Los modelos baratos erosionan el revenue de IA antes de que llegue el ROI

El consenso del mercado sobre IA tiene una tesis implícita: más adopción equivale a más revenue equivale a más gasto en infraestructura cloud. Durante 2024 y parte de 2025 esa lógica funcionó. Desde entonces, señales acumuladas en el tiempo empezaron a corroer el modelo, y en las últimas dos semanas todas convergieron: el gasto en IA por empleado bajó en agosto, los tokens se abarataron, y plataformas de AI-first cerraron o perdieron usuarios. El problema no es que la adopción falló — es que adoptarla está costando menos de lo que los hiperescaladores modelaron.

El patrón que se acumula desde comienzos de septiembre

El 6 de septiembre, A/I anunció su cierre, declarándose plataforma muerta en un mercado que no encontró disposición a pagar a la escala proyectada. El 8 de septiembre, LibreOffice batió récords de descarga precisamente al anunciar que no tiene IA — la propuesta de valor del software sin asistente generativo encontró demanda real y articulada, consolidando el primer segmento de mercado que vende la ausencia de IA como diferenciador. El 9 de septiembre, un análisis de gasto empresarial concluyó que el gasto en IA por empleado cayó en agosto en las principales firmas, simultáneamente con mínimos históricos en el costo por token.

El arco temporal importa: estas señales no son de agosto. El análisis de Ben Evans sobre IA, herramientas y transformación plantea que la adopción de IA sigue patrones de herramientas anteriores — amplia en superficie, desigual en profundidad. Y AI Cold Showers documenta la fatiga en la adopción enterprise: equipos que probaron herramientas IA, no encontraron el ROI proyectado, y volvieron a flujos de trabajo anteriores. El movimiento no es rechazo a la tecnología — es corrección de expectativas.

El problema de revenue que las proyecciones no incluyeron

La competencia entre labs de IA produjo exactamente lo que la competencia siempre produce: deflación de precios. Los costos por token cayeron drásticamente en 2025 y siguieron en 2026. Para los usuarios, eso es buena noticia. Para AWS, Azure y GCP — que monetizan en gran parte el acceso al compute que corre esos modelos — es una compresión de márgenes que ninguna proyección de 2023 anticipó.

El segundo problema es la paradoja del ahorro. La promesa de la IA para empresas no era que iban a gastar más en software — era que iban a producir más con el mismo equipo. Si esa promesa se cumple, el gasto por empleado baja, la productividad sube, y la empresa captura el valor. El cloud provider cobra menos por más uso relativo. El ROI va al cliente, no al proveedor de infraestructura.

Esto tiene un nombre en teoría de plataformas: el diferencial entre valor creado y valor capturado. Los modelos de IA crean valor enorme para los usuarios finales. La pregunta es quién captura ese valor en la cadena. Los hiperescaladores apostaron a que capturarían una fracción significativa. Los datos de agosto sugieren que esa fracción es menor de lo modelado.

Quién gana y quién pierde en esta compresión

Gana el usuario final: más capacidad de IA a menor costo por transacción. Ganan los labs que tienen modelos propios y acceso directo al usuario — porque la compresión de precios les afecta menos que a los intermediarios de infraestructura. Pierde el hiperescalador que modeló su crecimiento en revenue de IA sobre el supuesto de que el gasto por empresa crecería linealmente con la adopción.

El problema de descubrimiento documentado en AI Has a Discovery Problem agrava el cuadro: incluso cuando los usuarios quieren IA, la fragmentación del mercado dificulta convertir esa intención en gasto recurrente. LibreOffice bate récords de descarga no porque la gente odie la IA — sino porque el producto sin IA resuelve un problema sin el peso de las expectativas y sin la curva de aprendizaje de la integración.

La señal más importante de este ciclo no es el cierre de A/I ni el récord de LibreOffice — es la caída del gasto por empleado. Ese indicador mide lo que las empresas realmente pagan, no lo que declaran en encuestas de adopción. Y en agosto pagaron menos, con modelos mejores disponibles. La elasticidad precio de la IA enterprise está resultando mucho más alta de lo que los modelos de crecimiento de los clouds asumieron. El patrón de quien controla los datos del sector termina capturando el margen opera exactamente al revés para los proveedores de infraestructura genérica: sin esa posición en la cadena, la compresión de precios llega primero y más fuerte.

Conclusión falsable: qué mirar en octubre

La tesis se testea en los resultados de Q3 de los cloud providers, que se publicarán en octubre. Si AWS, Azure y GCP reportan aceleración en revenue de AI workloads por encima del consenso, la tendencia era estacional — doldrums de verano, no cambio estructural. Si en cambio los tres reportan crecimiento en volumen pero compresión en revenue por unidad de compute, la tesis de erosión queda confirmada: el mercado adoptó IA y el dinero no fue donde los hiperescaladores esperaban.

Para un decisor en LATAM o España: el modelo de negocio de la IA se está clarificando. Los proveedores de compute tienen márgenes presionados. Los que construyen sobre los modelos y capturan relación directa con el cliente tienen posición más defendible. Elegir proveedores de IA en función de quién controla la relación con el usuario final — no solo quién tiene el modelo más potente — va a ser un criterio de compra más relevante en los próximos 24 meses que el benchmark de cualquier evaluación técnica.