- Con el auge de la IA basada en LLM y de los flujos de trabajo con agentes, la lógica económica del SaaS se está desmantelando de forma fundamental, y la rápida caída del costo de la inteligencia está reconfigurando el flujo de valor en el mercado de tecnología empresarial
- La ventaja de costos por sí sola en los servicios de IA no basta para construir un foso sostenible, y las startups que dependen de infraestructura LLM enfrentan el problema del despachador de taxis: una estructura montada sobre márgenes prestados
- De acuerdo con la paradoja de Jevons, el gasto total en IA crecerá de forma explosiva, pero ese valor no regresará a todos los participantes actuales del mercado, sino que vendrá acompañado de una reconfiguración masiva de la cadena de valor
- Las empresas que ganan en Vertical AI no son proveedores externos de servicios, sino aquellas que construyen sistemas profundamente embebidos en la operación del cliente; la gravedad de datos, los efectos de red y el lock-in de plataforma son clave
- Usar una estrategia de bajo precio como wedge intencional para asegurar posicionamiento en el mercado y luego evolucionar hacia una plataforma compuesta de inteligencia es la única estrategia verdaderamente sostenible
Transición estructural: del SaaS a la era de los agentes de IA
- El mercado de tecnología empresarial está atravesando una transformación estructural comparable al paso de on-premise a la nube
- Durante cerca de 20 años, el modelo SaaS creó billones de dólares en capitalización de mercado apoyándose en ingresos recurrentes, licencias por asiento y uso del producto como proxy de valor
- El auge de la IA basada en LLM y de los flujos de trabajo con agentes está desmantelando esa lógica económica del SaaS
- El motor central es la rápida caída del costo de la inteligencia: el mismo nivel de inteligencia cuesta cada vez menos
- Aun así, por el aumento en la complejidad de inferencia, el gasto total en tokens sigue creciendo aunque baje el precio por token
- Dada la fuerte competencia entre laboratorios con gran respaldo financiero como OpenAI, Google y Anthropic, junto con mejoras de eficiencia en hardware y software, no se espera que esta tendencia se desacelere
Presión deflacionaria sobre los servicios de IA
- Cuando los agentes reemplazan servicios manuales tradicionales, no capturan intacto ese mismo gasto, sino que provocan la comoditización del servicio
- Un servicio por el que hace unos años se pagaban 100 mil dólares terminará costando solo una fracción de eso
- La IA barata genera una presión deflacionaria persistente sobre los productos de Vertical AI
- Funciones como extraer datos de documentos, atender llamadas entrantes o redactar borradores de reportes de cumplimiento hoy pueden ser excelentes wedges porque la infraestructura y el know-how aún son escasos y la adopción sigue siendo baja, pero pronto pasarán a ser table stakes
- En cada categoría ya hay múltiples startups bien financiadas y en crecimiento, por lo que los márgenes extraordinarios tenderán a desaparecer por competencia
- Para entonces, las startups que no hayan construido un foso defensivo quedarán fuera
Servicios de IA vs. software: el paradigma de entrega de servicios
- Cuando el costo marginal de la inteligencia se acerca a cero, la propuesta de valor central del software empresarial cambia: pasa de ser una herramienta de apoyo al trabajo a entregar resultados que sustituyen trabajo
- Vertical AI puede encargarse de muchos más flujos de trabajo end-to-end que Vertical SaaS por sí solo, por lo que aumentan mucho el valor para el cliente y su disposición a pagar, y se vuelve posible acceder a presupuestos mucho mayores
- Sin embargo, se rechaza la visión dominante actual de que la entrega de servicios —es decir, una relación con el cliente parecida a la de un proveedor externo, no a la de una plataforma interna— será el paradigma dominante del software con IA
Un TAM más grande no hará flotar a todas las startups
- Aunque la caída abrupta del costo de la inteligencia expande enormemente el TAM de servicios de IA, esa ampliación de oportunidad no necesariamente se queda en el mismo punto de la cadena de valor
- Caso de las hojas de cálculo y la industria contable: tras la introducción de Microsoft Excel (1987), el número de tenedores de libros y auxiliares contables cayó de alrededor de 2 millones a 1.5 millones, mientras que los contadores y auditores aumentaron de aproximadamente 1.3 millones a 1.5 millones, y los analistas de negocio y gerentes financieros pasaron de cerca de 600 mil a 1.5 millones (cita de investigación de Morgan Stanley)
- Las hojas de cálculo no solo automatizaron la contabilidad básica, sino que movieron el valor hacia arriba en la curva de habilidades, del trabajo repetitivo al análisis de mayor nivel
- Caso de Uber y el ride-hailing: no solo hubo redistribución dentro de la cadena de valor, sino también eliminación completa de una capa intermedia
- El mercado global de taxis creció de unos 69 mil millones de dólares en 2019 a unos 271 mil millones en 2024; antes de Uber, el mercado tradicional de taxis era de entre 30 y 50 mil millones
- El gasto total en “pedir un auto para ir a algún lugar” creció alrededor de 5 a 8 veces en 15 años, mientras que el precio por viaje cayó aproximadamente a la mitad (con un rebote de 10 a 20% después de la era de subsidios de VC)
- Históricamente, las ganancias se repartían entre propietarios (operador-propietario, dueños de medallones en NYC, etc.), brokers (agencias de taxi, despachadores, garajes) y conductores asalariados
- La mayoría de esos actores fueron desplazados y los ingresos de agencia fueron absorbidos por Uber y Lyft
- El precio de los medallones de NYC cayó desde un pico cercano a 1 millón de dólares en 2013 a menos de 100 mil hoy (con algo de recuperación por intervención gubernamental)
Paradoja de Jevons e IA empresarial
- La misma paradoja de Jevons se está desarrollando hoy en la IA empresarial
- Si se mantienen constantes la calidad del modelo, el contexto y la complejidad de razonamiento, el costo por unidad de inteligencia se está desplomando
- El costo de inferencia a nivel GPT-3.5 cayó más de 280 veces entre noviembre de 2022 y octubre de 2024
- En 2023 era costoso hacer que un LLM leyera y clasificara todos los correos entrantes de una empresa mediana, pero hoy, a aproximadamente $0.40 por millón de tokens, ese costo es casi irrelevante
- Con herramientas de codificación con IA, actualmente 41% del código es generado o asistido por IA, lo que baja aún más las barreras de entrada
- El gasto total en IA está creciendo de forma explosiva: los ingresos de IA empresarial pasan de 1.7 mil millones de dólares en 2023 a 37 mil millones en 2025, un aumento de 22 veces en dos años
- Se proyecta que el gasto global en IA superará los 2.5 billones de dólares en 2026 (IDC)
- Gartner adelantó en dos años su predicción del momento en que la IA representará un tercio del gasto total de TI
- La pregunta clave no es si el pastel crecerá, sino quién podrá comérselo
El problema del despachador de taxis
- Existe una tesis popular según la cual AI Services (“Service-as-Software”) es el modelo de negocio ganador
- Foundation Capital lo plantea como una oportunidad de 4.6 billones de dólares: los presupuestos de TI equivalen al 1-2% del PIB, mientras que trabajo y servicios tradicionales representan más del 15%
- La lógica es que, si la IA realiza el trabajo de contadores, asistentes legales o analistas de compliance, entonces se puede cobrar con referencia al costo fully-loaded de esos empleados
- Pero ofrecer simplemente un producto análogo no permite capturar esos presupuestos en el largo plazo
- Los servicios son, por naturaleza, comoditizables
- La mayoría de las startups que crecen distribuyendo alternativas con IA no son dueñas del IP (los LLM) que hace posible ese arbitraje económico; los dueños son los labs
- La orquestación básica de workflows, RAG y el fine-tuning específico de dominio no son fosos sostenibles
- Aplicación del problema del despachador de taxis a la IA: antes de Uber, los despachadores de taxis capturaban margen por hacer matching de viajes; tenían cierta defensa gracias a la agregación de oferta (densidad local de conductores) y demanda (conocimiento local)
- Pero cuando apareció una plataforma que hacía un matching más eficiente entre oferta y demanda, externalizaba la propiedad del vehículo para expandir radicalmente la oferta y ofrecía menores costos al usuario, la competitividad del despachador desapareció
- Los despachadores no perdieron por la tasa de comisión de Uber
- Uber se queda con alrededor de 30% de las ganancias del conductor, algo no tan distinto del 30-50% total que antes extraían entre agencias de taxi, rentistas de medallones y despachadores
- El foso de Uber no fue extraer menos, sino integrar despacho, pago, matching, reputación y toda la intermediación en una sola plataforma que posee la red
- Si la propuesta central de una empresa de AI Services es “entregamos este servicio más barato con LLM”, entonces es un despachador sentado sobre un margen que no le pertenece
- Esa curva de costos la controlan los laboratorios de modelos, los hyperscalers, los fabricantes de chips y los productores de energía
- Si los modelos se abaratan más, o un competidor se conecta a la misma API del modelo y baja el precio, la ventaja de costos converge a cero
- Hoy existen cerca de 35 mil apps wrapper de IA en el mundo, una intensidad competitiva mucho mayor que en eras tecnológicas anteriores
- La capacidad de entregar un servicio más barato y la capacidad de conservar ese margen son cosas distintas: la pregunta central hoy es quién puede capturar de manera sostenida el excedente del consumidor que surge del colapso del costo de la inteligencia
Embeddedness y capacidad defensiva
- El excedente lo capturan y conservan las empresas que construyen defensas más allá de la curva de costos
- Fuentes históricas de defensa en tecnología empresarial: expertise de dominio, velocidad y ejecución, relaciones de partnership e integración, gravedad de datos, marca y confianza, y lock-in de plataforma
- En etapas iniciales, las mayores ventajas suelen ser el expertise de dominio y la velocidad de ejecución, aunque se debilitan rápido
- Las relaciones de partnership e integración pueden ser sostenibles, pero pierden relevancia a escala
- En crecimiento, el foso más importante son los loops de uso y datos
- Un negocio de Vertical AI defensible a escala necesita al menos uno o más fosos entre gravedad de datos, marca y confianza, y lock-in de plataforma
- El eje más importante para evaluar un negocio de Vertical AI no es “servicio vs. software”, sino “interno vs. externo”
- “Interno” no implica necesariamente una UI tradicional de SaaS en la que el cliente entra todos los días; el viejo consenso de que el valor se correlaciona con tiempo de teclado ya no aplica
- La pregunta clave es: ¿la empresa de IA está embebida en la operación del cliente de una forma estructuralmente difícil de remover?
- ¿Conserva datos propietarios generados por el cliente? ¿Conecta al cliente con contrapartes, proveedores o ecosistemas de manera que reconfigurarlo sea doloroso? ¿Está integrada en workflows adyacentes de modo que quitarla provoque interrupciones en cadena?
- “Externo” se parece más a un vendor de servicios tradicional: el cliente lo llama cuando lo necesita, pero puede cambiarse la semana siguiente si aparece una mejor oferta
- Las soluciones externas pueden entregar valor real y crecer rápido cuando la brecha de costos es grande y la adopción todavía es temprana, pero al estar montadas sobre márgenes prestados quedan expuestas a la misma dinámica competitiva que otras startups de AI Services, incumbentes SaaS con capital y hasta el propio comprador
Framework de cuatro cuadrantes: matriz para evaluar Vertical AI
- El panorama de Vertical AI puede mapearse en dos ejes: interno vs. externo (profundidad de embeddedness en la operación del cliente) y wedge vs. plataforma (alcance y profundidad del producto)
- Durable (arriba a la derecha): plataformas internas de IA; System of Intelligence & Action con una ruta clara hacia fosos compuestos, que evolucionan desde un wedge inicial hasta una plataforma multiproducto. Abridge y EvenUp son ejemplos representativos
- Rare (arriba a la izquierda): plataformas externas; suelen tener ACV alto con un componente tipo consultoría y a menudo practican dogfooding de productos internos de IA. Son inestables por la alta concentración de clientes y el embeddedness limitado
- Commodity Risk (abajo a la izquierda): productos wedge externos; pueden tener un crecimiento inicial extremo, pero enfrentan riesgo existencial por competir con márgenes prestados de IA
- Precarious (abajo a la derecha): wedges internos; tienen alto potencial de crecimiento temprano y pueden expandirse hacia plataformas defendibles, pero enfrentan el riesgo de que incumbentes líderes en IA copien el wedge
- Hay dos rutas valiosas de transición: de externo→interno (profundizar embeddedness) y de wedge→plataforma (ampliar el producto)
- La transición wedge→plataforma es el modelo probado para construir software vertical sostenible
- Algunas startups arrancan con un wedge externo de AI Services altamente escalable e intentan hacer ambas transiciones al mismo tiempo
Vertical AI: la muralla contra la comoditización
- Vertical AI es poderoso porque las dinámicas únicas de cada industria crean un terreno fértil para construir soluciones diferenciadas profundamente embebidas en el cliente
- Las mejores empresas de Vertical SaaS (Veeva, Procore, Toast, ServiceTitan, etc.) no ganaron por ser más baratas, sino por convertirse en el system of record que reflejaba con mayor precisión las necesidades específicas de sus usuarios
- Es posible personalizar Salesforce o NetSuite con consultorías de millones de dólares, pero si ya existe un sistema hecho desde el inicio para ti, no hace falta
- Acumulan datos propios y first-party de la industria (datos de ensayos clínicos, costos de trabajos, ventas de restaurantes) de forma que el producto mejora con cada uso
- Conectan ecosistemas verticales fragmentados y propios de cada sector (farmacéuticas-sitios clínicos, contratistas-subcontratistas, restaurantes-redes de delivery), construyendo un foso de efectos de red
- El wedge puede ser un servicio entregado más barato, pero el foso es el sistema construido encima de ese wedge: aprovechar la posición interna para desarrollar datos propietarios, efectos de red, una plataforma multiproducto y un “cerebro” de la industria, hasta convertirse no en un simple vendor, sino en infraestructura de la que el cliente depende
- Si no se da ese salto y se permanece como proveedor externo de servicios de IA compitiendo solo por costo, el destino será el del despachador de taxis: ver cómo el mercado crece 500% mientras los márgenes convergen a cero
Los ganadores abrazan la comoditización
- Un insight de un fundador en la mesa redonda de Vertical Collective: “Muchos ven mal competir hasta tocar piso, pero nosotros lo vemos al revés: la verdadera clave es crear nuevo valor”
- Competir solo en costos es letal, pero puede ser muy poderoso como wedge intencional para ganar la posición desde la que luego se construyen los fosos descritos arriba
- Algunas startups de Vertical AI deberían abrazar y acelerar deliberadamente la carrera de precios hacia el piso provocada por la comoditización de AI Services
- Captar muchos clientes con precios sorprendentemente bajos que los jugadores tradicionales no pueden igualar
- Canibalizar la oportunidad de ingresos “por resultado” por cliente, pero ganar crecimiento rápido, confianza de la industria y el derecho a atender al cliente de otras maneras
- Debilitar la posición de líderes de mercado incapaces de competir, creando un vacío competitivo y asegurando la pole position para expandirse
- Esta estrategia es una variación de “Nuking Pricing Power”: desarrollar y sostener una versión barata (o gratis) de un complemento para impulsar adopción rápida y debilitar el poder de fijación de precios del complemento
- En términos simples: si el producto va a comoditizarse de todas formas, más vale comoditizarlo tú mismo para quedarte con el mercado
Hipótesis de valor (Value Hypothesis)
- Todo cambio de paradigma en tecnología empresarial viene acompañado de toma de territorio y reestructuración
- La computación en la nube dio origen a miles de startups SaaS entre 2005 y 2015, pero la mayoría fueron absorbidas, adquiridas o desaparecieron, y solo unas pocas se graduaron como plataformas sostenibles que definieron categoría
- Se espera el mismo patrón en Vertical AI, pero con una oportunidad de mercado mayor, crecimiento más rápido, modelos de monetización más creativos y mayor eficiencia inicial de capital; y por esas mismas razones, con un nivel de competencia sin precedentes
- La trampa para los fundadores de AI Services es confundir un wedge escalable con un negocio defendible
- Las empresas que perdurarán serán las que aprovechen la ventana actual —gran brecha de costos, adopción temprana e incumbentes lentos— para embebirse tan profundamente en la operación del cliente que cambiar no sea solo incómodo, sino estructuralmente doloroso
- Esto no es una idea nueva, sino el redescubrimiento de la idea más vieja del software empresarial
- Lo nuevo está en la superficie: las empresas SaaS podían embebirse en algunos workflows y capturar datos en pantallas de interacción del usuario; las plataformas nativas de IA pueden embebirse en todos los workflows, capturar datos en todas las interacciones sin importar si hay un humano presente, y construir una inteligencia compuesta que mejora el producto con cada ejecución
- Nunca había sido tan grande la oportunidad de construir “infraestructura load-bearing”, ni tan fuerte la tentación de conformarse con ser “el vendor más barato”
- La “hipótesis de valor” de Andy Rachleff sostiene que la hipótesis de una startup sobre qué, para quién y cómo construir está “casi siempre equivocada” en el primer intento; el fundador debe descubrir no a quien dice estar interesado, sino al cliente que realmente está desesperado por el producto
- Los clientes siempre muestran interés por un servicio más barato, pero lo que realmente quieren y por lo que pagan para conservarlo es un sistema que conozca su negocio mejor que ellos mismos: un sistema que acumule conocimiento institucional, los conecte con su ecosistema y aumente su valor interno con cada interacción
Referencias
- Si la IA vuelve más eficientes a los trabajadores humanos, el modelo de SaaS por asiento popularizado por Salesforce deja de tener sentido: cuanto mejor es el producto, menos gasta el cliente
- Si el objetivo de los agentes autónomos es redactar contratos, resolver tickets de soporte o conciliar libros contables sin intervención humana material, entonces el “screen time” carece de sentido
- En el nuevo paradigma, la eficiencia puede definirse por la ausencia de screen time
- La propia UI también empieza a ser reemplazable: la “capa de decisión” de datos, acciones y registros sigue siendo importante, pero entramos a un mundo donde ningún cliente tendrá la misma UI
- Interfaces que la plataforma genera automáticamente y de forma única para cada usuario (“inception software”)
- Enfoques agentic mediante MCP o “Bring Your-Own UI” (BYOUI) a través de apps personalizadas generadas por LLM
Aún no hay comentarios.