Avanzar en la pila: cómo el escape de la IA de la trampa de los productos básicos pone en riesgo el bloqueo empresarial

Por Arvind Narayanan y Akash Kapur

Nuestro objetivo en este ensayo es ir más allá del debate sobre si la IA es una burbuja. Lo hacemos de dos maneras: separando claramente las finanzas actuales de la cuestión de quién captura el valor en el largo plazo y reconociendo que los laboratorios no se limitan a ser proveedores modelo. Pueden migrar hacia arriba en la pila y ya lo están haciendo de manera agresiva. Es probable que esto les permita escapar de la trampa de los productos básicos, pero plantea nuevas preocupaciones: la dependencia de los clientes y la reducción de la competencia.

Akash Kapur es miembro visitante en Princeton y miembro senior de New America. No tiene ninguna relación con Sayash Kapoor.

A medida que las principales empresas de IA continúan invirtiendo masivamente en capacidad y compitiendo hacia ofertas públicas iniciales de gran éxito, persisten serias dudas sobre sus modelos de negocio. ¿Cómo recuperarán estas empresas (junto con el vasto ecosistema de fabricantes de chips, hiperescaladores y socios de infraestructura que dependen de ellos) los entre 4 y 8 billones de dólares que se estima que se invertirán en infraestructura de IA a principios de la década de 2030?

La conversación actual se divide entre críticos y partidarios. Los críticos señalan las crecientes pérdidas, la brecha entre el gasto de capital y los ingresos, y los informes sobre el enorme gasto de efectivo de los laboratorios líderes. Los impulsores citan la aceleración del rápido crecimiento de los ingresos, la adopción empresarial e hitos como Anthropic el primer trimestre rentable. Cada campamento tiene un punto válido. Pero ambos miran en el lugar equivocado: las mismas declaraciones trimestrales, la misma visión a corto plazo de una industria que sigue cambiando.

En los últimos meses, hemos estado pensando en la naturaleza y la sostenibilidad del negocio de la IA y hemos llegado a un lugar diferente al de la mayoría de los comentarios existentes. Hoy en día, las empresas de IA obtienen gran parte de sus ingresos cobrando por la inferencia, pero las condiciones de la inferencia de frontera hacen que este sea un negocio inusualmente difícil de mantener. Los modelos son en gran medida indiferenciados, los laboratorios líderes operan con estructuras de capital similares, los costos de cambio son bajos y los precios se pueden ajustar libremente. Todo esto parece crear las condiciones para una trampa de productos básicos que plantearía desafíos reales a la tarea de construir negocios con altos márgenes o incluso rentables.

Al mismo tiempo, creemos que la industria permanece en una etapa de transición y que su estructura será muy diferente cuando madure. Basándonos tanto en la evidencia histórica como en la teoría económica, sostenemos que es probable que la competencia en este equilibrio impulse el precio de la inferencia del modelo hacia el costo marginal de producir tokens, dejando poco espacio para ganancias duraderas en la capa del modelo. Sin embargo, esto no significa que el negocio de la IA sea intrínsecamente inviable. El mismo análisis sugiere un camino a seguir para los laboratorios de IA y conduce al argumento central de nuestro artículo:

El camino más probable de los laboratorios hacia una rentabilidad duradera no pasa por las capas fundamentales (chips, centros de datos, modelos) que hasta ahora han representado la mayor parte de las inversiones, sino más arriba, a través de una combinación de integración vertical, implementaciones empresariales integradas y la construcción deliberada de costos de conmutación y otros "fosos".

Las estrategias de los laboratorios para capturar valor ascendiendo en la pila, muchas de ellas tomadas del manual del software empresarial, ya han comenzado. Más allá de la sostenibilidad del actual ecosistema de IA, plantean cuestiones de preocupación social más amplia: sobre la competencia, la innovación y la distribución general del poder económico y político. El debate público sobre la IA hasta ahora ha estado marcado por una dicotomía un tanto paradójica: ansiedad por la concentración monopolística y el poder de mercado desbocado, pero una realidad de bajos costos de cambio y modelos relativamente intercambiables que parece desmentir esos temores. Pero si tenemos razón en que los laboratorios ascenderán cada vez más en la clasificación, entonces vale la pena tomar en serio las preocupaciones sobre la concentración y la competencia ahora, en lugar de después de que los efectos del bloqueo comiencen a materializarse. Volvemos a estas cuestiones más amplias en la conclusión y en un artículo de próxima publicación que profundiza en muchos de los temas tratados en esta publicación.

Análisis histórico: la capa de infraestructura fracasa abrumadoramente en capturar el valor que crea

El marco IA como tecnología normal se compromete a extraer lecciones, cuando corresponda, de tecnologías transformadoras del pasado. Creemos que la IA está sujeta a muchas de las mismas dinámicas relacionadas con la inversión, la competencia y la captura de valor que han dado forma a oleadas anteriores de innovación tecnológica. Por lo tanto, como parte de nuestra investigación, examinamos el enigma de la captura de valor de la IA y la probable respuesta de los laboratorios a través de una lente histórica más amplia.

Analizamos seis casos históricos de industrias de infraestructura con uso intensivo de capital (ferrocarriles, electricidad, telecomunicaciones y fibra, computación en la nube, fabricación de semiconductores y aviación comercial). Creemos que la IA hoy en día tiene muchas características similares a las de la infraestructura: enormes requisitos de capital; bajo costo marginal; un producto básico que está algo desacoplado de las aplicaciones que, en última instancia, crean valor. Esto hace que la infraestructura sea un negocio notoriamente difícil.

Pero al mismo tiempo, la IA es software, y el negocio del software ha sido históricamente lucrativo, con márgenes excepcionalmente altos. La industria tiene ambiciones de margen de software. Por lo tanto, también analizamos las estrategias de valor agregado y de bloqueo del software como servicio, y analizamos si la IA puede replicarlas. Nuestra tesis es que la sostenibilidad y la captura de valor de las empresas de IA dependen en gran medida del éxito con el que puedan migrar desde el primer conjunto de propiedades de infraestructura hacia las segundas de software empresarial.

En términos generales, identificamos tres lecciones instructivas para la IA a partir de nuestro análisis histórico. En primer lugar, los proveedores de infraestructura rara vez capturan el valor que crean. En los ferrocarriles, la electricidad, las telecomunicaciones y las aerolíneas, las empresas que construyeron capacidad eventualmente fueron competitivas, reguladas o mercantilizadas con márgenes reducidos. En muchos casos, fueron destruidos directamente. Durante el desarrollo de las telecomunicaciones y la fibra a finales de la década de 1990, la capacidad se disparó 186.000 veces en siete años, los precios se desplomaron y se borraron aproximadamente 2 billones de dólares en capitalización de mercado. El valor generado por la infraestructura recayó principalmente en las industrias y aplicaciones construidas sobre ella. La aviación comercial ha destruido el capital de los inversores durante ocho décadas, porque los márgenes netos típicos son del 2% al 4%, a menudo por debajo del costo del capital, incluso cuando empresas de todo tipo se beneficiaron de una economía globalizada.

Creemos que la IA, al menos en su forma actual de hiperescala, corre el riesgo de caer en la misma trampa de productos básicos que ha acosado a tantos constructores de infraestructura anteriores. Carlota Pérez ha teorizado el fenómeno paradójico de que los constructores que crean infraestructura durante el “período de instalación” rara vez sobreviven para capturar el valor que crea.

En segundo lugar, el software empresarial no está sujeto a este patrón y escapa de la trampa a través de un conjunto de mecanismos específicos y reproducibles. Mientras que las empresas de infraestructura han tenido dificultades, el software empresarial ha mantenido márgenes brutos del 75% o más durante décadas. Lo hace combinando tres propiedades de las que carecen las empresas de infraestructura: costo marginal de reproducción cero, costos de cambio profundos y valor no efímero que permite amortizar los costos fijos de construcción a lo largo de décadas. Las estrategias de bloqueo de los laboratorios de IA se entienden mejor como intentos de importar estas propiedades estructurales del software a la IA.

Finalmente, dos excepciones parciales revelan lo que puede ser necesario para que la IA supere las probabilidades históricas. Dos negocios de infraestructura (computación en la nube y fabricación de chips) han logrado escapar de la trampa de las materias primas. La nube adquirió propiedades similares al software (bloqueo de servicios administrados, tarifas de salida, acuerdos de gasto comprometido) y TSMC logró una posición casi de monopolio en la fabricación de vanguardia. Estos casos son importantes porque muestran lo que realmente requiere escapar de la trampa de las mercancías. Las industrias intensivas en capital pueden mantener márgenes duraderos, pero sólo si se convierten en software funcional o logran la concentración del mercado.

Por qué creemos que cobrar por la inferencia del modelo no permitirá recuperar la inversión en infraestructura

Como se señaló, los críticos del desarrollo de la IA señalan las pérdidas actuales de los laboratorios y los impulsores de las ganancias iniciales, pero ambos están cometiendo el mismo error: confundir el período de transición con el equilibrio. Todavía estamos en los primeros años de la transformación de la economía por parte de la IA, y la extrapolación ingenua es errónea. En equilibrio, tanto el lado de la oferta como el de la demanda serán muy diferentes de lo que son hoy.

Algunos ejemplos de la suerte fluctuante de los laboratorios de IA hasta el momento: una construcción masiva y especulativa de infraestructura que posiblemente estuvo por delante de la demanda; el momento Deepseek durante el cual los modelos de peso abierto casi alcanzaron la frontera; un aumento de la demanda a medida que las empresas adoptaron agentes de IA, a menudo acompañado de prácticas irracionales y derrochadoras, como tablas de clasificación de tokens, que llevaron a la llamada era de escasez de tokens; y, más recientemente, un impulso renovado para un ecosistema competitivo de código abierto a medida que las empresas reconsideran su gasto en modelos de vanguardia.

Estos altibajos tienen muchos paralelos en los estudios de casos históricos mencionados anteriormente. Al principio, los ferrocarriles presenciaron un frenesí especulativo (la manía ferroviaria de la década de 1840 en Gran Bretaña). En Estados Unidos, con el tiempo, la demanda superó la capacidad, lo que dio lugar a rendimientos directos e indirectos estimados del 15% anual sobre el capital ferroviario hasta 1860, enorme para la época. Pero a medida que la red maduró, la capacidad alcanzó la demanda, la competencia redujo los márgenes y muchas empresas ferroviarias quebraron.

Por lo tanto, para pronosticar mejor las perspectivas a largo plazo de los laboratorios, es útil alejarse de las oscilaciones de un año a otro y de un trimestre a otro en las finanzas (y las narrativas) y basar nuestro análisis en la teoría económica. Un concepto clave es la paradoja de Bertrand: dice que cuando las empresas venden un producto homogéneo (inferencia del modelo de frontera), la competencia de precios las obligará a vender cada unidad (token) al costo marginal de producirlo.

El análisis teórico es importante porque se cuestiona la cuestión de qué tan bien los registros históricos predicen la suerte de la industria de la IA. Por ejemplo, nuestro colega Mihir Kshirsagar identifica la regulación como la razón principal por la que las empresas ferroviarias, eléctricas y de telecomunicaciones no pudieron extraer el excedente generado por su infraestructura, en lugar de verlo como una consecuencia inherente de su economía. Por tanto, la teoría nos da una razón adicional para esperar una reducción de márgenes. Aunque es fácil escapar de la paradoja teórica en la práctica, creemos que la inferencia del modelo contiene una versión inusualmente pura de las condiciones que producen la paradoja:

• Los modelos son en gran medida indiferenciados. Al menos tres empresas, OpenAI, Anthropic y Google han logrado mantenerse en la frontera y producir modelos que se comportan y funcionan de manera similar entre sí. Además, para una fracción cada vez mayor de casos de uso, el rendimiento de frontera no es necesario y los modelos de peso abierto son suficientemente buenos. Además, los clientes observan o perciben fácilmente la casi equivalencia de los modelos, porque hay cientos de puntos de referencia en los que los modelos se evalúan periódicamente y todos los modelos de frontera tienden a agruparse cerca de la cima.

  En un revelador contraste con otra industria, Apple mantiene altos márgenes al escapar de este aspecto de la competencia de Bertrand. Se resiste a competir en dimensiones de rendimiento objetivamente observables (gigahercios, megapíxeles), sino que anuncia resultados y cualidades inefables (“simplemente funciona”) y crea una fuerte diferenciación de marca.

• Todos los proveedores tienen costos de capital similares. El conocimiento de la IA se difunde rápidamente; Los principales paradigmas del desarrollo de modelos (escalado de modelo, escalamiento de inferencia, aprendizaje por refuerzo, etc.) han avanzado casi al mismo ritmo. Entonces, para producir un token con una calidad de salida determinada, todos los laboratorios gastan cantidades similares en capacitación. En un futuro hipotético donde la frontera no se mueve tan rápidamente, los costos estarán dominados por la inferencia, y el costo de la inferencia tiende a ser incluso más similar que el costo de la capacitación.

• Falta de diferenciación geográfica. En el caso de los ferrocarriles, un mosaico de monopolios locales y capacidad cautiva proporcionaron cierta defensa contra la compresión de los márgenes. El negocio de la inferencia de IA carece de esta diferenciación y las empresas pueden atender eficazmente a todo el mercado. Si bien hoy en día existe una limitación simbólica de capacidad, esperamos que sea temporal.

• Los precios se pueden cambiar libremente, sin colusión. Los ferrocarriles y los servicios públicos pudieron confabularse tácita o explícitamente para mantener los precios altos en algunos momentos de su historia. Pero esto es muy poco probable con los modelos de IA porque existe una feroz competencia de los modelos subfronterizos.

• Los costos de cambio son mínimos. Incluso la fricción de migrar API se elimina en gran medida mediante una capa de enrutamiento herramientas.1

Una posible respuesta a todo esto es argumentar que no importa cuánto se reduzcan los márgenes, porque las empresas de IA simplemente lo compensarán en volumen. Pero los números no salen. Si asumimos un margen neto del 5% (mucho más alto que el de las aerolíneas) y la necesidad de recuperar los mencionados $4 billones – $8 billones de inversión en un horizonte de cinco años, terminamos con un requerimiento de $16 – $32 billones en ingresos anuales, cuyo extremo superior es una cuarta parte del PIB mundial actual.

Adoptar esta perspectiva a largo plazo, basada en la historia y la teoría económica, nos permite ignorar varios factores que otros analistas tienden a indexar críticamente. Por ahora, estamos en un período en el que las capacitaciones masivas y con uso intensivo de capital continúan produciendo mejores modelos. Esto obliga a los laboratorios a permanecer en una cinta de actualización en la que reinvierten sus ingresos en capacitación (y algo más), asumiendo inversiones cada vez mayores. Cuando esta rutina se desacelere,2 el negocio alcanzará una nueva etapa de equilibrio que probablemente será muy diferente a la actual. En ese estado, tres factores que actualmente dominan el debate importarán mucho menos de lo que parecen ahora.

El primero es la caída de los precios simbólicos impulsada por mejoras en la eficiencia, que los críticos citan como evidencia de una carrera hacia el fondo que reducirá el tamaño del pastel. En nuestra opinión, si bien es cierto que los precios de los tokens han estado cayendo rápidamente (y que esta tendencia probablemente continuará), no es necesariamente un problema para los laboratorios. Dependiendo de la forma de la curva de demanda, desbloquear la demanda podría compensar con creces la caída de los precios: la llamada paradoja de Jevons, en la que las ganancias de eficiencia conducen a un mayor (no menor) consumo de un recurso.

El segundo es la escasez de tokens, que los impulsores citan como evidencia del poder de fijación de precios de los laboratorios. Sin embargo, es probable que cualquier escasez sea un fenómeno temporal que se aliviará o eliminará mediante una combinación de inversión en infraestructura y mejoras algorítmicas. Por lo tanto, es poco probable que la escasez de tokens permita a los laboratorios aumentar sus márgenes.

El tercer factor que domina el discurso actual es la disposición a pagar. Los críticos a veces predicen que la demanda se evaporará cuando los laboratorios pongan fin a sus precios de suscripción subsidiados y por debajo del costo. Pero esto trata la disposición a pagar como una cantidad fija, algo que puede extrapolarse a partir de hoy. A largo plazo, esperamos que la IA sea una parte esencial de la mayor parte del trabajo relacionado con el conocimiento y que la tecnología sea tan transformadora como la revolución industrial. En una transición de esta escala, la disposición a pagar es potencialmente enorme.

En otras palabras, debemos distinguir entre creación de valor y captura de valor. Esperamos que el valor creado sea insondablemente grande. La pregunta central, tal vez incluso existencial, para los laboratorios es si podrán capturar aunque sea un pequeño porcentaje de ese valor. ¿Qué fracción del valor que la IA crea para una empresa estará dispuesta a pagar a los proveedores de IA? Este no es un número determinado exógenamente y que flota libremente. Está determinado en gran medida por la medida en que los laboratorios de IA sean capaces de escapar de la trampa de los productos básicos.

Como argumentamos más adelante, la forma más confiable de escapar de la trampa de los productos básicos es avanzar hacia abajo en la cadena de valor económico (en el caso de la IA, esto significa avanzar “hacia arriba”). La transición de vender infraestructura física o productos a paquetes que incluyen servicios a veces se denomina “servitización”. Por ejemplo, a medida que el hardware se convirtió en un producto básico, IBM hizo la transición exitosa a una empresa de servicios y finalmente vendió su división de PC por completo a Lenovo. Las empresas de telecomunicaciones también hicieron esfuerzos sostenidos y denodados para evitar convertirse en “canalizaciones tontas”, pero sin éxito. En cambio, el valor fue capturado por aplicaciones que utilizaban la infraestructura, lo que llevó al surgimiento de las grandes tecnologías. Creemos que los laboratorios ahora se enfrentan a la misma bifurcación: capturar valor en las capas superiores a los modelos o ver a otros crear negocios lucrativos sobre la infraestructura que construyeron y pagaron.

Cómo están respondiendo los laboratorios

Para resumir nuestro argumento hasta ahora, nuestro análisis histórico y nuestra teoría económica sugieren que sólo existen dos rutas plausibles para salir de la trampa de las materias primas: establecer un control similar a un monopolio sobre el mercado, o capturar valor en capas superiores de la pila, a menudo acompañado de mayores costos de cambio.

Creemos que la primera ruta es poco probable y que la frontera seguirá siendo competitiva. Los defensores del excepcionalismo de la IA podrían no estar de acuerdo y pronosticar un desarrollo sin precedentes históricos: una discontinuidad de capacidades tan dramática que remodela por completo el panorama competitivo. En este escenario de “despegue duro”, uno o más laboratorios logran una superación personal recursiva, lo que hace que la economía actual sea en gran medida irrelevante.

En nuestro artículo completo, argumentamos por qué este escenario es altamente inverosímil. Por ahora, señalamos que muchos formuladores de políticas, inversores y otras partes interesadas no se sienten cómodos apostando por esa posibilidad y, en cambio, deben planificar un escenario en el que no tenga éxito.

Esto hace que ascender en la pila sea el camino más probable a seguir. Creemos que las empresas de IA son muy conscientes de la trampa de los productos básicos; están haciendo una transición a toda velocidad más allá de ser proveedores de inferencia pura (es decir, vendiendo tokens indiferenciados a través de API modelo) y buscando perseguir la captura de valor en capas superiores de la pila. Estamos en los primeros días de estos esfuerzos y es probable que surjan muchas estrategias nuevas y más sistemáticas (examinaremos algunas en la siguiente sección). Pero ya se ven algunos esfuerzos.

• Productos como ChatGPT o Claude Code se encuentran en una capa por encima de los modelos. Los productos no son intercambiables como lo son los modelos, por una serie de razones técnicas, contractuales y de comportamiento, como analizamos en la siguiente sección. En el caso de OpenAI, ChatGPT, no la API OpenAI, ha representado durante mucho tiempo la mayoría de sus ingresos. Los ingresos de Anthropic a principios de 2026 todavía estaban dominados por su API, pero con el crecimiento explosivo de Claude Code, es posible que eso no dure mucho más.

• La siguiente capa en la pila es SaaS nativo de IA o “inteligencia como servicio”, y los laboratorios han dado primeros pasos en esta dirección: la característica conocimiento de la empresa de ChatGPT y la visión de Anthropic de agentes dentro del sistema de registro. Sin embargo, esta es la capa donde los laboratorios son más vulnerables a los actuales SaaS, en particular Microsoft.

• Las empresas de IA también están buscando una implementación personalizada y un rediseño del flujo de trabajo, a través de ingenieros avanzados y asociaciones con empresas de consultoría. Esto no encaja perfectamente en la pila. La pila supone un equilibrio en el que los lugares de trabajo se han transformado a través de la IA, mientras que esta categoría trata de intentar monetizar la transformación en sí.

• La vía más especulativa y potencialmente lucrativa para la captura de valor es la capa superior de la pila: la idea de los agentes de IA como "trabajadores digitales". Muchas empresas han estado promocionando esta idea. Quizás el primer lanzamiento de una importante empresa de inteligencia artificial que ha sido diseñado para funcionar de manera análoga a un trabajador digital en lugar de una herramienta sea Claude Tag, lanzado en junio de 2026. Un trabajador digital integrado en cada equipo de una empresa se convierte rápidamente en un almacén de conocimiento tácito para toda la organización y se vuelve esencial para los flujos de trabajo y los procesos de negocios entre diferentes equipos. A menos que la portabilidad esté incorporada explícitamente, se convierte en un empleado digital que efectivamente no puede ser despedido, creando un nivel de dependencia que excede el del software empresarial en su peor momento. Cuando las empresas venden trabajadores digitales, el mercado total al que se dirige es todo el gasto laboral de la economía, mucho mayor que los presupuestos de TI de las empresas. Pero precisamente por estas razones, es probable que la visión encuentre la mayor resistencia por parte de las empresas.

La ilustración de portada rediseñada resume algunos de estos esfuerzos en curso. Tenga en cuenta que la pila describe lo que paga el cliente, no la unidad de facturación. El precio de los tokens se puede usar en cualquier capa de la pila, y otras unidades (suscripciones, resultados) se pueden usar en combinación o como sustitutos en las capas superiores. Es el tipo de valor en cada capa de la pila lo que determina si se aplica la trampa de las materias primas, no el modelo de fijación de precios. Analizamos las estrategias de precios con más detalle en la siguiente sección.

Una idea clave de este ensayo es que las empresas que operan en niveles más altos de esta pila pueden capturar una mayor parte del valor que crean. Pueden diferenciar mejor sus ofertas y construir una variedad de fosos (como veremos más adelante), muchos de los cuales son posiblemente novedosos y más poderosos que los que disfruta el software empresarial.

Una advertencia importante: para que los laboratorios de IA, especialmente OpenAI y Anthropic, puedan ascender en la lista, deben competir con empresas tradicionales más grandes que disfrutan de muchas ventajas, en particular canales de distribución existentes y relaciones profundas con los clientes empresariales. Google disfruta de una fácil integración vertical en su línea de productos de consumo existente. Los titulares de SaaS, en particular Microsoft, están apostando a que pueden descifrar el modelo de “inteligencia como servicio” más rápido que los laboratorios de inteligencia artificial. Esta desigualdad remodela la dinámica competitiva del ecosistema de IA y señala diferencias importantes entre los actores clave que intentan ascender en la pila de valor.

Avanzar en la pila abre un conjunto variado y poderoso de fosos

¿Cómo permite a las empresas escapar de la trampa de las materias primas el ascenso en la pila? La respuesta no es simplemente que las capas más altas crean más valor económico. Es que hacen que el valor sea capturable y duradero: operar en niveles más altos de la pila permite a los laboratorios distinguir sus ofertas y construir costos de bloqueo y conmutación de un tipo que no está disponible para los vendedores de inferencia en bruto, es decir, los proveedores de API. De hecho, permiten a las empresas de IA escapar de la falta de diferenciación que se encuentra en el centro de la paradoja de Bertrand. Los avances en la pila no son sólo estrategias de nuevos productos; son estrategias para construir fosos. En esta sección, examinamos varios tipos diferentes de fosos: algunos que los laboratorios ya están construyendo y otros que podrían construir en el futuro.

Para identificar qué obstáculos se abren a medida que las empresas de IA ascienden desde la capa de modelo, analizamos cómo las empresas de software empresarial generan poder de fijación de precios y capturan valor, y luego analizamos cuáles de esas estrategias son probablemente aplicables a las empresas de IA y qué nuevas están disponibles.

Observamos dos matices importantes antes de profundizar. Primero, si bien los fosos son formas de defender la participación de mercado de competidores, nuestro interés es analizar la capacidad de las empresas de IA para capturar el valor que crean para los clientes. Aún así, las estrategias involucradas son en gran medida las mismas, porque ambas requieren evitar una carrera de precios hacia el fondo.

En segundo lugar, nuestro análisis se centra en el mercado empresarial, ya que creemos que representará la mayor parte de los ingresos. OpenAI ha girado en esta dirección recientemente, mientras que Anthropic ha tenido un enfoque constante en la empresa. Si bien es posible que los productos de consumo basados en publicidad puedan representar una importante fuente de ingresos en el futuro, desempeñando así un papel para escapar de la trampa de las materias primas, eso no socava nuestra tesis sobre los fosos empresariales.

1. Incrustar fosos: Los modelos de IA son algo que los clientes invocan en sus flujos de trabajo. Pero otra visión de la IA es la de un sistema en el que habita el cliente. Este último es más propicio para la construcción de fosos.

Incluso si el modelo subyacente sigue siendo intercambiable, el estado que lo rodea para un cliente determinado puede no serlo. Con el tiempo, ese estado se acumula: memoria persistente e historial de conversaciones, corpus de documentos cargados e índices de recuperación, habilidades personalizadas o conjuntos de evaluación, flujos de trabajo y procesos comerciales, y diversas formas de ajuste o personalización. Esta "gravedad de los datos" es una gran parte de lo que le da al software empresarial su rigidez, y por qué reemplazarlo se ha descrito como "cirugía a corazón abierto".

Tanto OpenAI (Company Knowledge) como Anthropic (Claude Cowork, la asociación de PwC) ya están siguiendo estos caminos. La durabilidad de estas estrategias sigue siendo una cuestión abierta. Una complicación es que los datos que podrían ayudar a construir fosos normalmente se encuentran en los servidores de las empresas en sistemas establecidos como Salesforce, Workday y SAP, en gran medida inaccesibles para los laboratorios de IA. Para superar esto, las empresas de IA podrían construir fosos controlando las capas de orquestación ocupadas por los agentes, proporcionando así de manera efectiva el tejido conectivo que une los flujos de trabajo de una organización. Sin embargo, si los estándares abiertos mantienen la capa de orquestación delgada e intercambiable, el valor puede, en última instancia, fluir hacia los integradores y empresas agentes en lugar de hacia los laboratorios mismos.

2. Fosos del ecosistema: El software empresarial como Windows, GitHub y SAP se benefició del hecho de que, a medida que ganaron más clientes o desarrolladores que construyeron sobre la plataforma, el valor de la plataforma creció. El mercado de la IA no aún presenta fuertes fosos ecosistémicos. Los laboratorios se han esforzado por crear mercados bilaterales además de la IA como plataforma, pero hasta ahora no han tenido éxito (tienda GPT) o son demasiado reducidos para generar costos de cambio significativos (complementos de Claude).

Un tipo de efecto de red muy debatido pero aún no realizado es el “volante” de entrenar modelos o sistemas de IA utilizando la IP de los clientes, ya sean datos, los entornos en los que se ejecutan los agentes, los rastros de ejecución de esos agentes o conjuntos de evaluación privados. Hasta ahora, las empresas se han mostrado reticentes a permitir que los desarrolladores de IA utilicen su IP de esta manera, pero esto puede cambiar en el futuro. Después de todo, sólo hace falta que un cliente (adecuadamente incentivado) en cada sector deserte para poner en marcha un volante.

3. Fosos comerciales: Esta categoría cubre una variedad de estrategias familiares, en gran medida tomadas del software empresarial y la computación en la nube. Los contratos comerciales pueden incluir varios mecanismos (acuerdos plurianuales, niveles de gasto comprometido, créditos prepagos) que hacen que la deserción hacia los rivales sea antieconómica. Los laboratorios ya están implementando algunos de estos mecanismos en sus acuerdos empresariales, pero la durabilidad de este foso también es cuestionable. Los sofisticados equipos de adquisiciones empresariales exigirán portabilidad antes de firmar, y el bloqueo contractual es altamente legible para los reguladores antimonopolio.

La integración vertical ofrece una versión más poderosa de la misma lógica comercial. Cuando un asistente de IA se incluye en un software por el que una empresa ya paga (Copilot dentro de Microsoft 365, Gemini dentro de Google Workspace), el costo marginal de la IA parece ser cero, lo que dificulta que los competidores independientes compitan en precio. Los actores integrados también pueden aprovechar las relaciones de ventas y adquisiciones existentes: en lugar de ganar una nueva línea presupuestaria, simplemente incorporan la IA a una conversación de renovación del software con el que el cliente ya está comprometido. Por supuesto, esta estrategia sólo está disponible para empresas tradicionales integradas como Google y Microsoft. Como se señaló anteriormente, esto significa que laboratorios independientes como OpenAI o Anthropic deben competir en un campo de juego estructuralmente desigual, a menudo alquilando infraestructura a las mismas empresas a las que se enfrentan.

4. Fosos conductuales: Mientras que los fosos discutidos anteriormente operan a través de mecanismos técnicos o comerciales, los fosos conductuales funcionan a través de los humanos que usan sistemas de IA. Al igual que oleadas anteriores de software empresarial (Microsoft Excel, sistemas CRM), el uso de herramientas de inteligencia artificial puede conducir a una erosión de la habilidad para realizar tareas sin ayuda, mientras que al mismo tiempo se desarrollan habilidades específicas del proveedor para impulsar productos agentes, creando dependencia. Esta es un área donde los riesgos sociales pueden ser graves, más allá de sus implicaciones para la captura de valor: la erosión de habilidades podría tener profundas implicaciones para la resiliencia de la fuerza laboral, la seguridad y la distribución del poder entre las personas y los sistemas de IA.

Pero los fosos conductuales también incluyen formas novedosas y poco comprendidas de bloqueo de la IA que no tienen un análogo claro en el software anterior. Una manifestación notable es el apego relacional al tono o la "personalidad" de un modelo, como lo demuestra vívidamente la contraacción #Keep4o, cuando OpenAI se vio obligado a restablecer GPT-4o en respuesta a las demandas de los usuarios. De manera más especulativa, para el trabajo colaborativo de conocimiento, como la escritura o el trabajo con mucho juicio (a diferencia de la automatización), la calidad de la contribución de la IA es difícil de verificar para el comprador incluso después del hecho, porque no existen estándares objetivos. Eso hace que ese trabajo sea lo que se conoce como bien de credibilidad, similar al de los abogados y consultores. Al no poder comparar la calidad, los compradores de bienes de credibilidad tienden a confiar en la reputación y la confianza. Esto silencia la competencia de precios y ralentiza el cambio incluso cuando el costo técnico del cambio es cercano a cero.

5. Estrategias de fijación de precios: Esta vía es complementaria o aditiva a las analizadas anteriormente y describe una forma en la que los laboratorios podrían capturar más valor después de lograr el bloqueo y ser capaces de ejercer poder de fijación de precios. La idea es que los laboratorios puedan superar la trampa de los productos básicos cobrando por los resultados (un porcentaje del costo ahorrado, una tarifa por ticket de soporte resuelto) en lugar de tokens. Esta es la tesis explícita detrás de la afirmación de OpenAI Sarah Friar, directora financiera, de que los ingresos deben “escalar con el valor de la inteligencia”.

Sin embargo, esto es poco probable en el corto plazo. La fijación de precios por resultados requiere resolver un difícil problema de medición. Los laboratorios no han construido la infraestructura para medir y comprender los procesos comerciales de los clientes y para rastrear (y mucho menos fijar precios) diferentes resultados. Sin esa visibilidad, las métricas de resultados invitan a ambas partes a jugar: una tarifa por ticket resuelto incentiva a los clientes a agrupar múltiples problemas en un solo ticket y a los proveedores a cerrar tickets sin necesariamente solucionarlos. Además, los resultados varían entre verticales y entre empresas, y los laboratorios de IA carecen de los equipos de clientes integrados que los proveedores de SaaS tardaron décadas en construir para obtener este tipo de visibilidad posterior. Aún así, algunas empresas de IA están intentando innovar en este frente. Si los laboratorios de IA pueden migrar a Systems of Record, los desafíos se volverán manejables con una inversión suficiente.

Implicaciones más amplias del cambio

Las preguntas planteadas por nuestro análisis tienen una influencia significativa en el futuro de la economía de la IA, pero se extienden mucho más allá de las perspectivas de cualquier empresa de IA individual. Tocan la estructura de los mercados digitales, la distribución del poder económico y el tipo de ecosistema de innovación que la IA probablemente produzca.

Si los laboratorios no logran escapar de la trampa de las materias primas, las consecuencias serán principalmente financieras: una posible crisis de confianza en una de las mayores acumulaciones de capital de la historia económica, con efectos en cadena en todo el sector tecnológico y los mercados en general. Pero si tienen éxito –particularmente si logran aumentar los costos de cambio y establecer la dependencia del cliente– las consecuencias parecen diferentes y, en algunos aspectos, más preocupantes. Aumentaría los costos para todas las empresas que dependen de la IA y consolidaría a un pequeño número de actores en una posición de ventaja estructural que será difícil de disputar más adelante.

Parece que vale la pena tomar en serio algunas preguntas en particular ahora, antes de que se endurezcan los fosos relevantes:

• ¿Pueden los laboratorios construir negocios sostenibles sin excluir la competencia y repetir patrones anteriores de concentración dañina?

• ¿Pueden las estrategias que funcionan para inversores y empresas de IA generar también un valor social más amplio, o la captura de valor en la IA se produce a expensas del ecosistema circundante?

• ¿Las ganancias de la IA serán difusas (recaerán principalmente en las empresas que la implementan y en la economía en general) o concentradas (captadas en gran medida por los hiperescaladores, los laboratorios de IA de vanguardia, los titulares de SaaS y los inversores)?

Sigue habiendo mucha incertidumbre sobre estas cuestiones, pero la historia sugiere que el momento de establecer estándares de interoperabilidad, requisitos de portabilidad y transparencia en los costos de conmutación es temprano, antes de que los compuestos de bloqueo y la intervención se vuelvan estructuralmente más difíciles. Afortunadamente, las autoridades de competencia como la FTC de EE. UU. y la CMA del Reino Unido están observando este espacio, pero hasta ahora parecen haber centrado su análisis en las capas inferiores de la pila. Nuestro análisis muestra que deben ampliar su visión.

Agradecemos a Sayash Kapoor sus comentarios sobre un borrador.

Lecturas adicionales

Si bien muchos aspectos de nuestro argumento son al menos algo novedosos, el argumento de “no hay foso” en sí no es nuevo. Su primera articulación destacada (que sepamos) se remonta a hace más de tres años, en un documento filtrado de Google. Muchos comentaristas como Gary Marcus, Ed Zitron y Cory Doctorow han destacado incansablemente este punto o variantes del mismo.

Lo que es posiblemente nuevo en nuestro análisis es basarse en paralelos históricos y mostrar que la inferencia del modelo coincide con los requisitos previos para una competencia ruinosa incluso mejor que esos precedentes. Donde definitivamente diferimos de aquellos que predicen una burbuja es en reconocer que (1) la pila de IA es bastante espesa y la trampa de los productos básicos solo se aplica en la capa del modelo (2) los laboratorios son muy conscientes del problema y (3) han estado migrando furiosamente para salir de él.

Muchos otros son bajistas en los laboratorios, incluidos Benedikt Evans y Luis Garicano y Jesús Saa-Requejo. Estos últimos sostienen que la captura de valor se producirá tanto en la cima de la cadena de valor, los proveedores físicos y de hardware [debido al cuello de botella informático], como en la capa de implementación, donde los modelos se ponen a trabajar y donde la restricción vinculante es organizacional, no técnica. Estamos en gran medida de acuerdo. Pero concluyen que los laboratorios no podrán captar mucho valor. La suposición implícita parece ser que los laboratorios se limitan a ser proveedores de modelos, lo que en nuestra opinión es una noción cada vez más obsoleta.

Semianalysis sostiene que los laboratorios podrán mantener altos márgenes brutos debido a la escasez de computación. Creemos que se trata de una situación temporal.

El más cercano a nuestro pensamiento es nuestro colega CITP de Princeton, Mihir Kshirsagar, quien ha escrito una serie de cuatro artículos sobre este tema. Si bien nos hemos beneficiado de las conversaciones con Kshirsagar, nuestro pensamiento se desarrolló en gran medida de forma independiente, con muchos puntos de acuerdo y algunos de desacuerdo. Al igual que Kshirsagar, creemos que el rápido desarrollo de la IA no tiene sentido económico si no fuera por la promesa de bloqueo. Su análisis identifica coaliciones entre hiperescaladores y laboratorios de inteligencia artificial (como Microsoft-OpenAI y Amazon-Anthropic) como el vehículo principal para el bloqueo, lo cual es ligeramente diferente de nuestro diagnóstico.

Nathan Lambert ofrece una visión de cómo podría desarrollarse todo esto: una economía de IA de dos niveles en la que los clientes que están en la frontera del trabajo del conocimiento paguen grandes primas por productos y servicios "up the stack" basados ​​en modelos de vanguardia de los laboratorios líderes, mientras que todos los demás están satisfechos con el ecosistema de modelo abierto. Una de sus predicciones es más precisa que la nuestra: los laboratorios fronterizos dejarán que sus negocios de API decaigan para proteger sus ofertas de mayor margen.

1

El modelo teórico detrás de la paradoja de Bertrand es un juego de una sola vez y los costos de cambio no entran en la ecuación, pero, por supuesto, en la práctica debemos considerarlos.

2

Esto no quiere decir que la IA dejará de mejorar: seguirán existiendo otras rutas, como el escalado de inferencias y mejores herramientas.