El software no está muriendo, está evolucionando

• Con la IA, generar código se ha vuelto barato, el foso de "lo construimos primero" se está derrumbando, y los softwares que solo acumularon funciones están siendo revaluados en tiempo real (repriced)
• Ahora la defensibilidad ya no viene de la velocidad para lanzar funciones, sino de flujos de trabajo de alta precisión, datos propietarios y sistemas de registro profundos, y también subió el estándar para ser reconocido como una 'empresa de verdad'
• Afirmaciones como "el fin de semana hice vibe coding de un CRM con Claude" pasan por alto la diferencia entre generar código y operar servicios mission-critical, y las empresas compran confianza (trust), no código
• Los agentes no reemplazarán a las apps, sino que se insertarán dentro de aplicaciones verticales; las aplicaciones que poseen el modelo de datos, los permisos y el rastro de auditoría seguirán siendo las que vendan y renueven
• Hace poco desaparecieron 285 mil millones de dólares de capitalización de mercado del software legacy, impulsando la tesis del fin del SaaS, pero la demanda de IA sigue siendo un mercado real basado en ingresos donde la demanda aún supera a la oferta

---

El debate sobre la burbuja está haciendo la pregunta equivocada

• Si se mira la IA en conjunto, no es una burbuja. La demanda sigue superando a la oferta, y algunas empresas del portafolio ni siquiera pueden aceptar a todos sus clientes por falta de cómputo
  • Esa demanda no está ligada solo al número de usuarios, sino a decenas de miles de millones de dólares en ingresos reales, y una burbuja no suele verse así
• Donde sí hay sospechas de burbuja es en otro lado: en robótica humanoide, donde el capital se está concentrando en valuaciones de etapas tardías
  • Hay backflips y rutinas de baile, pero aún no hay robots haciendo trabajo económicamente valioso
  • Los LLM funcionaron gracias al corpus de entrenamiento de internet abierto, pero en robótica no existe un corpus de datos equivalente,
    así que sigue siendo un problema de investigación con fuentes de datos de entrenamiento poco claras (y los tiempos de investigación no coinciden con los del venture capital)
• En otras palabras, la respuesta a la pregunta de la "burbuja de IA" depende del sector, y tampoco corresponde concluir de inmediato que el software (SaaS) "murió" sin revisar cada argumento por separado

4 argumentos sobre la muerte del software (ordenados de peor a mejor)

• #4: Todos harán su propio software con vibe coding

  • El argumento de "¿para qué pagar Salesforce si puedo hacer vibe coding de mi propio CRM con Claude en un fin de semana?"
  • Generar una base de código y operar un servicio mission-critical son cosas completamente distintas
    • Si la persona que hizo vibe coding se va, aparece el problema de mantener esa base de código
    • La generación de código no resuelve problemas de cumplimiento SOC2 ni control de alucinaciones (hallucination)
    • Tampoco resuelve integraciones con bases de datos SQL escritas en 1998 ni la responsabilidad por uptime cuando un dashboard se cae a las 4 a.m.
  • Las empresas compran confianza, no código; con la IA la equivalencia de código se volvió más fácil, pero la equivalencia de confianza sigue siendo difícil

• #3: Agentes como Claude o ChatGPT se comerán las apps empresariales

  • Es un argumento mejor que el vibe coding, pero hay escepticismo sobre su funcionamiento en flujos de trabajo donde el costo del error es alto
  • Los sistemas basados en LLM son no deterministas (non-deterministic) y vulnerables a alucinaciones
    • Un bug de software tradicional se puede reproducir, pero una falla de agente se parece más a una prueba inestable que pasa el 98% del tiempo y falla justo en el momento crítico
  • Son adecuados para tareas de bajo riesgo como redactar correos, resumir documentos o generar copy de marketing
    • Pero si un agente omite un campo obligatorio o registra mal el monto de un contrato y se pierde una operación de seis cifras, entonces hace falta un sistema que haga cumplir las reglas
  • Los equipos que intentan flujos de trabajo puramente con agentes terminan reconstruyendo capas de validación, pasos de aprobación, rollback y logs de auditoría
    • Si sumas todo eso, al final terminan reconstruyendo una app SaaS alrededor del agente
    • El resultado no es reemplazar la app, sino insertar agentes dentro de aplicaciones verticales
    • El modelo de datos, los permisos, el rastro de auditoría y la relación con el cliente seguirán siendo propiedad de la aplicación, y lo que se vende, soporta y renueva es ese envelope completo
  • Cuando mejore la confiabilidad de los modelos esto será más interesante, pero todavía no estamos en ese punto

• #2: La desaparición del precio por asiento hará colapsar el modelo SaaS

  • El SaaS tradicional está compuesto por tres capas: datos, lógica de negocio y UI; ahora encima se está montando una cuarta, la capa agéntica (agentic layer)
    • Si antes se vendían 50 asientos a humanos y ahora dos agentes hacen el trabajo sin UI, aparece un problema de poder de fijación de precios
  • Si los agentes hacen más trabajo y el cliente recibe más valor, eso no es un problema existencial sino de pricing y packaging
    • Los vendors que diseñen pricing basado en valor (price to value) con modelos por token, por resultado o híbridos sobrevivirán
    • Los vendors obsesionados con el precio por asiento colapsarán cuando sus clientes automaticen esos asientos
  • El pricing puramente por resultados no se puede aplicar limpiamente en todas las categorías, así que en los próximos años probablemente dominarán los modelos híbridos (uso + resultado)

• #1: Al abaratarse el código, se derrumba el foso de las funciones

  • Este es el argumento que se toma más en serio
  • El foso de SAP, ServiceNow y Salesforce durante décadas fue la fuerza laboral de ingeniería acumulada
    • Todas las funciones, integraciones y reportes estaban absorbidos en bases de código difíciles de alcanzar para una startup, pero la IA comprimió drásticamente ese timeline
  • Si tu producto era una capa puramente de workflow y tu defensa era "lo construimos primero", estás en problemas
    • Business intelligence y generación de contenido creativo son hoy las áreas con los fosos más superficiales, porque los LLM hacen precisamente esas tareas muy bien

Entonces, ¿dónde están ahora los fosos?

• Tres elementos defensivos

  • Flujos de trabajo de alta precisión con presupuesto de error cercano a cero: infraestructura financiera, salud, cumplimiento regulatorio, etc.
    • El vibe coding no sobrevive una auditoría HIPAA ni discrepancias de conciliación, y el costo del error en sí mismo se vuelve el foso
  • Bucles de retroalimentación con datos propietarios: mejoran de forma significativa con el uso del cliente y no pueden ser replicados por competidores usando el mismo foundation model
    • El activo no es el modelo, sino los datos
  • Sistemas de registro profundos (systems of record): están incrustados en operaciones legacy, poseen la fuente de la verdad y generan altos costos de cambio
    • Estas empresas no deberían evitar la IA, sino adoptarla agresivamente, porque la capa agéntica eleva todavía más el valor de sus datos

Estado actual del stack de IA: dónde invertir y dónde no

• Decir "invertimos en IA" ya es tan poco diferenciador como decir "invertimos en software" en 2012
• Existen cuatro capas y no todas merecen la misma asignación de capital

• 1. Hardware

  • El cómputo sigue siendo la restricción principal (binding constraint) de este ciclo
  • Empresas como Neolabs están esperando órdenes de compra (PO) que debieron procesarse hace meses
  • La demanda es real, pero la oferta está bloqueada, y los ganadores en su mayoría ya son públicas o ya tienen escala — una inversión seed no cambia ese resultado

• 2. Modelos

  • Los frontier models no son un negocio de venture sino un negocio intensivo en capital (capex)
  • Entrenarlos bien cuesta tanto como el PIB de un país pequeño, y OpenAI, Anthropic y Google ya están jugando ese juego
  • Una startup de modelos que quiera competir de frente está eligiendo la pelea equivocada
  • Solo se invierte en unas pocas empresas como Sciforium que buscan algo distinto mediante nuevas arquitecturas, formas de entrenamiento/inferencia o nuevos encuadres del problema
    • Si es un enfoque de flanqueo lateral (outflanking) que obliga a los incumbentes a canibalizar su núcleo para seguirlo, entonces sí resulta interesante

• 3. Infraestructura

  • Aquí es donde la IA rompe de manera interesante los supuestos del SaaS tradicional
  • El SaaS clásico era read-heavy: guardabas una fila y la consultabas millones de veces
    • Las cargas de trabajo de IA invierten eso: pipelines de entrenamiento, memoria de agentes, vector stores y evaluation harnesses son write-heavy y update-heavy, y operan con formas de datos para las que el legacy no fue diseñado
  • Se está invirtiendo activamente en ambos lados
    • La capa de datos en sí: PlanetScale, Greybeam — reconstruyendo primitivas de bases de datos OLTP y OLAP para este tipo de cargas
    • La capa de generación de datos: Preference Model, Moody Pines, Terac — suministro de datos limpios, estructurados y etiquetados, que será el verdadero cuello de botella cuando se resuelva el cómputo

• 4. Aplicaciones

  • Es donde hoy entra la mayor parte del capital y la capa donde el valor realmente llega al comprador
  • La IA está habilitando flujos antes inalcanzables en coding médico, optimización de carga, revisión legal, sales motion y operaciones clínicas, por lo que el surface area es enorme
  • Hay competencia feroz y presión de precios, pero eso es típico de la capa donde la demanda es grande
  • Los ganadores serán quienes combinen flujos de trabajo AI-native con al menos una de estas ventajas: alta precisión, bucles de datos propietarios o sistemas de registro profundos

Para quienes están construyendo en este mercado

• Hardware y modelos están casi cerrados a nuevos entrantes salvo que tengan una ventaja estructural
• Infraestructura está completamente abierta si ya internalizaste que las cargas de trabajo de IA no son cargas SaaS con un chatbot encima
• Aplicaciones es donde hay más volumen y donde la línea base sube más rápido

• Recomendaciones para etapas seed y Serie A

  • Dejen de argumentar que su foso es "salimos rápido" — ahora eso es solo el requisito mínimo
  • Muestren los datos que solo ustedes han acumulado y que nadie más puede obtener
  • Destaquen los flujos de trabajo que solo ustedes lograron absorber y que el cliente no puede extraer fácilmente
  • En entornos donde el error implica grandes pérdidas, vendan la precisión que su sistema puede ofrecer
  • Si su función está atrapada entre dos aplicaciones grandes, reconozcan que podrían estar en una dead zone
• El software no está muriendo, pero el software utilitario inflado sí está siendo revaluado en tiempo real (repriced), y reemplazarlo será mucho más difícil que armar un proyecto de fin de semana con APIs de modelos — subió la línea base para lo que cuenta como una empresa de verdad