De vender innovación a vender resultados: el nuevo modelo de negocio de los gigantes de IA

Durante los dos últimos años, hemos hablado mucho de productividad. Productividad del programador, del abogado, del médico, del consultor, del financiero, del profesor e, incluso, del alumno. La promesa era sencilla: deme una herramienta de inteligencia artificial y haré más cosas en menos tiempo.

Es verdad que un empleado con acceso a un buen modelo generativo puede escribir más rápido, resumir mejor, programar con ayuda o preparar informes en menos tiempo. Sin embargo, muchas empresas están descubriendo una verdad incómoda: mejorar la productividad individual no siempre mejora la eficiencia de la organización.

Usar mucha IA no significa más beneficios para la empresa

Una compañía puede tener cientos de empleados usando IA todos los días y, aun así, no haber cambiado sus procesos. Puede pagar licencias, APIs –siglas de Interfaz de Programación de Aplicaciones: un conjunto de reglas que permite que diferentes aplicaciones de software se comuniquen entre sí– y proyectos piloto, y seguir sin saber qué gana con eso. Puede tener mucha actividad y muchas demostraciones… pero poco impacto en la cuenta de resultados.

Ahí empieza el cambio. Los grandes laboratorios de IA están entendiendo que el negocio no está solo en vender modelos, sino en conseguir que estos produzcan valor dentro de las empresas.

En este contexto, por otro lado, la IA generativa tiene una característica poderosa, pero desigual: amplifica las capacidades de quien sabe utilizarla. Sin embargo, para alguien sin criterio, método o contexto, puede convertirse en ruido, dependencia o falsa productividad.

Ese mismo efecto se traslada a las empresas. Tener una suscripción no transforma una organización. Tener un chatbot no mejora automáticamente la experiencia de usuario. Para que eso ocurra, hacen falta conocimiento del negocio, integración con procesos, rediseño organizativo, medición del impacto y capacidad de ejecución.

Por eso, el modelo de negocio de las grandes plataformas como OpenAI empieza a cambiar. La primera etapa de la IA generativa se basó en cobrar por acceso: una suscripción mensual, un precio por usuario, un coste por token –modelo de tarificación utilizado en inteligencia artificial y modelos de lenguaje (como GPT-4, Claude o Llama), donde se paga de forma exacta y variable por la cantidad de texto que se procesa–. Tenía sentido: la tecnología era nueva y las empresas querían experimentar. La pregunta era: “¿qué podemos hacer con esto?”.

Ahora la pregunta es distinta: “¿qué problema de negocio resuelve y cuánto valor genera?”. La empresa no quiere pagar simplemente por consumir tokens –componentes básicos del texto que procesan los modelos de lenguaje–. Quiere pagar por reducir costes, aumentar ingresos, acelerar procesos, mejorar el servicio o disminuir errores. No busca “un modelo lingüístico avanzado”, sino una solución de selección que reduzca el tiempo de cribado, un sistema de atención 24/7 o un asistente que prepare propuestas comerciales personalizadas.

La unidad económica ya no es el token, sino el resultado

En las oficinas actuales, la IA ha dejado de ser ocasional y se ha convertido en una capa cotidiana del trabajo. Aunque el coste por token baje, el coste total puede crecer con consultas más complejas y más automatizaciones. Por otro lado, muchas empresas quieren invertir en IA, pero no siempre saben convertir esa inversión en retorno. Encima, cada vez hay más modelos, herramientas y proveedores entre los que elegir. Lo que ayer parecía extraordinario, mañana puede ser una funcionalidad estándar.

En este escenario, los sistemas de IA generativa se están convirtiendo progresivamente en una commodity: una pieza imprescindible, pero cada vez menos diferenciadora por sí misma. Su valor añadido ya no está solo en la inteligencia del modelo, sino en su capacidad para insertarse en la realidad operativa de una organización: sus datos, procesos, restricciones legales, sistemas heredados, cultura y métricas.

El valor sale del laboratorio al mundo real

Por estas razones, el proveedor tecnológico está empezando a transformarse en partner operativo. El primero vende acceso a una herramienta. El segundo se compromete con un resultado: habla de tiempos de respuesta, costes de operación, satisfacción del cliente, reducción de errores, cumplimiento normativo y retorno de la inversión.

Este salto acerca a los gigantes tecnológicos al terreno de la consultoría de negocio, porque la adopción empresarial de la IA ya no es un problema puramente técnico, sino una cuestión de transformación organizativa. Exige identificar casos de uso, priorizarlos, integrarlos, medirlos, gobernarlos y escalarlos. Es necesario saber dónde la IA crea valor y dónde solo crea apariencia de modernidad.

Y eso no es sencillo. La IA en una demo suele ser limpia, pero en una empresa suele ser desordenada. Los datos no están donde deberían. Los sistemas no siempre se hablan entre sí. Los procesos tienen excepciones. La regulación impone límites. El éxito no depende solo de que el modelo responda bien, sino de que el sistema completo funcione.

También cambia la lógica de producto. Un producto de IA puede venderse a muchas empresas con pequeñas variaciones. Pero una solución que transforma un proceso necesita adaptarse al sector, al tamaño de la compañía, a su madurez digital, a sus datos y a sus objetivos. Cuanto más concreta sea la solución, mayor será el valor percibido.

Este cambio afecta, también, a los perfiles profesionales. Junto a los programadores, ganarán protagonismo quienes convierten modelos en soluciones reales: personas capaces de hablar con un equipo técnico y con un director de operaciones, de diseñar un flujo, medir un resultado y ajustar el sistema a la necesidad del cliente.

Soluciones tangibles para las empresas

La gran paradoja es que los laboratorios de IA han creado una tecnología horizontal, pero necesitan capturar valor vertical. Un modelo de aprendizaje automático puede servir para casi cualquier cosa. Pero una empresa paga de verdad cuando ese “casi cualquier cosa” se convierte en “esto concreto que mejora mi negocio”.

Si la inteligencia artificial generativa empezó vendiéndose como una herramienta para hacer más cosas más rápido, su madurez empresarial dependerá de una promesa mucho más exigente: hacer que las organizaciones funcionen mejor.

Quizá, por eso, el futuro de los laboratorios de IA no se parezca tanto al de una empresa de software tradicional, sino a una mezcla compleja de infraestructura, consultoría, integración y operación. OpenAI y Anthropic ya han comenzado esta transformación. En ese tránsito de proveedor tecnológico a partner operativo, puede estar naciendo el verdadero modelo de negocio de la inteligencia artificial.

Antonio Pita Lozano no recibe salario, ni ejerce labores de consultoría, ni posee acciones, ni recibe financiación de ninguna compañía u organización que pueda obtener beneficio de este artículo, y ha declarado carecer de vínculos relevantes más allá del cargo académico citado.