- Reflection AI aposta per agents autònoms que entenen i modifiquen bases de codi, més enllà de l'enfocament copilot.
- Finançament multimilionari amb rondes que culminen en $2.000M i valoració propera a $8.000M, liderades per Nvidia i altres inversors top.
- Estratègia de model obert: pesos accessibles, protecció de dades de clients i focus en empreses i governs per a IA sobirana.
- Full de ruta tècnica amb MoE, trilions de tokens i Asimov integrant RAG, planificació multiagent i memòria dequip.
Reflection AI s'ha colat al debat tecnològic com un dels noms més cridaners del moment: una startup que persegueix agents de codificació realment autònoms, amb ambició de portar aquesta autonomia molt més enllà dels típics copilots. La seva proposta no és un simple assistent que suggereix línies de codi, sinó un agent capaç de llegir, comprendre i modificar bases de codi completes, orquestrant tasques de desenvolupament de principi a fi amb una independència inusual.
Al voltant de la companyia gira també una història financera de vertigen: s'estudien xifres de finançament multimilionàries i valoracions meteòriques en molt poc temps, alhora que l'equip promou una visió d'IA oberta, amb focus en models base que competeixin de tu a tu amb iniciatives capdavanteres procedents de la Xina. La tesi: una infraestructura d'IA de frontera, oberta en allò que realment importa per als usuaris, però amb un control responsable de dades i processos d'entrenament.
Què és Reflection AI i per què no és “un altre copilot”
L'essència del projecte és clara: agents de codificació amb capacitat de raonar i actuar de manera autònoma dins la base de codi d'una empresa. En comptes de limitar-se a suggerir canvis, aquests agents analitzen repositoris, aprenen del context de l'equip i prenen decisions informades per implementar noves funcions, corregir errors o ajustar dependències. Al seu full de ruta treu el cap, fins i tot, la idea de sistemes autònoms superintel·ligents, un horitzó que explica tant l'ambició tècnica com el volum d'inversió que atrau.
Un dels desenvolupaments estrella és Asimov, un agent que barreja senyals de múltiples fonts internes (codi, documentació i correus electrònics d'equip i altres artefactes rellevants) per tenir una foto rica de l'entorn de desenvolupament. Així, no es tracta de produir codi sintètic al buit, sinó de comprendre processos, fluxos i decisions passades, amb l'objectiu d'encaixar com a membre més de l'equip tècnic.
La companyia ha assenyalat que utilitza una combinació de dades generades per anotadors humans i dades sintètiques per a l'entrenament, i que evita entrenar directament amb dades de clients. Aquest enfocament, del qual s'han fet ressò mitjans especialitzats, subratlla una postura ètica respecte a la propietat i la privadesa de la informació, terreny especialment sensible quan s'aspira a desplegar agents que interactuen amb actius crítics d'una organització.
A més dels agents, Reflection treballa en models base oberts que serveixin de plataforma per a desenvolupadors i empreses. L'aspiració és que aquests models sostinguin solucions personalitzades sense necessitat de dependre sí o sí d'APIs tancades, alineant-se amb una filosofia de transparència tècnica compatible amb necessitats comercials reals.
Origen, equip i visió de llarg abast
Reflection AI va néixer el 2024 de la mà de dos exinvestigadors de DeepMind, Misha Laskin i Ioannis Antonoglou , i té la seu a Nova York. El bagatge de l'equip fundador és profund: Laskin ha treballat en el modelatge de recompenses de projectes de gran importància, mentre que Antonoglou va ser coautor en avenços icònics com AlphaGo. Aquesta barreja dexperiència en investigació de frontera i enfocament pràctic sobre productes ha estat un imant per a talent i capital.
De portes endins, la startup ha reforçat la seva plantilla amb especialistes procedents de laboratoris líders , incloent-hi perfils que han passat per DeepMind i OpenAI. L'equip ronda les desenes de persones, majoritàriament investigadors i enginyers en infraestructura, entrenament de dades i algorismes, amb una estructura muntada per a iterar ràpidament i escalar entrenaments exigents.
En recursos de còmput, l'empresa afirma que ja disposa d' un clúster dedicat per emprendre entrenaments a gran escala . El pla anunciat inclou el llançament d'un model de llenguatge capdavanter entrenat amb trilions de tokens, recolzat en arquitectures Mixture-of-Experts (MoE) que permeten escalar amb eficiència, cosa que fins fa poc semblava reservada a laboratoris tancats amb pressupostos mastodòntics.
La visió estratègica es resumeix en un lema que el seu CEO ha descrit com un nou “moment Sputnik” per a la IA: impulsar una alternativa oberta promoguda des dels Estats Units per competir amb models de ràpid creixement a la Xina. L'objectiu declarat és evitar que els estàndards globals de la IA quedin definits exclusivament per altres països, cosa que, a més, encaixa amb un interès creixent per part de governs i grans corporacions a l'anomenada “IA sobirana”.
Ara bé, obertura no vol dir barra lliure. Reflection ha explicat que té previst alliberar pesos de models per a ús ampli de la comunitat investigadora i de desenvolupadors, però que no publicarà els conjunts de dades completes ni el detall íntegre dels processos d'entrenament. D'aquesta manera pretén compatibilitzar un esperit obert amb un model de negoci sostenible orientat, en gran part, a grans empreses i administracions públiques.
Diners en joc: xifres, inversors i el vaivé de valoracions
La trajectòria de finançament de Reflection AI ha deixat titulars. En fases primerenques es va parlar de petites injeccions que elevaven el total acumulat a uns quants milions , cosa pròpia de la gestació d'un laboratori àgil. Poc després, les dades de plataformes de mercat van reflectir una ronda de 130 milions amb valoració d'uns 545 milions, senyal que l'interès dels inversors anava de debò i que la tesi de producte tenia més cos del que aparentava.
A mesura que avançaven els mesos, van circular informacions sobre negociacions per obtenir 1.000 milions de dòlars , amb valoracions al voltant de 4.500–5.500 milions. Aquest escenari, ja de per si impressionant, serviria d'avantsala a un salt encara més gran: la companyia acabaria comunicant una mega ronda de 2.000 milions que situa la seva valoració propera a 8.000 milions, un moviment que la col·loca a la lliga dels aspirants a laboratori de referència a Occident.
A la llista d'inversors apareixen noms de primera: Nvidia liderant l'operació , juntament amb figures com Eric Schmidt, entitats com Citi i vehicles com 1789 Capital. Alhora, s'han mantingut inversors existents del calibre de Lightspeed i Sequoia; també s'han esmentat suports o participació de firmes com CRV i DST Global, així com aportacions rellevants del braç de venture de Nvidia en diferents moments del recorregut.
El context ajuda a entendre la gana: el capital risc viu un cicle de forta exposició a IA . El tercer trimestre del 2025, el finançament global de venture capital va pujar més del 30% interanual, vorejant els 97.000 milions de dòlars, i gairebé la meitat es va destinar a empreses d'intel·ligència artificial. Amb aquestes xifres, no estranya veure apostes multimilionàries per companyies que apunten a construir infraestructura de base.
Convé, això sí, posar una nota de prudència. Saltar de valoracions de centenars de milions a diversos milers en qüestió de mesos implica expectatives altíssimes sobre creixement, adopció i resultats . Si el producte no escala, o el cost de computació i de talent engoleix el capital abans de consolidar clients, la pressió sobre l'equip directiu serà de campionat.
Tecnologia i producte: agents, models base i bones pràctiques de dades
El “core” tecnològic de Reflection AI pivota sobre dos pilars: un sistema d'agents de programari veritablement autònoms capaços d'operar sobre bases de codis complexes, i el desenvolupament de models base oberts per a usos amplis. A la pràctica, això es tradueix en agents que entenen l'ecosistema de desenvolupament (repositoris, documentació, tiquets, decisions prèvies) i proposen o executen canvis amb una lògica que s'aproxima a un enginyer humà.
Asimov, el producte més visible, integra capacitats de planificació multiagent amb memòria d'equip , cosa que li permet recordar estats previs i coordinar-se amb altres agents o amb humans. Aquest enfocament és especialment útil per a treballs llargs que requereixen mantenir context: migracions, refactors extensos, integracions amb tercers o desplegaments esglaonats.
Per millorar la comprensió i precisió, la companyia utilitza tècniques com ara RAG (Generació Augmentada per Recuperació) en escenaris de documentació corporativa i coneixement intern, articulant respostes que referencien fonts fiables dins de la pròpia organització. La idea és reduir al mínim les al·lucinacions i assegurar traçabilitat en recomanacions i canvis proposats.
En matèria de dades, Reflection ha insistit al principi operatiu: no entrenar directament amb dades de clients . En canvi, la base d'aprenentatge es nodreix de dades amb anotació humana i dades sintètiques, gestionades amb procediments dissenyats per protegir la propietat intel·lectual i la privadesa. És una línia vermella que respon a demandes legals i de confiança cada cop més exigents en sectors regulats.
De cara als propers llançaments, l'equip planeja models centrats en text amb evolució cap a capacitats multimodals , recolzats en arquitectures com a MoE per escalar de forma més eficient que amb enfocaments monolítics. Aquest sender, unit al múscul de còmput, suggereix que veurem iteracions freqüents i un focus especial en la qualitat del raonament, més enllà de la mida del model.
Competidors, riscos i contradiccions del boom inversor
El tauler competitiu és d'alt voltatge: OpenAI, Anthropic , Google, Meta i nous actors xinesos com DeepSeek, Qwen o Kimi han elevat el llistó en models de llenguatge i agents. Destacar en aquest grup exigeix diferenciar producte, demostrar seguretat i accelerar cicles de millora sense cremar la caixa a velocitat de creuer.
Des de l'angle ètic i de compliment, l'obertura selectiva de models ofereix avantatges però també incògnites: llicències, responsabilitat per usos indeguts i requisits reguladors evolucionen molt de pressa. Si un agent autònom executa canvis amb biaixos no detectats, o si hi ha un incident de seguretat rellevant, la confiança es pot veure danyada fins i tot amb clients molt entusiastes.
En paral·lel, el cost operatiu és monumental: GPU, centres de dades, talent sènior i experimentació ràpida sumen xifres que es mengen capital amb facilitat. Aquí la clau no és només aixecar rondes grans, sinó demostrar eficiència en cada dòlar invertit, cosa que separa els campions dels focs artificials.
També hi ha tensions narratives pròpies del cicle: salts de valoració a curts terminis , informacions de mercat que parlen d'objectius de finançament variables i expectatives que es recalibren cada poques setmanes. Res d'això invalida la tesi de fons, però sí que obliga a llegir cada anunci amb lupa ia valorar la tracció real amb clients.
Finalment, hi ha el joc geopolític: l'ambició d'esdevenir el laboratori obert de referència a Occident davant de gegants xinesos afegeix un component d'urgència. Moltes empreses i països se senten incòmodes adoptant models l'origen dels quals planteja possibles friccions legals o estratègiques, i Reflection es vol posicionar amb una alternativa sòlida i fiable.
Impacte per a startups i empreses: de la infraestructura oberta a la “IA sobirana”
Si l'estratègia de Reflection qualla, l'ecosistema podria gaudir d' una acceleració col·laborativa : models base oberts que permeten startups construir solucions sense dependre en excés d'APIs privades, amb més control sobre latència, costos i personalització. Seria un impuls per a creadors i equips petits que necessiten moure ràpid sense renunciar a qualitat.
Per a les corporacions, la proposta és doble: d'una banda, agents de programari que abarateixen i escurcen cicles de desenvolupament ; de l'altra, la possibilitat de desplegar models en entorns controlats, camí cap a aquesta “IA sobirana” que ja busquen governs i sectors regulats. Aquest segon front ofereix un motor dingressos potencialment estable per a la companyia.
Al costat de la competència, els gegants tradicionals no es quedaran de braços plegats. Veurem més inversió en eines de desenvolupament assistit , integracions natives en plataformes de núvol i aliances estratègiques per reforçar ecosistemes propis. En aquest terreny, Reflection haurà de demostrar rapidesa, fiabilitat i, sobretot, un retorn clar en productivitat.
Pels inversors, aquest cas serà un termòmetre: quantes apostes de milers de milions pot absorbir el mercat abans que el control de mètriques i la disciplina de resultats s'imposin? Si Reflection converteix capital en innovació útil i adopció sostinguda, reforçarà la tesi que els laboratoris “open-first” poden competir amb els tancats també a gran escala.
En el pla cultural, que una startup fundada el 2024 per exDeepMind pretengui escalar a ritme de laboratori líder envia un missatge potent: el talent de IA de frontera pot florir fora de les big tech si es combina visió, còmput i accés a capital amb un pla de producte que encaixi en fluxos de treball reals.
La cirereta és Asimov com a “cara” visible de l'autonomia aplicada: si demostra fiabilitat en tasques repetitives i complexes , i si ho fa respectant la privadesa i els requisits de compliance, serà més senzill traduir la narrativa de models oberts i agents a contractes i adopció mesurable en empreses.
Reflection AI es posiciona com un actor que vol reescriure el manual de com es desenvolupa programari i de com es competeix a la cúspide de la IA. Amb suports de primer nivell, un relat clar i un full de ruta tècnica ambiciosa, la pilota està ara a la teulada: convertir grans rondes en avenços sostenibles, producte diferencial i confiança a prova d'auditories. Ni més ni menys.
