Acuerdo: $21 millones, valoración de $65 millones
La startup bengalurí Runable recaudó $21 millones en una ronda Serie A. La ronda fue codirigida por Susquehanna Venture Capital y Nexus Venture Partners, y a ellos se sumaron fondos que ya estaban en el capital: Together Fund y Array VC. Se trata de financiación primaria puramente de capital: no hay instrumentos de deuda en la operación, y la valoración de la empresa tras la inversión alcanzó los $65 millones. Los detalles los compartió el cofundador y director ejecutivo Umesh Kumar en una conversación con TechCrunch (artículo de Jagmeet Singh, 26 de agosto de 2026).
La empresa es muy joven: fundada en 2025, con sede en Bengaluru y un equipo de apenas 15 personas. El producto está dirigido a pequeñas empresas, es decir, a personas que no tienen ni departamento de desarrollo, ni equipo de marketing, ni tiempo para lidiar con un constructor de sitios web.
De scraper de navegador a agente universal
Todo empezó, en realidad, no con un constructor de landing pages. Kumar y el cofundador Saksham Sarda construían un producto de infraestructura: una tecnología de navegador que permitía recolectar datos de la web de forma masiva. El pivote surgió de forma natural: los fundadores notaron que los usuarios pedían algo completamente distinto a un agente de navegador: armar una presentación, hacer un sitio web, preparar contenido. Así, el desarrollo de infraestructura se transformó en un agente universal.
El efecto económico fue rápido. Los pagos se lanzaron en marzo y, apenas tres semanas después, Runable alcanzó un run rate anual de $2 millones. Para un proyecto que hasta ayer vendía tecnología en lugar de resultados, es un cambio de trayectoria bastante brusco, y a juzgar por la nueva ronda, los inversores creyeron que es sostenible.
De «hacer» a «promocionar»
Hoy el agente es capaz de crear sitios web, aplicaciones, presentaciones y otros contenidos a partir de una solicitud en lenguaje natural. También asume parte de la infraestructura básica: despliegue y analítica. Pero la apuesta principal de la nueva ronda no es el lanzamiento, sino el crecimiento.
La empresa está expandiendo el agente hacia la llamada parte «grow» del negocio: lanzamiento de campañas publicitarias, gestión de redes sociales, SEO y, lo más interesante, la optimización de la presencia del negocio en las respuestas de los chatbots de IA. La idea es que el dueño de una pequeña empresa no tenga que armar pieza por pieza el sitio web, la analítica, las cuentas publicitarias y las herramientas de marketing, sino simplemente pedir que le traigan un número determinado de clientes.
La lógica de Kumar se puede reducir a una pregunta simple: si un emprendedor paga diez mil dólares a una agencia por gestionar la publicidad en Google, ¿no se puede obtener el mismo resultado más barato? Es precisamente en esa intersección donde Runable quiere ganar dinero. Él mismo lo formula de manera más contundente: el dueño de un negocio no necesita una herramienta para escribir código, sino un resultado medible.
Audiencia y métricas
Según Kumar, Runable tiene alrededor de 1,7 millones de usuarios registrados. Los mercados más grandes son Estados Unidos, Reino Unido y Japón, y la dirección japonesa crece tan rápido que ya el próximo mes podría situarse como líder a la par de la estadounidense. También hay usuarios en Brasil, pero la empresa desplaza conscientemente el foco hacia los tres primeros mercados.
Sin embargo, hay algo que queda fuera de cámara: Kumar se negó a revelar los ingresos actuales y el número de clientes de pago. De las cifras indirectas mencionó otra cosa: en los últimos 90 días los usuarios consumieron más de 1 billón de tokens, y aproximadamente el 60–70% de ese volumen correspondió a clientes de pago. Esto ya dice más sobre el producto que el número de registros: la gente no solo prueba el agente, sino que le encarga tareas reales.
Economía: margen negativo y apuesta por la inferencia barata
Esa intensidad de uso cuesta dinero. Kumar lo reconoce abiertamente: el margen bruto de Runable es actualmente negativo, en parte porque la startup subsidia el funcionamiento de la IA para sus clientes. Es la clásica historia de los productos agénticos en crecimiento: hay ingresos, pero todavía no cubren la factura de la inferencia.
El cálculo se apoya en dos cosas. Primera: la empresa trabaja con un conjunto de modelos de terceros y, en paralelo, desarrolla el suyo propio para reducir la dependencia de los precios ajenos. Segunda: el abaratamiento de la inferencia con el tiempo. Kumar estima el potencial de mejora de la economía como una reducción de costos de casi diez veces manteniendo la misma calidad de respuestas.
Competencia: los gigantes y las plataformas de coding
El mercado al que llegó Runable se vuelve cada vez más estrecho. En él entran los gigantes de modelos —Anthropic y OpenAI—, y junto a ellos operan plataformas de desarrollo: Cursor, Lovable y Replit. Cualquiera de ellas puede añadir funciones agénticas, y entonces la ventaja de los jugadores especializados empezará a diluirse.
El principal desafío, en esencia, es precisamente ese: destacar frente a empresas cuyos modelos usas tú mismo. El argumento de Kumar no es el modelo, sino el volumen de trabajo a su alrededor. Runable asume la infraestructura, la analítica y la distribución para que el usuario no tenga que pegar cinco servicios en un solo proceso. El modelo como tal deja de ser el producto: el producto pasa a ser la tarea realizada.
Con quién no compite Runable
Kumar no intenta ganarles a los agentes de coding en su propio terreno, y lo dice abiertamente. A un desarrollador que trabaja con archivos locales y pasa la mayor parte del tiempo escribiendo código le convendrán más OpenAI Codex o Anthropic Claude Code. Es otro escenario de uso y otro usuario.
La audiencia objetivo de Runable son los dueños no técnicos de pequeñas empresas, para quienes lo importante no es el proceso, sino un negocio que funcione al final. Kumar señala como competidores más cercanos a los agentes universales Manus y Genspark, es decir, productos de la misma categoría, no herramientas de desarrollador.
Prueba de TechCrunch: qué hizo el agente y dónde tropezó
Los periodistas sometieron al agente a una prueba práctica: un negocio ficticio de suscripción de café, con la tarea de armar y desplegar un sitio web, configurar la analítica y atraer a los primeros 100 visitantes con un presupuesto publicitario de $25. Runable creó el sitio web y preparó la campaña publicitaria, pero no llegó a lanzarla: según dijo, primero hay que conectar una cuenta publicitaria.
Una prueba similar con Cursor chocó con parte de las mismas limitaciones: la campaña quedó preparada, pero se requirieron acceso a la cuenta publicitaria y un método de pago, y para el alojamiento permanente del sitio hizo falta un servicio externo. La diferencia es que Runable cubrió más infraestructura dentro de su plataforma. Pero la cuenta publicitaria externa siguió siendo necesaria antes de poder gastar el presupuesto.
La empresa reaccionó a esta observación: la posibilidad de lanzar publicidad sin conectar cuentas del cliente ya funciona para la publicidad en ChatGPT. La startup tiene alianzas que lo hacen posible, pero se negó a nombrarlas, describiendo la relación como una «cuña suave»: una forma de entrar en la tarea desde el lado donde la barrera es más baja.
Qué significa esto
Una ronda de $21 millones con una valoración de $65 millones es una apuesta no por «otro constructor de sitios web», sino por un cambio en el punto de entrada al producto. Si antes la pequeña empresa compraba herramientas y armaba con ellas un proceso, ahora Runable propone comprar el resultado: no el sitio web, no la campaña, no el informe, sino clientes.
El punto débil de este modelo se ve a simple vista: la economía. Un margen bruto negativo con 1 billón de tokens consumidos significa que el crecimiento todavía lo pagan los inversores, no los clientes. La segunda vulnerabilidad es la dependencia de modelos ajenos y de plataformas publicitarias ajenas, cada una de las cuales tiene sus propias ambiciones agénticas. Ganará quien convierta más rápido el subsidio en margen y demuestre que lleva la tarea hasta el final, y no hasta la mitad del camino.
