TheVortiq

La crisis de la visibilidad en la IA empresarial

El despliegue de agentes inteligentes ha dejado de ser una ventaja competitiva para convertirse en una presión financiera insostenible. Lo que comenzó en 2023 como una carrera armamentística por la adopción de modelos de lenguaje (LLMs), se ha transformado en 2025 en una crisis de gestión presupuestaria. Según datos de IBM, solo el 29% de los ejecutivos afirma tener capacidad real para medir el retorno de inversión (ROI) de sus proyectos de IA, mientras que el 75% de las iniciativas no logran los resultados esperados. Este escenario dibuja una paradoja peligrosa: las empresas aceleran su adopción para evitar la obsolescencia, pero operan bajo una ceguera analítica que impide justificar el gasto ante los consejos de administración.

Históricamente, este fenómeno recuerda a la burbuja de las empresas 'punto com' a finales de los 90, donde la inversión en infraestructura digital superó con creces la capacidad de monetización. La diferencia actual radica en la naturaleza del costo: mientras que el hardware era un gasto de capital (CAPEX) amortizable, el gasto en IA es predominantemente operativo (OPEX), basado en consumo de tokens y suscripciones recurrentes, lo que erosiona los márgenes de beneficio de forma continua y silenciosa.

El problema de la atribución

El núcleo del problema reside en la desconexión entre la actividad de la IA y el flujo de valor empresarial. Históricamente, las herramientas de analítica se han limitado a métricas superficiales: número de prompts realizados, tokens consumidos o tasas de adopción de licencias. Sin embargo, estas métricas son 'vanidosas'; como señala Vic Chynoweth, CEO de Tempo, operan fuera del sistema de trabajo real. El desafío técnico es que el gasto en IA está desvinculado de los entregables concretos, como los tickets en Jira, los hitos de un proyecto o el despliegue de código.

Sin una capa de atribución que conecte el costo computacional con el entregable humano, el ROI permanece opaco. Las empresas están pagando por la 'inteligencia' sin saber si esta ha reducido el tiempo de comercialización (time-to-market) o si simplemente ha generado un volumen mayor de trabajo técnico que requiere supervisión humana adicional. Esta falta de trazabilidad crea un 'agujero negro' financiero donde el gasto aumenta linealmente mientras que la productividad real puede mantenerse estancada o, en casos de alucinaciones del modelo, requerir retrabajo humano.

¿Hacia dónde se dirige el mercado?

La industria está girando hacia modelos de 'Inteligencia de Fuerza Laboral' (WFI). La propuesta de valor es integrar el costo de la IA directamente en el flujo de trabajo, combinando el gasto en computación con el costo de la labor humana. Herramientas emergentes están comenzando a conectar la actividad de los agentes con los epics e iniciativas de gestión de proyectos. Esto permite, por primera vez, una visión unificada: entender cuánto costó un proyecto no solo en salarios, sino en la suma de agentes y humanos que lo ejecutaron.

"La cantidad de dinero que se gasta en IA es enorme, y un porcentaje muy grande se está desperdiciando", afirma Chynoweth. La estrategia de mercado se está moviendo de la "experimentación por curiosidad" a la "optimización por necesidad". Es altamente probable, aunque aún no verificado por métricas de mercado a largo plazo, que las empresas que no logren integrar esta capa de observabilidad en sus flujos de trabajo sufran recortes presupuestarios drásticos hacia finales de 2025, a medida que los directores financieros (CFO) exijan visibilidad granular sobre cada dólar invertido en la nube.

Consecuencias para el futuro del trabajo

• Auditoría de presupuestos: Las empresas deberán transitar de presupuestos de 'innovación experimental' a modelos de 'costo-resultado'. La era del gasto ilimitado en I+D de IA ha terminado; el escrutinio sobre la eficiencia de cada agente será la nueva norma.
• Estandarización de métricas: Según datos de Kyndryl, la presión de los líderes senior ha crecido un 61% en el último año. Esto obligará a los proveedores de SaaS a integrar analíticas de rendimiento profundas que no solo midan el uso, sino el impacto directo en la productividad del equipo.
• Racionalización de agentes: Veremos una consolidación masiva de herramientas. Aquellos agentes que no puedan demostrar una reducción verificable en el costo operativo o una mejora en la calidad del entregable serán eliminados para sanear las cuentas.

En conclusión, el 2025 se perfila como el año de la madurez. La euforia inicial por desplegar agentes está siendo sustituida por una sobriedad financiera que exigirá a los departamentos de tecnología justificar cada inversión. La capacidad de conectar el costo computacional con el valor humano no es solo una ventaja operativa; es, a partir de ahora, una condición necesaria para la supervivencia competitiva.

Un giro de 180 grados en el capital riesgo: Del código a la infraestructura

Durante más de una década, Andreessen Horowitz (a16z) fue el principal arquitecto y evangelista de la tesis 'software eating the world', acuñada por Marc Andreessen en 2011. Esta filosofía sostenía que el software, al tener márgenes operativos casi infinitos y una capacidad de escalado exponencial, era el motor definitivo de la creación de valor. Sin embargo, la reciente creación de su fondo 'Machine Age', dotado con 1.100 millones de dólares, marca una ruptura histórica con este paradigma. La firma reconoce ahora una realidad ineludible: la inteligencia artificial generativa ha superado la capacidad de carga de la infraestructura actual, obligando a los inversores a descender de la nube hacia la realidad física.

¿Por qué ahora? El cuello de botella físico y la crisis de los átomos

El mercado ha alcanzado un punto de inflexión donde el software ya no es el factor limitante; lo es la física. Según datos de la Agencia Internacional de la Energía (IEA), el consumo eléctrico de los centros de datos podría duplicarse para 2026, impulsado principalmente por el entrenamiento de modelos de lenguaje extenso (LLMs). Este 'cuello de botella' no es solo un desafío logístico, sino una barrera estructural para el crecimiento de la IA. TechCrunch ha señalado que el cambio de a16z responde a la necesidad de financiar la infraestructura que subyace a los modelos, moviéndose de la capa de aplicación hacia la capa de cimientos.

Históricamente, el capital riesgo evitó el hardware debido a los 'ciclos de vida largos' y la alta intensidad de capital (CAPEX). Comparativamente, este giro recuerda a la transición de los años 90, cuando el capital riesgo pasó de financiar software de escritorio a invertir masivamente en la infraestructura de fibra óptica y centros de datos que hicieron posible la era de la Web 2.0. Hoy, la historia se repite, pero con una escala de complejidad superior.

Los pilares estratégicos del fondo 'Machine Age'

• Energía y descarbonización: La IA requiere una densidad energética sin precedentes. El fondo prioriza inversiones en tecnologías de red, fuentes de generación distribuida y soluciones de gestión de carga que permitan alimentar clústeres de cómputo de gigavatios sin colapsar las redes locales.
• Hardware especializado y semiconductores: Más allá del dominio de NVIDIA, el fondo explora arquitecturas de computación alternativas (ASICs, chips neuromórficos y fotónica) que prometen mayor eficiencia energética por vatio, reduciendo la dependencia de los diseños tradicionales.
• Robótica y automatización industrial: La IA está migrando de las pantallas al mundo físico. La inversión aquí busca cerrar el ciclo entre la toma de decisiones algorítmica y la ejecución mecánica, optimizando cadenas de suministro y procesos de manufactura que, hasta hoy, permanecían aislados de la revolución digital.

Impacto en el ecosistema: El fin del dominio exclusivo del SaaS

Este movimiento tiene implicaciones profundas para el ecosistema de startups. Durante años, el modelo 'SaaS-first' dominó el capital riesgo por su previsibilidad y escalabilidad. 'Machine Age' abre una ventana de financiación para proyectos 'hard-tech' que antes eran rechazados por ser considerados 'demasiado físicos' o poco eficientes en términos de capital. Para las empresas, esto significa que la ventaja competitiva no residirá solo en la calidad de sus algoritmos, sino en su capacidad para asegurar el acceso a recursos físicos críticos.

No obstante, la apuesta no está exenta de riesgos. La ejecución en hardware requiere una disciplina operativa distinta, más cercana a la ingeniería industrial que al desarrollo ágil de software. Existe una especulación significativa sobre si la estructura de fondos de capital riesgo —que suelen buscar retornos en un horizonte de 7 a 10 años— es compatible con los tiempos de despliegue de infraestructura crítica. Si bien a16z cuenta con la autoridad necesaria para liderar este cambio, el mercado aún debe observar cómo gestionan la brecha entre la velocidad del software y la inercia de la industria pesada.

La infraestructura es el nuevo software: quienes controlen los recursos físicos, desde la energía hasta el silicio, controlarán la capacidad de cómputo global y, por ende, la próxima era de la inteligencia artificial.

En conclusión, el fondo 'Machine Age' no es solo un movimiento financiero, sino un reconocimiento de que el futuro de la IA se construye sobre átomos. Para las empresas, el mensaje es claro: la era de la ventaja competitiva puramente digital ha terminado, dando paso a una nueva etapa donde la soberanía tecnológica dependerá de la integración vertical entre el código y la materia física.