- A medida que desaparece la ventaja temporal de los wrappers de AI que agregaban una sola función sobre modelos base, las startups en etapa temprana se están moviendo hacia negocios verticalmente integrados que controlan todo el flujo de trabajo y la cadena de valor
- La primera estrategia consiste en combinar conocimiento del dominio y orquestación de tareas para generar resultados en industrias reales que son difíciles de obtener solo con la inteligencia bruta de los modelos base
- La segunda estrategia no se limita a vender software de AI a empresas existentes, sino que reconstruye ventas, evaluación y operaciones alrededor de la automatización para mejorar también la experiencia del cliente
- La tercera estrategia consiste en asegurar un sistema de registro que unifique datos industriales fragmentados y luego expandirlo hacia un sistema de acción que asuma también la ejecución del trabajo y la toma de decisiones
- Las grandes empresas establecidas pueden colaborar directamente con laboratorios frontier, pero enfrentan limitaciones por costos, intercambio de conocimiento propietario e intereses organizacionales; las startups AI-native pueden construir defensas mediante la verticalización enfocada en salida al mercado y experiencia del cliente
El auge y la caída de los wrappers de AI de función única
- Tras la aparición de ChatGPT, los fundadores combinaron modelos con tareas individuales que antes hacían personas —como copywriting, atención al cliente, investigación legal y ventas— y crearon productos que cobraban suscripción o por tarea
- Jasper recaudó 125 millones de dólares en 2022 con una valuación de 1,500 millones de dólares, pero en menos de un año redujo al menos 30% su proyección de ARR para 2023, hizo recortes de personal y sus dos cofundadores dejaron la empresa
- Después redefinió su visión como un “sistema operativo de marketing”
- Las empresas que construyeron herramientas para una sola tarea asumían que las capacidades de los modelos base se mantendrían en niveles similares, pero esa premisa se rompió cuando los laboratorios frontier empezaron a convertir directamente los modelos en productos
- Anthropic ofrece directamente herramientas como Claude Code y Claude Design, que hace dos años se habrían clasificado como wrappers
- Según cifras publicadas, los ingresos anualizados de Anthropic pasaron de 14 mil millones de dólares en enero a más de 47 mil millones en mayo, impulsados por la demanda empresarial
- “AI for X”, entendido como una tarea específica, se parecía más a una ventaja temporal que a una estrategia de producto sostenible
- Incluso los agentes generales sin efectos de red ni especialización vertical podrían convertirse en “wrapper 2.0”
Las empresas que sobrevivieron controlan el servicio completo
- Las empresas con resultados no parten de poner herramientas de AI encima de modelos, sino de usar la AI como mecanismo de prestación del servicio y controlar el flujo de trabajo completo necesario para ese servicio
- EvenUp no empezó con una AI legal general, sino con el campo estrecho y especializado de lesiones personales
- Más de 2,000 firmas legales usan la plataforma, y 20% de las 100 principales firmas de lesiones personales de EE. UU. son clientes
- Su ARR se duplicó interanualmente y en octubre de 2025 recaudó 150 millones de dólares en una Series E con una valuación superior a 2,000 millones de dólares
- La valuación se duplicó con creces antes de cumplir un año
- Further AI en seguros y Blitzy en desarrollo de software empresarial siguen el mismo enfoque
- La competitividad no surge solo de uno entre modelo, datos o experiencia de usuario
- Deben operar juntos el flujo de trabajo completo, el conocimiento del dominio, los datos acumulados por caso o codebase, y la capacidad de entrar y vender en industrias complejas
- Antes se veía a la inteligencia en sí como lo que se vendía y al wrapper como una estructura auxiliar; ahora toda la fábrica es el producto, incluyendo flujo de trabajo, datos y pipeline comercial
Enfoque 1: controlar flujos de trabajo complejos más allá de la inteligencia bruta
- Blitzy es una plataforma de AI que desarrolla software a la medida para empresas Fortune 500 y recientemente recaudó 200 millones de dólares con una valuación de 1,400 millones de dólares
- En el mercado de software empresarial había dos opciones
- Crear herramientas como Cursor o Codex y venderlas a grandes equipos tercerizados de desarrollo
- Convertir la AI misma en el servicio y venderlo directamente a empresas, de modo que ya no se necesite ese personal tercerizado
- Blitzy eligió la segunda vía
- En 2024 existía la visión de que los modelos de OpenAI o Claude resolverían todos los problemas y harían difícil competir para las startups
- En entornos empresariales reales, un grafo de conocimiento de todo el codebase de la empresa, la capacidad de dividir tareas en unidades pequeñas y una capa de orquestación que invoca el modelo más adecuado para cada tarea producen mejores resultados que los productos de los laboratorios frontier
- Con un sistema que entiende el contexto alrededor del codebase, logró 66.5% en SWE-Bench Pro y quedó en primer lugar
- Aunque la inteligencia bruta resuelva cuellos de botella clave de ingeniería y sistemas, sigue siendo necesario operacionalizarla para que funcione en industrias reales, y la integración vertical del flujo de trabajo completo cumple ese papel
Enfoque 2: rediseñar negocios existentes alrededor de la automatización
- Tomo no vende software de AI a compañías hipotecarias; reconfigura todo el proceso de evaluación crediticia y obtención de hipotecas alrededor de la AI
- Aplica automatización en ventas, evaluación y operaciones para elevar la productividad por ejecutivo de crédito por encima de la competencia, y eso se traduce en mejores tasas para el consumidor
- Actualmente, 77% de los compradores de vivienda obtiene una mejor tasa en Tomo que con proveedores tradicionales
- Proporción de compradores que obtuvieron una mejor tasa: {p:77}
- Rediseñar una industria desde cero puede llevar a una mejor experiencia del cliente que insertar software dentro de un flujo de trabajo existente
- Una mejora marginal de software puede tener impacto limitado dentro de sistemas que nunca fueron diseñados para esa tecnología
- En vez de convencer a una organización existente de cambiar su flujo de trabajo, se puede reconstruir directamente el negocio y usar esos recursos para mejorar la experiencia del cliente
- Es muy poco probable que una empresa establecida adopte este enfoque, porque tendría que destruir por sí misma su modelo de negocio y organización actuales
- En la era SaaS funcionaba introducir software dentro de flujos de trabajo existentes, pero la AI permite reconstruir industrias tradicionales alrededor de la automatización y enfocarse en la experiencia del cliente más que en la adopción interna
Enfoque 3: expandirse de sistema de registro a sistema de acción
- Seso construyó un sistema de registro de recursos humanos para el sector agrícola en EE. UU.
- El proceso de visa H-2A, que sostiene a una parte importante de la fuerza laboral agrícola en EE. UU., estaba disperso entre firmas legales, productos de Microsoft Office y documentos en papel
- Seso lo integró en una base de datos central para ayudar a las granjas a gestionar trabajadores estacionales como si fueran empleados de una empresa convencional
- Tras adoptar AI, dejó de ser un simple “archivador digital” y pasó a ser un sistema de acción
- Reestructuró la plataforma para poder gestionar la logística del personal, generar insights de negocio e incluso ejecutar decisiones relacionadas con la mano de obra
- Las empresas que aseguran un sistema de registro pueden expandirse, con base en la información acumulada, hacia sistemas que realizan trabajo real
- Casos similares son Rec en recreación y Veras en cuidados de largo plazo
La competencia entre empresas establecidas y servicios AI-native
- Las empresas establecidas, como grandes firmas legales, pueden colaborar directamente con laboratorios frontier para internalizar la automatización sin entregar su expertise interno a competidores AI-native
- Freshfields se asoció con Anthropic para desarrollar herramientas a la medida
- Esta estrategia está abierta sobre todo a empresas grandes, como Big Law o instituciones financieras principales, y aun para ellas el costo de colaborar con laboratorios frontier puede ser excesivo
- Como muestran los casos de Uber y Microsoft, los costos de tokens de LLM están aumentando y además se suman los costos de ingenieros de AI de alto precio
- Para que esa colaboración funcione, las empresas establecidas deben suavizar su impulso de ocultar conocimiento propietario cuyo valor de largo plazo puede ser limitado, y los laboratorios frontier no deben ejercer en exceso su poder de fijación de precios
- Incluso si hay acuerdo, la automatización es solo una de muchas funciones que realiza una empresa establecida; no es el foco central del negocio
- Los servicios AI-native pueden reducir relativamente su dependencia de los laboratorios frontier y enfocarse en la salida al mercado (GTM) y en mejorar la experiencia del cliente
- Tomo puede seguir ofreciendo una opción más barata y simple para el cliente incluso si las hipotecarias tradicionales colaboran con laboratorios frontier
- Como esa opción choca directamente con los intereses de las empresas establecidas, quizá no elimine la competencia, pero sí puede limitar su alcance
Verticalización con la mirada puesta en la era AGI
- La próxima generación de startups debe diseñar su negocio alrededor de la pregunta: “¿Cómo controlaremos cada parte de la cadena de valor?”
- El pensamiento vertical es una de las defensas que puede mantenerse durante la transición hacia la AGI
- Aunque la inteligencia bruta permita nuevas innovaciones, sigue siendo necesario aplicarla a operaciones reales y entregarla al cliente
- Los fundadores que desde el inicio controlen la industria completa y todo el flujo de trabajo podrán construir una posición sostenible incluso en la era de los hyperscalers de AI
- En campos como biotecnología y deep tech, donde la ejecución misma es altamente especializada, la capacidad de ejecución especializada sigue siendo una barrera de entrada
1 comentarios
Estoy de acuerdo con la idea general de que la verticalización es una línea de defensa. Dicho eso, creo que el eje que distingue si algo es o no un “wrapper” no es tanto el grosor de la funcionalidad, sino si debajo se acumula algo que el modelo no tiene. Leí las tres estrategias del artículo (apropiarse del flujo de trabajo, rediseñarlo en torno a la automatización, o ampliar el sistema de registro hacia un sistema de acción) como, en el fondo, formas de crear estado y datos que se acumulan fuera del modelo.
Yo también he creado algo que por fuera se parecía más a un wrapper delgado, pero lo que sobrevivió no fue la funcionalidad, sino la parte que posee el estado y los datos propios del usuario, y una capa que calcula y recuerda de forma determinista para que el modelo no fluctúe en cada conversación. Cuanto mejores se vuelven los modelos frontier, más crece el valor de esas dos cosas.
Para sumar un punto, el artículo usa sobre todo verticales empresariales (B2B) como ejemplo, pero creo que la misma lógica aplica también a productos personales. Un LLM puro solo ve información pública y no puede recordar mi estado, así que controlar el sistema de registro personal se vuelve en sí mismo un foso defensivo. Eso sí, en la tercera estrategia, cuando el sistema de registro pasa a la acción (delegar decisiones), creo que la confianza solo se mantiene si esas decisiones también pueden reproducirse o verificarse.