El mercado más grande de la IA vertical está escondido a plena vista

• Cuanto más fragmentada y operativamente compleja es una industria, más probable es que sea el mercado ideal para que los sistemas de IA vertical construyan defensas sólidas, aunque la mayoría de fundadores e inversionistas lo estén pasando por alto
• La automatización limpia de una sola tarea se copia con facilidad, pero los flujos de trabajo entrelazados con regulación, integraciones legadas y manejo de excepciones crean sistemas en los que ni competidores, ni clientes, ni laboratorios de IA pueden ponerse al día fácilmente
• Si el tamaño del mercado se recalcula no por presupuesto de software sino por costos de servicios y mano de obra, los mercados verticales que parecían pequeños revelan en realidad enormes áreas de gasto
• Cuando el producto pasa de asistir el trabajo a reemplazar el trabajo mismo, el espacio de monetización dentro del mismo cliente puede expandirse decenas de veces
• En los próximos 5 años se definirá qué enfoque ganará en cada industria entre plataformas verticales especializadas por propósito, incorporación de IA por parte de los SoR existentes y construcción de IA in-house

---

Por qué este mercado está escondido

• Las dos características que esconden los mejores mercados de IA vertical son al mismo tiempo las que funcionan como su barrera defensiva
• La primera característica es el workflow grit: entornos de trabajo complejos llenos de manejo de excepciones, integraciones legadas, aprobaciones humanas, compliance y modos de falla costosos
  • Las tareas limpias y bien definidas son fáciles de construir, demostrar y vender, pero en cuanto la inteligencia se vuelve portable, se comoditiza
  • Los trabajos estrechos, de bajo riesgo y fáciles de insertar en sistemas existentes pueden ser replicados por competidores, construidos por los propios clientes o lanzados directamente por laboratorios frontier
• Los flujos de trabajo con alto grit bloquean estas tres amenazas al mismo tiempo: los labs no quieren lidiar con la complejidad operativa, los clientes no tienen la capacidad técnica y los competidores no pueden recortar el trabajo necesario
• Para hacer usable la IA en flujos de trabajo con alto grit, se necesita mucho más que acceso a modelos: estructurar datos no estructurados, integrar sistemas legados, diseñar ciclos de aprobación, definir tasas de error aceptables y construir confianza en entornos donde equivocarse cuesta caro
  • Ese trabajo se acumula silenciosamente y forma un mapa propietario de operación del workflow que un nuevo entrante no puede copiar solo comprando el mismo modelo
• Al principio la recompensa parece pequeña, pero este trabajo operativo difícil otorga permiso para expandirse a flujos de trabajo adyacentes y categorías presupuestales más grandes

Casos reales: préstamos automotrices, facturación médica y logística de carga

• Salient: construye agentes de voz con IA para llamar a prestatarios de préstamos automotrices en mora. Opera bajo regulaciones FDCPA, TCPA y Reg F, en un entorno donde una sola infracción puede detonar acciones regulatorias
  • La IA debe navegar reglas estatales y federales superpuestas, negociar pagos en tiempo real, respetar límites de frecuencia de llamadas y transferir al agente humano cuando sea necesario
  • Una llamada humana de cobranza cuesta entre $4 y $12, mientras que una llamada hecha por IA cuesta una fracción de eso
• Charta Health: automatiza la revisión de expedientes antes de la facturación, atravesando reglas de aseguradoras, códigos CPT y patrones de rechazo que varían por especialidad y región
• En logística de carga, HappyRobot, Pallet y Augment, entre otros, construyen agentes de IA que manejan las interminables llamadas, correos y actualizaciones en portales necesarias para coordinar transportistas, embarcadores y almacenes
  • “Llamar al chofer del camión para confirmar el estado de la carga” no parece una oportunidad de escala venture, pero cada carga incluye decenas de puntos de contacto manuales y la industria logística gasta más de 1 billón de dólares al año en costos operativos no físicos

La segunda característica: la estructura del mercado

• Una estructura de mercado fragmentada entre miles de operadores y con bajo ADN técnico en los compradores
• Los proveedores horizontales de IA necesitan clientes concentrados y de alto valor para que la economía de despliegue funcione, pero cuando los ingresos están dispersos entre miles de pequeñas y medianas empresas que operan sistemas distintos y datos no estructurados, los jugadores generalistas no pueden justificar el esfuerzo de GTM
• Operadores inmobiliarios, empresas de servicios en campo y clínicas ambulatorias de rehabilitación no tienen la capacidad técnica para construir IA de producción internamente, y ven la tecnología como algo para comprar, no para poseer
• La fragmentación crea espacio para construir, y la baja inclinación a desarrollar internamente amplía ese espacio, dando tiempo para acumular contexto operativo de forma compuesta antes que cualquiera

Caso: el mercado fiscal y contable de Estados Unidos

• El mercado fiscal y contable en Estados Unidos es una industria de $145 mil millones, con una larga cola de unas 46,000 firmas CPA, de las cuales 86% tiene menos de 10 empleados
  • Al mismo tiempo, también incluye a las Big Four y a grandes firmas nacionales
• Blue J: plataforma de investigación fiscal impulsada por IA que ha ganado tracción en ambos extremos. Actualmente presta servicio a más de 2,800 organizaciones y su uso creció más de 700% interanual
• La estructura de larga cola vuelve al mercado poco atractivo para jugadores generalistas, mientras que el workflow grit de leyes fiscales superpuestas, patrones de hechos ambiguos y respuestas en las que expertos ponen en juego su reputación crea un punto de entrada sostenible incluso en un entorno de compra difícil

El refuerzo compuesto de la barrera defensiva

• La complejidad operativa genera costos de cambio (switching costs): quitar el sistema implica volver a contratar personal, reconstruir procesos y renunciar a años de contexto acumulado del workflow
• La fragmentación no desaparece con el tiempo, ni los compradores adquieren de repente ADN de ingeniería
• Para cuando OpenAI o Anthropic reconozcan la existencia del mercado, el contexto operativo y la base de distribución del sistema vertical ya se habrán acumulado durante años

El TAM Goldilocks

• La razón por la que la mayoría de los mercados de IA vertical permanecen ocultos es que se mide mal el tamaño del mercado
• El enfoque estándar es tratar el gasto en software de la categoría como TAM, pero en industrias fragmentadas y operativamente complejas, el presupuesto de software suele ser pequeño
• La métrica correcta es cuánto gasta la industria en hacer el trabajo en sí: personal que ejecuta la tarea, proveedores externos, agencias y contratistas; es decir, el presupuesto de servicios y mano de obra
• Esta redefinición también explica por qué los competidores más peligrosos pasan por alto el mercado: si se mira “IA para arrendamiento inmobiliario” con el lente del presupuesto de software, parece un nicho y no hay razón para que un laboratorio frontier se movilice
  • Pero bajo el presupuesto de trabajo y servicios, es enorme, y para cuando eso se vuelve visible, el sistema vertical ya acumuló años de ventaja
• Las condiciones de un TAM Goldilocks: suficientemente grande para generar un resultado de venture, pero disfrazado bajo una superficie modesta de software; ignorado por su complejidad operativa, y capaz de expandirse dramáticamente una vez establecida la posición de sistema

El cambio de asistencia a reemplazo

• La expansión ocurre cuando el producto pasa de asistir el trabajo a hacerlo
• Caso de una empresa de administración inmobiliaria: gasta $30,000 al año en software de arrendamiento y $300,000 en personal de arrendamiento
  • Cuando el producto empieza a hacer el trabajo mismo, ya no se vende contra la línea de $30K, sino contra la de $300K
  • Si se expande a lo largo del workflow y la operación, puede acceder al presupuesto operativo completo de más de $1M
  • Dentro del mismo cliente y la misma empresa, el espacio monetizable se expande 30 veces

Caso: EliseAI

• EliseAI: plataforma de administración inmobiliaria con IA que empezó en un mercado proptech aparentemente limitado
  • Al inicio comenzó como una solución de automatización de arrendamiento de un solo SKU con un ACV de ~ $50K
  • Luego se expandió cuando el producto pasó de asistir a reemplazar el trabajo de arrendamiento, y después avanzó a mantenimiento, cobranza y recorridos guiados con IA, cubriendo todo el ciclo de vida del inquilino
  • Hoy presta servicio a 1 de cada 8 departamentos en Estados Unidos, y administradores y operadores inmobiliarios gastan millones de dólares o más en la plataforma
  • También entró a salud y está atacando $600 mil millones anuales en costos administrativos con el mismo playbook
• El TAM no creció junto con el producto; fue el producto el que reveló qué tan grande siempre había sido el TAM

Qué pasa cuando llegas primero

• En este mercado, las empresas de IA vertical que alcanzan una posición de sistema no solo construyen negocios grandes, sino que terminan definiendo cómo opera toda una industria durante la próxima década
• Anthropic y OpenAI sí representan una amenaza real en la capa de aplicación, pero deben manejar prioridades en conflicto al mismo tiempo
  • Tienen que seguir invirtiendo en avanzar la frontera de los modelos, y maximizar ingresos basados en tokens genera conflictos de interés con el cliente final a medida que aumenta la adopción de agentes
  • Encima de eso, tendrían que construir simultáneamente aplicaciones personalizadas de alta calidad para decenas de verticales distintas
• En la mayoría de los mercados, la IA vertical especializada por propósito probablemente superará a los labs en ejecución gracias a su enfoque puro
• Los próximos 5 años definirán qué enfoque gana en cada mercado: plataformas especializadas por propósito que expanden un wedge de IA hacia un sistema vertical, SoR (System of Record) existentes que sostienen su posición de mercado agregando IA “suficientemente buena”, o IA in-house construida sobre Anthropic/OpenAI
• La estrategia clave: elegir un punto de entrada afilado y operativamente complejo en un mercado que parece demasiado pequeño, expandirse por todo el workflow para ganar autoridad, reemplazar trabajo y convertirse en un sistema sin el cual el cliente no puede operar
• “Los modelos ganan en la demo, el wedge gana en el piloto y el sistema gana en el mercado”