La ronda de financiación de 30 millones de dólares anunciada el 17 de noviembre de 2026 por Remanence, una startup con sede en París cofundada por el marroquí Hamza Benchekroun, se inscribe directamente en este debate.
Remanence no se presenta como un nuevo laboratorio de modelos de frontera. Ofrece una plataforma de posentrenamiento que permite a las empresas convertir las trazas de ejecución de sus agentes de inteligencia artificial —cada tarea lograda, cada error, cada corrección humana— en entornos de aprendizaje. Estos entornos sirven después para especializar modelos de pesos abiertos (open-weight) mediante aprendizaje por refuerzo. Al final del proceso, la empresa conserva la propiedad de los pesos del modelo y puede mantener sus datos en su propia infraestructura.
Un equipo procedente del laboratorio francés H Company
Los tres cofundadores se conocen por haber trabajado juntos en H Company, el laboratorio francés especializado en agentes capaces de manejar un ordenador. Pierre-Louis Cedoz, hoy director general de Remanence, fue allí investigador fundador y luego director técnico, tras haber trabajado en el posentrenamiento de Gemini en Google DeepMind. Hamza Benchekroun, director técnico, dirigió el posentrenamiento en H Company y anteriormente desplegó métodos de aprendizaje por refuerzo en InstaDeep. Axel Moyal, director de producto, lideró allí trabajos sobre agentes, evaluaciones y síntesis de entornos.
En H Company, el trío dirigió el posentrenamiento de los modelos Holo de pesos abiertos. Según EQT Ventures, estos modelos establecieron en marzo de 2026 un nuevo estado del arte en el benchmark OSWorld-Verified, uno de los más exigentes para tareas agénticas de larga duración, y a la vez resultaban claramente menos costosos que algunos modelos propietarios.
Qué financia en concreto la ronda
La ronda de 30 millones de dólares fue colíderada por EQT Ventures y FirstMark. También participaron Zero Prime, Emblem, Drysdale, Global Founders Capital y Yellow, así como varios business angels, entre ellos Olivier Pomel (Datadog), Philippe Corrot (Mirakl), Romain Niccoli (Pigment), los cofundadores de Synthesia Victor Riparbelli y Steffen Tjerrild, y Mehdi Ghissassi (AI71).
![]()
Los fondos se destinarán principalmente a financiar un clúster de GPU dedicado en Europa, a contratar investigadores e ingenieros (sobre todo en París, con una presencia temprana en Londres y San Francisco) y a ampliar las alianzas de diseño con empresas europeas y estadounidenses. Remanence ya trabaja con socios de diseño en los sectores jurídico, de atención al cliente y de software empresarial.
Cómo la plataforma convierte los errores en progreso
El principio técnico es relativamente sencillo de enunciar, pero más exigente de llevar a la práctica. La plataforma se conecta a los agentes que ya están en producción. Analiza sus trazas de ejecución: qué herramientas se invocaron, dónde falló el agente, qué corrección se aplicó. A partir de esas trazas, genera automáticamente entornos de entrenamiento y mecanismos de evaluación realistas. Después se posentrena un modelo de pesos abiertos mediante aprendizaje por refuerzo en esos entornos. A medida que llegan nuevas trazas, el modelo puede reentrenarse. La idea es que cada uso mejore el siguiente, sin que la empresa tenga que reconstruir manualmente conjuntos de datos o entornos de simulación cada vez que cambian sus procesos.
Según los fundadores y sus inversores, este mecanismo busca reducir tanto los costes de inferencia (obteniendo modelos más especializados y potencialmente más ligeros) como la dependencia de proveedores de modelos propietarios, cuyas tarifas y condiciones de uso pueden cambiar. Los datos permanecen bajo el control de la empresa, y tanto el entrenamiento como el despliegue pueden realizarse en una nube pública, una nube privada virtual o en local.
Por qué este tema importa más allá de una simple ronda
En un contexto en el que los agentes de inteligencia artificial multiplican las llamadas a modelos y, por tanto, el gasto en tokens, muchas empresas constatan que sus costes aumentan sin que el rendimiento mejore de forma proporcional en sus casos de uso específicos. Las trazas generadas suelen quedar sin explotar. Remanence apuesta a que esas trazas son la materia prima más valiosa para construir una inteligencia especializada y controlada de forma duradera por la empresa.
Este enfoque forma parte de un movimiento más amplio. Los modelos de pesos abiertos han reducido la distancia con los modelos cerrados en numerosas tareas, y una proporción creciente de empresas experimenta o despliega modelos que pueden alojar o adaptar. Matt Turck, de FirstMark, ha descrito esta evolución como el paso a un stack híbrido: modelos cerrados alquilados para ciertas capacidades y modelos especializados en propiedad para otras.
Para las empresas europeas, en particular en los sectores regulados, la posibilidad de conservar los datos y los pesos en su propia infraestructura responde además a exigencias de soberanía y cumplimiento normativo. Sin embargo, no es una solución universal. Supone contar con un volumen suficiente de trazas de calidad, con capacidad para evaluar correctamente los avances del modelo y con una organización dispuesta a gestionar el ciclo de reentrenamiento.
Las limitaciones siguen siendo reales. Construir entornos de aprendizaje fieles a los procesos reales es técnicamente difícil; es precisamente el cuello de botella que Remanence afirma automatizar. La escasez de talento capaz de dirigir posentrenamiento por refuerzo a gran escala explica en parte la valoración de este equipo. Por último, los grandes laboratorios y otros actores de la infraestructura de agentes también están desarrollando capacidades de adaptación y bucles de retroalimentación. La ventaja competitiva dependerá de la calidad de la automatización, la rapidez de iteración y la capacidad de demostrar ganancias medibles de coste y fiabilidad con los primeros clientes.
Qué conviene retener por ahora
La ronda de Remanence es significativa tanto por su importe, elevado para una ronda semilla, como por el perfil de sus fundadores. Ilustra una convicción compartida por varios inversores: el valor duradero de la inteligencia artificial empresarial no reside únicamente en el acceso a los modelos más potentes del momento, sino en la capacidad de transformar el uso cotidiano en mejora continua bajo el control de la empresa. Que esta convicción se traduzca en resultados económicos concretos dependerá de la ejecución técnica y de la adopción real en entornos de producción exigentes. Por ahora, los socios de diseño y el clúster de cómputo son los próximos hitos observables.
FAQ
¿Es Remanence una startup marroquí?
No. Es una startup con sede en París, cofundada por el marroquí Hamza Benchekroun (director técnico) junto con dos cofundadores franceses. Prevé contratar principalmente en París, con una presencia temprana en Londres y San Francisco.
¿Cómo aprende el sistema de los errores?
Captura las trazas de ejecución de los agentes ya desplegados (éxitos, fallos, correcciones), las transforma en entornos de entrenamiento y posentrena un modelo de pesos abiertos mediante aprendizaje por refuerzo. El modelo puede reentrenarse a medida que llegan nuevas trazas.
¿La empresa conserva realmente el control?
Según la compañía y sus inversores, sí: la empresa conserva la propiedad de los pesos del modelo, y los datos y el entrenamiento pueden permanecer en su propia infraestructura.
¿Para qué servirán los 30 millones de dólares?
Principalmente para financiar un clúster de GPU en Europa, contratar investigadores e ingenieros y desarrollar alianzas de diseño con empresas de Europa y Estados Unidos.