai, la ronda debería permitir reforzar ingeniería, producto, seguridad, soporte a clientes y despliegues fuera de España.
La reputación acumulada por la compañía también pesa. Tom Gruber, cofundador de Siri, ha estado vinculado a Sherpa.ai. Thomas Kalil, ex responsable de política científica y tecnológica en la Casa Blanca, se incorporó como asesor estratégico. La presencia de perfiles internacionales ayuda a abrir puertas, especialmente en mercados donde una empresa española debe competir por atención frente a compañías estadounidenses, británicas, israelíes o francesas.
Ese capital reputacional tiene un doble filo. Cuanto mayor es la visibilidad, mayor es la exigencia de concreción. Premios, fichajes, papers y alianzas generan expectativa. El mercado terminará pidiendo indicadores más tangibles, desde clientes activos en producción hasta ingresos recurrentes, retención, márgenes, tiempo de despliegue o número de modelos entrenados con la plataforma. La etapa posterior a una ronda suele ser menos narrativa y más operativa.
Europa ofrece una ventana de oportunidad
La apuesta por soberanía del dato se entiende mejor dentro de la agenda europea. La Unión Europea ha desarrollado en los últimos años un marco regulatorio y estratégico que combina protección de datos, acceso a datos industriales, inteligencia artificial confiable y reducción de dependencias tecnológicas. Para empresas y gobiernos, la pregunta ya no es solo qué modelo usar, sino dónde se ejecuta, con qué datos aprende, quién accede a la información y bajo qué jurisdicción opera.
Ese entorno favorece a proveedores capaces de ofrecer IA sin transferencia innecesaria de datos. También endurece los requisitos. Una solución europea no basta por ser europea. Debe competir en rendimiento, coste, seguridad, interoperabilidad y facilidad de uso. Las organizaciones reguladas tienen poco margen para adoptar herramientas que eleven la complejidad interna sin un retorno claro.
España intenta ganar presencia en esa capa mediante instrumentos como SETT, orientados a financiar tecnologías transformadoras, telecomunicaciones, microelectrónica, semiconductores y nuevas tecnologías digitales. La participación pública en Sherpa.ai conecta la ronda con una política industrial más amplia. El Estado no solo observa la IA como software, también como infraestructura de competitividad y autonomía estratégica.
Para Sherpa.ai, esa ventana europea llega en un momento favorable. Las empresas han entendido el potencial de la IA generativa, pero también sus límites cuando los datos son sensibles. El valor competitivo ya no estará solo en acceder a modelos potentes, sino en adaptarlos a conocimiento propio sin ceder activos críticos. Esa es precisamente la zona en la que la compañía intenta construir su categoría.
La pregunta pendiente para Sherpa.ai
Tras la ronda, Sherpa.ai dispone de capital, inversores especializados, una línea investigadora reconocible y clientes anunciados en sectores de alto valor. La compañía también cuenta con una narrativa alineada con las prioridades europeas de soberanía tecnológica, privacidad y uso seguro de datos. Todo ello mejora su posición, aunque no elimina la pregunta central sobre la escalabilidad de su propuesta.
El mercado necesita distinguir entre tres niveles de madurez. El primero es la validación científica, donde los papers y colaboraciones con instituciones como NIH aportan credibilidad. El segundo es la validación comercial inicial, visible en contratos, pruebas de concepto y alianzas. El tercero es la plataforma escalable, con producto repetible, ingresos recurrentes, despliegues en producción y clientes que amplían uso con el tiempo.
Sherpa.ai ha acumulado señales en los dos primeros niveles. La ronda actual debería acelerar el tercero. Para lograrlo, la compañía tendrá que explicar con mayor claridad qué compran exactamente sus clientes, cómo se despliega la plataforma, qué parte del negocio procede de producto frente a servicios, qué métricas prueban el retorno y en qué verticales tiene una ventaja más defendible.
La soberanía del dato aporta un marco oportuno, pero puede volverse demasiado amplia si no se traduce en casos de uso concretos. La inteligencia artificial empresarial se está alejando de los anuncios genéricos y entra en una fase de presupuestos, integración, cumplimiento y resultados. En ese terreno, Sherpa.ai no será evaluada solo por su capacidad de investigar, atraer inversores o ganar visibilidad internacional. La medida más exigente será su capacidad para convertir datos que no pueden moverse en modelos que sí generen valor recurrente.
La trayectoria de la compañía permite descartar una lectura puramente errática. Hubo un pivote importante, desde el asistente predictivo hacia la IA privada y federada, y desde entonces la base tecnológica mantiene continuidad. La tensión real está en otra parte. Sherpa.ai ha encontrado un problema relevante, bien alineado con Europa y con sectores regulados. Ahora necesita demostrar que puede convertirlo en una plataforma empresarial con adopción sostenida, no solo en una sucesión de hitos técnicos, institucionales y financieros.
