El revenue de IA crece, la fidelidad no: ningún lab tiene moat enterprise

Tres datos de semanas distintas cuentan la misma historia: el mercado enterprise de IA crece a velocidad récord, pero la fidelidad a los proveedores no acompaña. Anthropic publicó un ARR de $65.000 millones —sumando $18.000 millones en apenas dos meses—, y días después OpenAI recuperaba cuota con clientes corporativos exactamente cuando esa cifra era pública. Las empresas, según los datos, no eligieron: siguieron alternando. No es un episodio aislado; es la estructura del mercado revelándose.

El patrón que los datos revelan

Las cifras de ARR de ambos laboratorios no son contradictorias. Anthropic creció $18.000 millones en dos meses; OpenAI recuperó cuota enterprise en el mismo periodo. La reconciliación es simple: el mismo cliente puede usar ambos proveedores en proyectos distintos, o cambiar de uno a otro según qué modelo acaba de liderar el benchmark que usa su equipo de evaluación.

Los datos apuntan a una volatilidad que debería preocupar a los inversores: las empresas están dispuestas a cambiar de bando con cada nueva versión de modelo. Un ciclo que en los últimos doce meses se ha acelerado de trimestral a casi mensual. Para los laboratorios, cada release de modelo es una oportunidad de recuperar clientes; para los clientes, es una excusa para renegociar tarifas.

Por qué los switching costs son estructuralmente bajos

La lógica de incentivos aquí es inusual. En el software empresarial tradicional —ERP, CRM, plataformas de datos— los switching costs son altos porque el cliente carga datos propios, forma equipos, integra con docenas de sistemas internos. Migrar cuesta meses y presupuesto.

En la capa de LLM, los switching costs son asombrosamente bajos. La API es casi estándar, con variaciones mínimas de parámetros. Los prompts son texto plano. Los datos del cliente permanecen del lado del cliente. La integración es superficial. Para cambiar de proveedor, un equipo de ingeniería mediano tarda horas, no meses.

El intento de construir barreras de salida vía privacidad no resuelve el problema de fondo. OpenAI presentó nuevas garantías de protección de datos enterprise para superar a Anthropic, pero las garantías de privacidad no crean switching costs: solo retrasan la comparación. El cliente que confía más en un proveedor por sus políticas puede igualmente cambiar cuando el siguiente modelo lanza y la diferencia de rendimiento justifica el movimiento.

El problema de la caja negra: nadie sabe qué hay dentro de los números

Un factor agrava la lectura: nadie sabe con certeza cómo se usan realmente estos modelos. Anthropic y OpenAI publican los datos que quieren publicar; no existe una fuente independiente que valide retención real, frecuencia de uso activo, o qué porcentaje del ARR viene de contratos anuales versus consumo variable. «No hay fuente independiente que lo corrobore», señalan investigadores especializados en la industria.

Esta opacidad es conveniente para levantar capital, pero hace que el ARR sea un número difícil de interpretar para cualquiera que tome decisiones basándose en él. ¿Es revenue recurrente con contratos de doce meses? ¿O es consumo variable que puede evaporarse si el siguiente modelo del competidor sale un 15% más barato por token? La diferencia entre ambos es la diferencia entre un negocio con foso defensivo y un negocio en camino a comoditizarse.

El contexto agrava la lectura desde el lado del usuario final: a medida que la IA se vuelve más difícil de evitar, los usuarios también se vuelven más cautelosos. La adopción masiva no está produciendo la lealtad que Silicon Valley anticipaba.

Conclusión: la falsificación del moat en doce meses

La tesis es directa: ninguno de los grandes laboratorios construirá un moat enterprise real a través del modelo base en los próximos doce meses. El diferenciador seguirá siendo el benchmark del último release, y las empresas seguirán alternando entre proveedores con cada ciclo de lanzamiento.

Lo que refutaría esta tesis: que OpenAI o Anthropic publiquen datos auditados de retención neta por encima del 90%, con contratos anuales que no dependan del rendimiento comparado del modelo. Si en el primer trimestre de 2027 alguno puede mostrar que menos del 10% de su ARR enterprise cambió de proveedor en los doce meses anteriores, el moat existe.

Para un decisor en LATAM o España, la implicación práctica es útil en el corto plazo: si los switching costs son bajos, la posición negociadora del comprador es alta. Comprometer volumen a un único proveedor sin una cláusula de rendimiento demostrada es dejar dinero sobre la mesa. La estrategia racional es multi-proveedor con evaluación periódica, no lealtad a una marca cuya ventaja competitiva se mide en benchmarks que se actualizan cada mes.