Entender cómo vamos a crear valor con IA es crucial, pero saber qué necesita nuestra organización para hacerlo de forma rentable es el verdadero reto.
Gartner estima que el gasto mundial en IA alcanzará los 2.59 billones de dólares en 2026, un crecimiento de 47% respecto al año anterior. Una parte importante de esa inversión no está únicamente en las aplicaciones que vemos, sino en la infraestructura necesaria para hacerlas funcionar.
Pero resolver un problema no es suficiente para construir un buen negocio.
También necesitamos entender cómo vamos a crear valor y, sobre todo, qué necesita nuestra organización para hacerlo de forma rentable.
El Business Model explica cómo una organización crea y entrega valor. Qué vende, a quién, cómo llega hasta el cliente y por qué alguien estaría dispuesto a pagar.
La Profit Formula responde otra pregunta:
¿Qué recursos, procesos, ingresos y estructura de costos necesitamos para que ese modelo realmente genere ganancias?
La diferencia cobra especial relevancia con la inteligencia artificial.
Porque la IA puede ayudarnos a crear nuevos modelos de negocio, pero también está introduciendo recursos, procesos y costos que antes no existían con la misma intensidad.
Una empresa podría encontrar una gran oportunidad habilitada por IA y, aun así, no encontrar una forma rentable de operarla.
Uno de los ejemplos que más utilizo en clase es Apple.
Durante años, la conversación giró alrededor del iPod. Parecía que el éxito estaba en fabricar el mejor reproductor de música del mercado.
Pero el cambio más interesante ocurrió cuando Apple dejó de pensar únicamente en vender dispositivos y comenzó a construir un ecosistema.
Primero fue iTunes.
Después la App Store.
Más tarde llegaron Apple Music, iCloud y otros servicios.
El hardware siguió siendo fundamental, pero la lógica del negocio evolucionó. Apple ya no dependía únicamente de una transacción por la venta de un dispositivo. Empezó a construir ingresos recurrentes alrededor de un ecosistema completo.
El Business Model cambió.
Pero para que ese nuevo modelo funcionara también tuvieron que cambiar los recursos y procesos necesarios para operarlo.
Una empresa diseñada para fabricar y vender dispositivos necesita capacidades distintas a una que también debe administrar suscripciones, operar plataformas digitales, procesar pagos recurrentes y mantener servicios disponibles todos los días.
Ahí está la diferencia.
Cambiar el Business Model puede obligarte a replantear la Profit Formula que lo sostiene.
Y algo similar podría ocurrir ahora con la inteligencia artificial.
Muchas conversaciones empresariales sobre IA empiezan con una pregunta:
"¿Dónde podemos utilizarla?"
Es una pregunta válida.
La IA puede reducir costos, mejorar tiempos y aumentar productividad dentro del modelo de negocio que ya tenemos.
Eso puede generar muchísimo valor.
Pero también puede ocurrir algo más interesante.
La tecnología puede permitir crear productos que antes eran demasiado costosos, personalizar servicios a una escala imposible para equipos humanos o atender mercados que anteriormente no eran rentables.
Ahí empezamos a hablar de nuevos Business Models.
Y entonces aparece una segunda pregunta:
¿Nuestra Profit Formula está preparada para sostenerlos?
Porque construir un negocio alrededor de inteligencia artificial no consiste únicamente en tener acceso a un modelo.
El gasto mundial en IA ayuda a dimensionar lo que está ocurriendo.
De los 2.59 billones de dólares que Gartner estima que se invertirán en IA durante 2026, aproximadamente 1.43 billones corresponden a infraestructura, mientras que el software representa alrededor de 453 mil millones.
La diferencia es importante.
Buena parte de la inversión necesaria para operar IA está ocurriendo en una capa que el usuario nunca ve.
Cuando utilizamos una herramienta como ChatGPT, Claude o Gemini, la experiencia parece sencilla.
Escribimos una instrucción.
Recibimos una respuesta.
Pero cuando una organización quiere integrar inteligencia artificial a sus operaciones, el sistema puede volverse mucho más complejo.
El modelo es apenas una pieza.
Aparecen necesidades de limpieza y estructuración de datos, integraciones con sistemas internos, evaluación de respuestas, monitoreo de modelos, control de accesos, seguridad, compliance y gobierno de información.
Si hablamos de sistemas agénticos, aparecen todavía más capas.
Un agente puede consultar diferentes fuentes de información, realizar múltiples llamadas a modelos, utilizar herramientas externas, ejecutar acciones y repetir procesos hasta completar una tarea.
Cada interacción consume recursos.
Cada integración necesita mantenimiento.
Cada fuente de información necesita gobierno.
Y cada decisión autónoma necesita algún nivel de supervisión.
La IA puede reducir el costo de realizar una tarea y, al mismo tiempo, crear una nueva estructura de costos alrededor de ella.
Eso también es Profit Formula.
Pensemos en un ejemplo mucho más sencillo.
Microsoft publica Microsoft 365 Copilot para empresas en alrededor de 30 dólares por usuario al mes, dependiendo del plan y las condiciones de contratación.
Para una organización con 100 usuarios, estamos hablando de aproximadamente 36,000 dólares al año únicamente en licencias.
Para una organización con 10,000 usuarios, la cifra escala a 3.6 millones de dólares anuales.
Y todavía no hemos considerado la preparación de datos, permisos, capacitación, seguridad, integración con otros sistemas, rediseño de procesos o gobierno.
El precio de la herramienta es fácil de presupuestar.
El costo de construir las capacidades necesarias para aprovecharla correctamente no siempre lo es.
Por eso la pregunta no debería limitarse a cuánto cuesta comprar IA.
También necesitamos entender cuánto cuesta operar correctamente la capacidad que estamos adquiriendo.
Y esa diferencia puede modificar por completo el retorno esperado de una iniciativa.
En marketing conocemos una versión más sencilla de este problema desde hace años.
Una empresa puede tener información distribuida entre Google, Meta, TikTok, Amazon, su CRM y sus plataformas de analítica.
Extraer, homologar y actualizar manualmente toda esa información deja de ser sostenible conforme aumenta la complejidad.
Por eso utilizamos soluciones como Windsor.ai para facilitar la extracción y centralización de datos antes de analizarlos o utilizarlos en otros modelos.
Con la inteligencia artificial esta necesidad aumenta.
Un agente es tan útil como la información a la que puede acceder.
Si los datos están fragmentados, tienen estructuras distintas, no están actualizados o nadie sabe exactamente quién puede utilizarlos, tener acceso al mejor modelo del mercado resuelve muy poco.
Primero necesitas construir el sistema que permita utilizarlo.
Y ese sistema necesita recursos.
Procesos.
Personas.
Infraestructura.
Seguridad.
Gobierno.
Todo eso termina formando parte de la Profit Formula.
Este punto me parece especialmente importante.
La promesa económica de muchas iniciativas de inteligencia artificial está construida alrededor de la productividad.
Si una tarea que antes tomaba cinco horas ahora toma tres, podemos medir fácilmente el tiempo ahorrado.
Pero eso no significa automáticamente que el negocio sea más rentable.
La OECD encontró una diferencia interesante en una encuesta a más de 5,000 pequeñas y medianas empresas que utilizaban inteligencia artificial generativa.
65% reportó mejoras en el desempeño de sus empleados.
Pero solo 26% señaló un incremento en sus ingresos.
Eso no significa que la IA no esté generando valor. Tampoco que las empresas que mejoraron productividad hayan perdido rentabilidad.
Lo interesante es la distancia entre ambas cifras.
Porque obliga a hacer una pregunta:
Si estamos mejorando productividad, ¿cómo estamos convirtiendo esa mejora en resultados económicos?
Supongamos que una empresa logra reducir 20% del tiempo necesario para realizar determinada tarea.
Hay un beneficio evidente.
Pero ahora agreguemos el resto de la ecuación.
Licencias que antes no existían.
Infraestructura adicional.
Nuevos perfiles especializados.
Capacitación.
Seguridad.
Evaluación continua de modelos.
Mantenimiento de integraciones.
Gobierno de datos.
La ganancia real no está únicamente en las horas que ahorramos.
Está en el resultado de sumar todos esos cambios.
Una empresa puede mejorar su productividad y, al mismo tiempo, no mejorar su Profit Formula si el costo total necesario para conseguir esa eficiencia supera el valor que logra capturar.
En el primer ensayo de esta serie hablamos de una diferencia fundamental:
La innovación sostenida hace más fuerte el mercado actual.
La innovación disruptiva crea uno nuevo o redefine las reglas del existente (puedes leer más sobre esto en nuestro análisis sobre innovación vs disrupción).
La IA puede hacer ambas cosas.
Puede mejorar procesos dentro de un Business Model existente.
Pero también puede permitir nuevas formas de crear y entregar valor que antes no eran económicamente posibles.
Nuevas formas de llegar al consumidor.
Nuevas estructuras de precios.
Servicios que antes requerían cientos de personas y que ahora podrían operar con equipos mucho más pequeños.
Productos personalizados a una escala que antes era demasiado costosa.
Incluso mercados que no existían porque atenderlos simplemente no era rentable.
Ahí puede aparecer la disrupción.
Pero descubrir una nueva forma de generar valor no garantiza que hayamos encontrado un buen negocio.
Alguien todavía tiene que descubrir cómo hacerlo rentable.
Y para eso los recursos, los procesos y la estructura económica de la empresa también tienen que cambiar.
Quizá esa sea una de las razones por las que la teoría de Disruptive Strategy sigue teniendo tanta vigencia varias décadas después (como explicamos en The Innovator's Dilemma).
No intenta predecir cuál será la siguiente tecnología.
Observa cómo se comportan las empresas y los mercados cuando aparecen nuevas formas de crear valor.
Hoy hablamos de inteligencia artificial.
Mañana hablaremos de otra tecnología.
Las herramientas cambiarán.
Las preguntas estratégicas probablemente se parezcan mucho.
Cada vez que una organización comienza un proyecto de inteligencia artificial suele dedicar mucho tiempo a comparar modelos, plataformas y funcionalidades.
Yo empezaría por otro lugar.
Si esta tecnología realmente funciona, ¿qué parte de nuestro Business Model podría cambiar?
Y después haría una segunda pregunta:
¿Nuestra Profit Formula está preparada para sostener ese nuevo negocio?
Porque quizá la IA permita hacer algo que antes era imposible.
Pero hacerlo posible no significa automáticamente hacerlo rentable.
Durante los próximos años veremos empresas utilizando IA para reducir costos.
Otras mejorarán productividad.
Algunas encontrarán nuevas formas de llegar a sus consumidores.
Y probablemente aparecerán negocios que hoy ni siquiera existen.
Cada uno necesitará encontrar una forma de crear valor.
Y después tendrá que encontrar una forma rentable de sostenerlo.
La tecnología puede abrir la puerta.
El negocio todavía tiene que funcionar.