El margen de los wrappers se comprime y el techo de monetización aparece

La fiesta de los tokens gratis terminó más rápido de lo esperado. Uber agotó su presupuesto anual de IA en apenas cuatro meses y tuvo que imponer un tope de 1.500 dólares mensuales por empleado, mientras Amazon despliega imágenes generadas de productos que no existen en su buscador. No son incidentes aislados: son los primeros síntomas visibles de que la economía de unidad de la IA en productos de consumo masivo no cierra. Las empresas descubren, con facturas en mano, que regalar capacidad de cómputo a escala corporativa destruye márgenes, y que inventar demanda con alucinaciones visuales no genera conversión. El modelo de negocio sigue siendo una incógnita cara.

El wrapper descubre que los tokens cuestan dinero real

Uber había alentado a sus empleados a usar IA sin restricciones. El resultado: presupuesto anual evaporado en un tercio del tiempo previsto. Simon Willison señala que el límite de 1.500 dólares mensuales es «una señal útil» para el pricing de herramientas IA, precisamente porque revela cuánto vale el uso sostenido, no el acceso nominal. La métrica cambió: ya no se trata de vender seats ilimitados por suscripción fija, sino de facturar tokens consumidos. Y ahí el SaaS wrapper enfrenta un problema estructural: los costos de infraestructura escalan linealmente con el engagement, pero los usuarios corporativos no toleran que la factura haga lo mismo. La promesa de «productividad infinita» choca contra la realidad de que cada consulta a un LLM tiene un costo marginal no trivial. Cuando ese costo se multiplica por miles de empleados haciendo decenas de consultas diarias, el P&L grita.

El cap de Uber no es una decisión técnica; es una admisión implícita de que el valor generado por el uso interno de IA no justifica el gasto incremental. Si la herramienta realmente multiplicara la productividad de forma medible, la empresa absorbería el costo como inversión. Que prefiera poner techo sugiere que el ROI sigue siendo difuso, o directamente negativo en muchos casos de uso. La IA generativa en manos de empleados sin casos de uso definidos se convierte en un subsidio cruzado: la empresa paga la experimentación, pero no captura el valor.

Amazon vende humo visual en el buscador

La apuesta de Amazon es distinta pero igual de reveladora. Su buscador ahora muestra imágenes generadas de productos que no existen en inventario, por ahora limitado a ropa y artículos del hogar. La lógica declarada: ayudar al usuario a «visualizar» lo que busca antes de mostrárselo. La lógica real: intentar diferenciarse en un mercado donde el buscador es commodity, y donde la competencia con Temu y Shein se juega en la percepción de variedad infinita. Pero mostrar productos inexistentes no es curación; es vaporware visual. El usuario toca la imagen generada, espera encontrar el producto, y descubre que no está disponible o que la versión real no se parece. La fricción aumenta, la conversión cae.

La jugada de Amazon expone una paradoja: la IA generativa es extraordinaria para crear apariencia de abundancia, pero pésima para resolver el problema de fondo del e-commerce, que es conectar demanda real con inventario real. Generar imágenes sintéticas de «suéter azul con cuello redondo» no agrega valor si el catálogo ya tiene 10.000 suéteres azules con cuello redondo. Lo que agrega es ruido, y la ilusión de que Amazon tiene exactamente lo que imaginaste, hasta que descubrís que no. Es el equivalente digital de las fotos de stock en menús de restaurantes: nadie espera que el plato se vea así, pero igual decepciona.

El techo de monetización aparece antes que el product-market fit

Lo que une ambos casos es la ausencia de un modelo donde el valor percibido por el usuario justifique el costo real de cómputo. Uber pone techo porque el gasto escala más rápido que la productividad medible. Amazon inventa productos porque no tiene otra forma de diferenciar un buscador que ya es suficientemente bueno. Ninguna de las dos empresas encontró todavía la métrica que conecte uso de IA con captura de valor. Y mientras eso no ocurra, la IA en producto de consumo masivo seguirá siendo un centro de costo disfrazado de feature.

La compresión de márgenes en wrappers es inevitable: los proveedores de infraestructura (OpenAI, Anthropic, Google) no tienen incentivo para bajar precios mientras la demanda siga creciendo, y las empresas que envuelven esos modelos en UX no pueden trasladar costos lineales a usuarios acostumbrados a precios fijos. El resultado es un squeeze: o subís precios y perdés usuarios, o mantenés precios y quemás caja. Uber eligió la tercera vía: racionar. Amazon eligió la cuarta: distraer con generación sintética.

Qué mirar ahora

La señal a seguir no es cuántas empresas adoptan IA, sino cuántas logran que el uso sostenido sea rentable sin subsidios. Los caps de gasto como el de Uber se van a multiplicar en los próximos trimestres, especialmente en empresas que promovieron adopción interna sin casos de uso claros. Y las tácticas como la de Amazon —usar IA para simular variedad— van a fracasar en cuanto los usuarios aprendan que las imágenes bonitas no garantizan inventario real. El mercado está descubriendo, con facturas y tasas de rebote, que la IA generativa todavía no tiene un modelo de negocio probado en productos de consumo masivo. El cambio de GitHub Copilot hacia facturación por tokens en lugar de flat-fee marca el mismo patrón: el fin del subsidio y el inicio del ajuste de cuentas. Hasta que eso cambie, el techo de monetización va a seguir bajando.