Growth
·
17 MIN
3 ago 2026
Cómo Crecería Cala AI
Hola! Soy Fran, bienvenido a "Cómo Crecería X", un proyecto creado para ayudarte a identificar oportunidades de crecimiento para tu empresa mediante el análisis de distintos casos prácticos.
Cada mes elijo una empresa de tecnología, ya sea B2B o B2C, y escribo un análisis en el que exploro cómo la haría crecer desde una perspectiva de producto, ciclo de vida del cliente, IA y go-to-market.
Empezamos.
Hoy analizamos a Cala
Resumen
TL;DR
Sobre la empresa: modelo de negocio, propuesta de valor, GTM, y posicionamiento en el mercado.
La Tesis Central de Crecimiento
Cómo Crecería Yo Cala
Movimiento 1 | Reducir el Time-to-Value para experimentar el valor del grafo desde la propia web, antes de crear una cuenta.
Movimiento 2 | Producto: Un agente de descubrimiento de fuentes que enriquezca tu proyecto desde la primera query.
Movimiento 3 | Mostrar en las demos el proceso, no solo el producto final: dar mayor relevancia a las fuentes de datos y al grafo.
Otros insights
Disclaimer: Toda la información e insights presentados en este análisis se basan exclusivamente en fuentes externas y datos de acceso público, sin contar con conocimiento interno de la empresa.
TL;DR
Cala provee una solución de grafo de conocimiento verificado y consultable. Se trata de una plataforma de datos, extremadamente ambiciosa en el mercado, respaldada por 7M€ de pre-seed liderados por Lightspeed Venture Partners junto a Kibo Ventures, Kfund y Masia.
Su propuesta consiste en convertir el caos de internet en un knowledge graph verificado que los agentes de IA puedan consultar de forma determinista, con hechos tipados y trazabilidad completa a la fuente, en lugar de scrapear URLs y esperar que el contenido sea correcto. De hecho, Cala afirma ser 8 veces más eficiente en consumo de tokens que un search API tradicional.
El problema es que esta diferenciación "datos estructurados y verificados en vez de texto scrapeado" ya no es suficiente, sobre todo porque compiten con ellos, por un lado, los search APIs para agentes (Exa, que acaba de levantar 250M$; Tavily, adquirida por Nebius por 275M$ iniciales) y, por otro, los agregadores de datos verticales (Valyu) en sectores como finanzas y el ámbito de life sciences, precisamente las verticales en las que opera Cala. Así que la pregunta inevitable es: ¿por qué debería un comprador elegir a Cala frente a estas otras opciones?
Mi tesis es que lo que de verdad diferencia a Cala no es "servir datos estructurados" —eso ya lo hacen múltiples soluciones—, sino el grafo: la capacidad de conectar entidades y relaciones que permitan enriquecer las fuentes de datos que utilizan los agentes en un dominio de conocimiento especializado (finanzas, ciencias de la salud, etc.). Sin embargo, hoy es difícil experimentar ese valor, tanto en su web como en su producto, lo que abre una oportunidad clara: dar mayor relevancia al componente grafo.
Y es que las empresas que mejor comuniquen la relevancia de pasar de "consultar datos" a "recorrer relaciones" para modelar el conocimiento en una organización o dominio de conocimiento se vuelven mucho más difíciles de sustituir. Precisamente su CEO, Elisenda, lo explica en una publicación reciente: por qué las preguntas más difíciles para un agente nunca funcionaron con retrieval, ya que determinadas consultas no viven en un único documento, sino que son un camino de relaciones. Como ella misma menciona: "It also explains why the hardest agent questions never worked with retrieval. 'Who ultimately owns this company?' doesn't live in any document. It's a path: five entities deep, across three registries. You don't retrieve it, you walk it." Una idea que refuerza precisamente mi tesis: comunicar y dar mayor relevancia al grafo dentro de su propuesta de valor.
Tres movimientos para llegar ahí:
Movimiento 1 | Reducir el Time-to-Value para experimentar el valor del grafo desde la propia web, antes de crear una cuenta.
Movimiento 2 | Producto: Un agente de descubrimiento de fuentes que enriquezca tu proyecto desde la primera query.
Movimiento 3 | Mostrar en las demos el proceso, no solo el producto final: dar mayor relevancia a las fuentes de datos y al grafo.
Sobre la empresa
Cala es una infraestructura de datos públicos, verificados y estructurados, organizados en un knowledge graph para agentes de IA. Su propuesta de valor es que un agente pueda consultar conocimiento tipado y trazable, en lugar de texto scrapeado que todavía hay que parsear, deduplicar y confiar en que sea correcto.
Detrás está Elisenda Bou-Balust (CEO), quien fue Head of Media Knowledge en Apple tras la adquisición de su anterior startup, Vilynx, en 2020, junto a Issey Masuda Mora (CTO). Está diseñada para desarrolladores que quieran enriquecer sus agentes con fuentes de datos estructuradas y verificadas.
¿Cómo funciona Cala?
El producto (ver imagen abajo) se articula en torno a dos endpoints principales, que aceptan tanto preguntas en lenguaje natural como el lenguaje Cala QL, con notación de puntos (OpenAI.founded.year → 2015), y que se diferencian únicamente en la forma de la salida:
Structured answer (POST /v1/knowledge/query): devuelve datos tipados en formato tabular (JSON), junto con las entidades que coinciden con la consulta. Está pensado para cuando necesitas datos estructurados listos para uso programático.
Natural language answer (POST /v1/knowledge/search): devuelve, en cambio, una respuesta en lenguaje natural, concisa y optimizada en tokens, en formato markdown, con explicabilidad y trazabilidad completa a la fuente y las entidades detectadas ya extraídas. Está pensado para cuando lo que necesitas es una respuesta legible por una persona, no el dato en crudo.
A esto se suma, además, una capa de descubrimiento de entidades:
entity_search: búsqueda de cualquier entidad por nombre (empresas, personas, productos, papers, leyes, lugares y más), con coincidencia aproximada (fuzzy matching) incluida.
retrieve_entity: recuperación de toda la información disponible sobre una entidad concreta, ya identificada por su UUID.
Todo ello a través de API e integración MCP, con lo que Cala se conecta directamente a Cursor, Claude Code, n8n, entre otros.
El grafo, por su parte, se nutre de fuentes públicas verificadas antes de entrar en el grafo. Un matiz importante de su modelo es que el grafo crece con cada consulta —si Cala no tiene un dato, lo busca, lo procesa y lo deja listo para la siguiente vez que alguien lo pida—, lo que la compañía proyecta que llevará el grafo a entre 500M y 1.000M de entidades a cierre de 2026.
Modelo de negocio y Go-to-market
Cala opera principalmente con un GTM product-led, con un tier starter gratuito, sin tarjeta, y upgrade a medida que crece el consumo, además de una vía enterprise para volumen, fuentes adicionales, SLAs y SSO.
Pricing
El modelo de precios es por crédito (1 crédito = 1 consulta), con la particularidad de que todos los planes acceden a los mismos datos; lo que cambia, en cambio, son los límites de uso, el número de seats y el soporte:
Starter: gratis. 100 créditos/mes, 10 req/min, 1 seat, soporte comunidad. Sin tarjeta.
Explore: 50$/mes. 1.100 créditos/mes, 100 req/min, 1 seat, soporte por email.
Build: 200$/mes. 5.000 créditos/mes, 100 req/min, 5 seats, soporte prioritario, gestión de usuarios.
Enterprise: custom. Volumen a medida, capacidad dedicada, fuentes de datos adicionales, SLAs y SSO.
Además, los créditos extra se pueden comprar aparte (50$ por 1.000 créditos) y no caducan, en cualquier plan.
¿Qué diferencia a Cala de un search API o de un agregador de datos verticales?
1. Un Knowledge Graph Verificado y Consultable
Frente a un search API que devuelve URLs, texto scrapeado y fragmentos de HTML que el agente aún tiene que interpretar y parsear, Cala elimina la capa de ingesta, normalización y verificación a través de una API sencilla, devolviendo así campos tipados sobre los que el agente puede razonar de inmediato. La combinación knowledge_search / knowledge_query (misma pregunta, con salida en lenguaje natural con citas o en JSON tabular) cubre tanto el lado del usuario como el lado del agente. Por debajo de todo esto hay un grafo de entidades —empresas, personas, productos, leyes, lugares— conectadas por relaciones explícitas.
2. Explicabilidad y trazabilidad completa a la fuente
Cada dato verificado que entra en el grafo lleva asociada una explicabilidad y trazabilidad de la fuente de origen, lo que permite auditar la respuesta (ver imagen abajo).
3. Un grafo que crece con el uso
A diferencia de un dataset estático o de un search API que vuelve a buscar en la web en cada llamada, Cala aprende de cada consulta: si no tiene un dato, lo busca, lo procesa y lo deja listo para la siguiente query. Es decir, el grafo se enriquece con el propio uso, y la compañía proyecta que esto lo llevará a entre 500M y 1.000M de entidades a cierre de 2026. De ahí que Cala reivindique ser 8 veces más eficiente en tokens que un search API tradicional: no devuelve prosa que el agente tenga que procesar, sino el dato ya limpio y verificado.
Algunos aspectos interesantes de su estrategia de distribución
1. Distribución agent-native desde el primer día
API, integración MCP (Codex, Cursor, Claude Code, Claude Desktop, etc.) y Agent skills desde el lanzamiento, una estrategia que le permite tener mayor visibilidad, integración y distribución de su solución en las principales plataformas de código agéntico.
2. Iniciativas de creación de comunidad
Comets es un programa mediante el cual Cala patrocina a creadores de su comunidad para que asistan a un hackathon al mes. Se trata de una estrategia de creación de comunidad que cumple una doble función: por un lado, construye una comunidad de builders en torno a Cala y, por otro, genera de forma orgánica nuevas demos y casos de uso reales que visualizan el valor del producto, el mismo contenido que, bien aprovechado, podría alimentar la sección de demos por industria que exploramos en el Movimiento 3.
3. Documentación pensada para agentes, no solo para humanos
Cala plantea públicamente una idea que va más allá de la documentación técnica tradicional. Durante dos décadas, el software se ha diseñado pensando, exclusivamente, en humanos que hacen clic en una pantalla: arquitectura de la información, investigación de UX, sistemas de diseño y accesibilidad. Sin embargo, en este nuevo mercado impulsado por la IA, esta ya no es la única audiencia a diseñar, ya que los agentes (LLMs con acceso a herramientas) ahora descubren, evalúan y empiezan a usar productos sin tocar nunca la interfaz: no leen la landing page, leen la API; no prueban el trial, prueban el CLI; no los convence el discurso comercial, sino su documentación.
Es la misma idea que resume Marc Benioff cuando dice que, para Salesforce, "nuestra API es la interfaz"; de hecho, la compañía ha expuesto toda su plataforma (apps, workflows, metadata, Agentforce, Slack) como APIs unificadas, herramientas MCP y CLI. Y en esa misma línea, otras voces del sector empiezan a describir el descubrimiento de software como algo que hoy arranca directamente desde un asistente como Claude, un motor de compra distinto a cualquier cosa vista antes en el B2B SaaS.
En este artículo exploro, en profundidad, esta idea de las Agentic UX.
La Tesis Central de Crecimiento
Como adelantaba en el TL;DR, la diferenciación original de Cala —"datos estructurados y verificados en vez de scraping"— ya no es suficiente por sí sola, sobre todo porque compiten con ellos, por un lado, los search APIs para agentes (Exa, que acaba de levantar 250M; Tavily, adquirida por Nebius por 275M iniciales) y, por otro, los agregadores de datos verticales (Valyu) en sectores como finanzas y el ámbito de life sciences, precisamente las verticales en las que opera Cala. Así que la pregunta inevitable es: ¿por qué debería un comprador elegir a Cala frente a estas otras opciones?
Mi tesis es que lo que de verdad diferencia a Cala no es "servir datos estructurados", eso ya lo hacen múltiples soluciones, sino el grafo: la capacidad de conectar entidades y relaciones que permitan enriquecer las fuentes de datos que utilizan los agentes en un dominio de conocimiento especializado (finanzas, ciencias de la salud, etc.). Y es que, mientras Valyu y Exa te devuelven el mejor documento o la mejor fila para tu consulta, Cala, por diseño, puede devolverte el camino entre diferentes entidades en una sola consulta, codificando de mejor forma el funcionamiento de tu negocio o un dominio específico de conocimiento. Sin embargo, hoy es difícil experimentar ese valor, tanto en su web como en su producto, lo que abre una oportunidad clara: dar mayor relevancia al componente grafo.
Cómo Crecería Yo Cala
Con nuestros clientes abordamos el crecimiento de sus compañías identificando oportunidades a través de tres dimensiones clave:
Adquisición
Monetización
Retención
En el caso de Cala, las principales oportunidades de crecimiento que exploro en este análisis se concentran en hacer visible, en cada punto de contacto (web, producto y casos de uso), lo único que la diferencia de un search API o de un agregador de datos: el grafo.
¿Cómo puede Cala reducir el time-to-value conectando su web comercial directamente con la experimentación del valor del producto?
¿Cómo puede dejar de parecer "otro search API estructurado" y demostrar que su grafo hace algo que Valyu o Exa no pueden?
¿Cómo puede, en sus demos, dar mayor visibilidad a las fuentes de datos, en lugar de limitarse a mostrar únicamente el producto final?
Profundicemos en las distintas oportunidades que quiero compartir en este análisis :
Movimiento 1 | Reducir el Time-to-Value para experimentar el valor del grafo desde la propia web, antes de crear una cuenta
La web de Cala, hoy, describe bien su propuesta de valor como una capa de infraestructura y grafo de conocimiento verificado para agentes, a través de dos componentes principales: por un lado, un ejemplo de dataset (ver imagen abajo: un ejemplo de dispositivos médicos*) que representa una fracción de los datos disponibles en Cala; y, por otro, una sección con sus funcionalidades principales (resultados tipados, fuentes de datos públicas y verificadas, datos históricos, grafo, etc.).
*Randomized Medical data sample representing a fraction of Cala´s data.
Funciona, pero, en mi opinión, tiene una limitación. Y es que, aunque su solución es horizontal (pensada para múltiples industrias), la web sigue siendo muy genérica: muestra siempre la misma muestra de datos, de la misma industria, a todos los visitantes, independientemente de cuál sea su negocio. Esto dificulta la experimentación inmediata de valor. La web debería de poder generar mayor relevancia y resonar con quien la visita, mostrándole una muestra de valor específica para su industria o su caso de uso, y no un dataset fijo de ejemplo. La sección de industrias, por su parte, sigue siendo igualmente genérica.
La oportunidad: reducir el time-to-value directamente desde la web.
Cala ya tiene un plan gratuito en el que resulta fácil experimentar el valor de la solución. La oportunidad, entonces, es traer esa experimentación un paso antes: a la propia web, incluso antes de crear una cuenta.
Para pensarlo, conviene separar tres momentos en los que un usuario experimenta el valor de Cala:
Momento de Percepción de valor: ocurre en la web, antes de crear cuenta. El visitante entiende que Cala es "un grafo de datos verificados para agentes" y por qué eso es relevante, pero hoy se queda en la promesa: ve un dataset de ejemplo de una industria que quizá ni siquiera es la suya.
Momento de Experimentación de valor ("Aha! moment"): es el instante en que el usuario experimenta el valor a través de una consulta específica en su industria. Hoy solo ocurre dentro del producto, después de crear una cuenta.
Momento de Adopción: el usuario integra Cala en su flujo de trabajo habitual vía API o MCP.
Lo que yo haría es sustituir el dataset/grafo fijo de la home por un campo de búsqueda en tiempo real, embebido directamente en la web, que permita a cualquier visitante lanzar su propia query —no una muestra predefinida de la industria médica— y entender así la propuesta de valor del grafo. Esta búsqueda devolvería un número acotado de registros, invitando ahí mismo al usuario a crear una cuenta (CTA) para acceder a la totalidad de los resultados ya dentro del producto.
Esto convertiría la web en el primer punto de experimentación de valor, y no solo de percepción: el visitante exploraría, con su propia query y sobre su propia industria, el valor real de Cala, en lugar de un ejemplo abstracto pensado para cualquier usuario.
Ejemplo: Cómo otras soluciones en el mercado lo resuelven
Un ejemplo brillante de cómo ofrecer valor inmediato en un SaaS es Ocean.
Una de las grandes dificultades para cualquier empresa SaaS es explicar su producto en menos de un minuto.
Antes de que un potencial cliente esté dispuesto a seguir explorando tu solución, necesita experimentar su valor rápidamente.
Así lo hace Ocean, una herramienta para encontrar audiencias similares a tu ICP:
1. Desde su web, te pide solo la URL de tu cliente ideal.
2. En segundos, te devuelve una lista de empresas similares y/o sus contactos.
3. Y, si quieres más detalles, te invita a crear un free trial o agendar una demo comercial.
Un flujo sencillo, directo y orientado al valor desde el primer clic.
Y en el caso de Cala, ¿cuál sería el flujo ideal para reducir el time-to-value y lograr que los potenciales clientes perciban el valor de la solución lo antes posible?
Un motor de consultas interactivo embebido en la web, con resultados acotados y un CTA claro hacia el plan starter, perseguiría así un doble objetivo: por un lado, acortar, desde la propia web, el proceso de percepción y experimentación de valor de Cala; y, por otro, incrementar la conversión hacia cuentas del plan gratuito.
Esta es solo una hipótesis; hay múltiples formas de materializar esta oportunidad.
Movimiento 2 | Producto: Un agente de descubrimiento de fuentes que enriquezca tu proyecto desde la primera query
Como describía más arriba, Cala es una solución muy relevante para enriquecer las fuentes de datos que alimentan tus agentes de IA. Sin embargo, hoy su principal propuesta de valor (el grafo de conocimiento) queda en un segundo plano, o al menos con menor relevancia de la que debería tener.
¿Cómo puede el desarrollador experimentar de forma más rápida el valor del grafo de conocimiento de Cala?
¿Cómo puede Cala dar mayor relevancia, dentro de su propio producto, al descubrimiento de nuevas fuentes de datos y relaciones existentes en el grafo para un caso de uso e industria determinados?
Dos oportunidades a explorar:
Oportunidad 1: un agente de descubrimiento de fuentes que enriquezca tu proyecto a partir de tu primera query
Hoy, un desarrollador que llega a Cala con una necesidad muy concreta tiene que evaluar, primero, si los datos existentes son relevantes para su caso de uso y, segundo, identificar por su cuenta otras fuentes de datos derivadas que también podrían serlo y que ya están disponibles en el motor. El producto devuelve los registros a una consulta específica, pero ¿cómo puede el desarrollador identificar otras fuentes de datos relacionadas? Hoy, el grafo no se lo sugiere de forma proactiva.
La oportunidad es que Cala use su propio grafo como motor de recomendación, y no solo como motor de respuesta: un agente de descubrimiento de fuentes ("Source Discovery Agent") que, a partir de tu consulta inicial, te proponga qué otras fuentes de datos o entidades del grafo podrían enriquecer tu proyecto. El flujo sería el siguiente:
El desarrollador lanza una query inicial (p. ej., "dame los datos financieros de Acme").
El agente, apoyándose en otras fuentes de datos similares y en las relaciones ya existentes en el grafo para esa entidad, recomienda otras consultas para enriquecer la capa de datos del caso de uso.
El desarrollador decide entonces qué añadir, sin haber tenido que saber de antemano que esas fuentes existían o eran relevantes para su caso de uso.
Oportunidad 2: rediseñar el onboarding self-serve para que el primer momento de valor sea experimentar una relación del grafo, no un dato aislado
El primer momento de valor en Cala no debería ser recibir una respuesta a una consulta puntual, sino ver una conexión entre entidades que ningún search API te habría dado. Todo el onboarding self-serve debería estar orientado a llegar ahí lo antes posible.
Hoy, sin embargo, en la home podemos encontrar un ejemplo de dato plano (Acme.Financials.NetIncomeLoss.From=2016.To=2026): una serie temporal de una métrica financiera, exactamente el tipo de resultado que también devolvería Valyu, Exa o cualquier proveedor de datos financieros clásico. Así, con los 100 créditos gratuitos del plan Starter, un usuario nuevo puede pasar toda su prueba haciendo preguntas de una sola entidad sin llegar a experimentar lo que hace especial a Cala: su grafo.
Este sería, en cambio, un flujo de onboarding más orientado a experimentar el valor del grafo:
Introduce una consulta.
Cala construye en segundos un mapa de conexiones de primer y segundo grado: filiales, litigios, sanciones relacionadas, personas con cargos directivos, noticias recientes que las mencionan.
El usuario ve visualmente una relación que no conocía y la incluye en su proyecto.
En definitiva, la oportunidad es convertir el "reveal" de una conexión inesperada, o nueva fuente de datos, en el objetivo central del onboarding. Lo que yo haría es redefinir la métrica de activación interna, pasando de "el usuario hizo su primera llamada a la API con una única consulta" a "el usuario ejecutó al menos una consulta que reveló una relación de segundo grado en el grafo".
Movimiento 3 | Mostrar en las demos el proceso, no solo el producto final: dar mayor relevancia a las fuentes de datos y al grafo
La web de Cala tiene hoy una sección de demos interactivas por industria, que describe distintos productos construidos encima del motor de datos de Cala. Es una sección interesante: dentro de cada industria (por ejemplo, Finance) se muestran, por un lado, casos de uso específicos con acceso a demos en vivo y, por otro, las fuentes de datos disponibles para esa industria (ver imagen abajo).
Funciona, pero creo que hay un espacio de mejora. El foco de la sección está puesto en el producto final (la demo, la interfaz, el caso de uso ya resuelto) y menos en las fuentes de datos que lo hacen posible. Y es precisamente ahí, en las fuentes de datos, en su grafo, y en cómo se combinan, donde se articula la propuesta de valor real de Cala.
La oportunidad: rediseñar esta sección de casos de uso para que enseñe el proceso, no solo el producto final. Es decir, pasar de "mira lo que se puede construir con Cala" a "así es exactamente cómo se construyó, paso a paso, y estas son las fuentes de datos utilizadas".
Ejemplo: Cómo otras soluciones en el mercado lo resuelven
Un formato que creo resuelve esto muy bien es el que usamos en Coworkings AI, la newsletter que escribo en Nexudus. En la edición sobre el CLI y Agent Skill de Nexudus, se estructuró la guía como un proceso dividido en diferentes partes: Part 1 — instalar el CLI y el Agent Skill, Part 2 — extraer los datos, Part 3 — ejecutar el análisis, Part 4 — devolver el resultado al sistema, con el comando exacto, el prompt exacto y una captura del resultado en cada paso. Así, el lector no se queda con el resultado final, y puede reproducirlo con su propia cuenta.
Para Cala, esto se traduciría en complementar la demo final con una guía paso a paso que muestre el proceso: qué fuentes de datos se consultaron primero, cuál fue el proceso de identificación de otras fuentes que inicialmente se desconocían y que terminaron enriqueciendo el proyecto, qué consultas se lanzaron, qué relación del grafo se recorrió y qué resultado devolvió cada paso, en lugar de una demo interactiva que solo enseña el resultado final ya montado y en el que el motor de Cala queda en un segundo plano.
Existe un espacio de oportunidad que explorar en Cala. 😉
Estas son algunas hipótesis que exploraría en la compañía, basadas únicamente en información abierta y conocimiento del mercado, sin tener acceso a datos internos de la compañía.
Como siempre, estas hipótesis requieren de datos para ser validadas.
Otros insights
Os comparto algunos enlaces a otros análisis que pueden complementar la lectura de este análisis:
Eso es todo por hoy.
Nos vemos el próximo mes con un nuevo análisis.
Fran
¿Te gustaría que hablemos y exploremos juntos oportunidades de crecimiento para tu empresa?
Si te interesa, puedes escribirme aquí o, si lo prefieres, agendar una reunión directamente desde este enlace.
