Startups nativas de AI: cómo los inversores evalúan la capa de aplicaciones de AI

Introducción

La inteligencia artificial se ha convertido en una categoría grande y concentrada de la inversión de capital riesgo. Stanford HAI informa de que la inversión corporativa mundial en AI se multiplicó por más de dos en 2025, y la AI generativa captó casi la mitad de la financiación privada en AI [1]. NVCA informa de que la inversión de capital riesgo en EE. UU. alcanzó niveles récord en el primer semestre de 2026, mientras que la mayor parte del capital invertido se dirigió a empresas de AI y a financiaciones de USD 100 million o más [2]. Carta registra USD 119.5 billion captados por empresas de su plataforma en 2025 en 4.859 rondas, el menor número anual de rondas en al menos seis años; sus datos de Serie A muestran una prima de valoración mediana del 38% para las empresas de AI [3]. La OCDE informa de que la inversión relacionada con AI superó la mitad de la inversión total de capital riesgo en 2025 [6].

Estas cifras describen los mercados de capitales, no la calidad de la inversión. Una etiqueta como «nativa de AI» puede referirse a un producto cuyo resultado para el cliente depende de la inferencia de máquinas, a un producto de software convencional que añadió una interfaz de modelo, a una empresa de servicios que utiliza AI internamente, a una empresa de flujos de trabajo con una evaluación y un bucle de datos propios, o a una narrativa del fundador con evidencia de producción limitada. Cada caso tiene un perfil distinto de producto, riesgo, margen, distribución y capital.

El problema de la suscripción es, por tanto, probatorio. Un inversor necesita establecer qué hace la aplicación, qué resultado del cliente cambia, qué parte del flujo de trabajo está automatizada, qué dependencias de modelos y datos son relevantes, cómo se evalúa la calidad, cómo se controlan los fallos, cómo compran y retienen los clientes el producto, cómo se convierte el ingreso en efectivo, cómo cambia el coste de servicio con el uso y qué derechos permiten operar a la empresa. Un fundador necesita la misma evidencia para gestionar la empresa y preparar un proceso de financiación creíble.

La proposición central del artículo es que el resultado aceptado del cliente ajustado por calidad es la unidad operativa correcta. Un resultado aceptado es una tarea o decisión del cliente completada que cumple criterios definidos de calidad, autoridad y evidencia. Los ejemplos incluyen un memorando de crédito revisado, una solicitud de cliente resuelta, una clasificación de facturas aceptada, un cambio de software publicado, una comprobación de cumplimiento completada o un diseño aprobado por el cliente. Los tokens, las llamadas, las generaciones, los agentes y las puntuaciones de referencia de los modelos son insumos técnicos. Adquieren relevancia económica cuando contribuyen a resultados aceptados, clientes retenidos y beneficio bruto cobrado.

Siguen siete principios de suscripción. Primero, la etiqueta nativa de AI debe traducirse en un flujo de trabajo y una arquitectura observables. Segundo, la empresa debe evidenciar el rendimiento del modelo en tareas representativas de clientes. Tercero, la calidad de los ingresos requiere evidencia de contratos, facturas, cobros, cohortes, concesiones y concentración. Cuarto, el margen bruto requiere un registro de costes completo por resultado, incluidos los costes de revisión humana y fiabilidad. Quinto, los proveedores de modelos y de nube forman parte de la cadena de suministro del producto. Sexto, los derechos sobre los datos, la privacidad, la propiedad intelectual, la seguridad y el rol regulatorio determinan dónde y cómo puede venderse el producto. Séptimo, el caso de inversión debe resistir un choque de precios de modelos, una regresión de calidad, la retirada de un proveedor, la pérdida de un cliente y un ciclo de ventas más lento.

El corte de evidencia es el 1 de agosto de 2026. El análisis utiliza informes oficiales de mercado actuales, presentaciones de valores, documentación de proveedores, material de reguladores, legislación, estándares y recursos de seguridad. No se suministró ninguna empresa, fundador, fondo, cliente, producto, contrato, cohorte, sala de datos, suite de evaluación, registro de costes, tabla de capitalización ni memorando de inversión. Todos los volúmenes calculados, precios, costes, tasas de conversión, efectos de productividad y datos de entrada de valoración son supuestos de modelización hipotéticos. Los ingresos atribuidos a Matchpoint o al cliente, la reducción de costes y la reducción de pérdidas siguen siendo USD 0.

Alcance, definiciones y límites de la evidencia

Capa de aplicación

La capa de aplicación convierte modelos, datos, software y trabajo humano en un producto utilizado para un flujo de trabajo específico del cliente. Puede incluir interfaces de usuario, lógica de aplicación, recuperación, memoria, herramientas, enrutamiento de modelos, prompts, ajuste fino, evaluación, control de acceso, observabilidad, facturación y soporte. La empresa de aplicación puede utilizar modelos propietarios, de terceros o de pesos abiertos. Su defensibilidad puede surgir de la integración del flujo de trabajo, los derechos sobre datos propietarios, los activos de evaluación, la distribución, los costes de cambio, los permisos regulados, la confianza del cliente o el aprendizaje operativo.

La capa de modelo proporciona inferencia o pesos del modelo. La capa de infraestructura proporciona cómputo, almacenamiento, orquestación y despliegue. Estos límites pueden solaparse. Una empresa que ajusta finamente o aloja un modelo sigue necesitando demostrar cómo el modelo cambia el resultado del cliente y cómo la aplicación captura valor.

Clasificación nativa de AI

Una clasificación nativa de AI debería basarse en evidencia. La clasificación no requiere una arquitectura técnica. Requiere dependencia material de la inferencia automática dentro de la cadena de valor del cliente, un producto diseñado en torno a esa capacidad y un sistema operativo que mida su calidad y su economía.

El resultado puede registrarse como servicio nativo de AI, habilitado por AI, asistido por AI o no verificado. La etiqueta es una conclusión de diligencia debida, no una conclusión de valoración.

Clases de evidencia

Toda afirmación material debe recibir una clase y un responsable. La evidencia observada procede de un sistema de registro controlado. La evidencia reproducida de forma independiente procede de una repetición de prueba realizada por el inversor, el asesor o un tercero cualificado. La evidencia atestiguada por el cliente procede de un representante autorizado del cliente identificado por su nombre y debe conciliarse con los datos del sistema cuando sea posible. La evidencia estimada por la dirección se etiqueta y se respalda con un método. Las afirmaciones no respaldadas permanecen como cuestiones abiertas.

Comparables públicos e informes de mercado

Los documentos públicos demuestran métodos analíticos y posibles variaciones económicas. Palantir reportó USD 4.475 billion de ingresos de 2025, un margen bruto del 82% y 954 clientes [7]. UiPath reportó USD 1.611 billion de ingresos del ejercicio fiscal 2026, USD 1.853 billion de run-rate anualizado de renovaciones y un margen bruto del 83% [8]. C3 AI reportó USD 250.3 million de ingresos del ejercicio fiscal 2026 y un margen bruto GAAP del 31% [9]. Duolingo reveló que el aumento de los costes de AI generativo y de alojamiento redujo el margen bruto durante 2025 y posteriormente describió la inversión continuada en infraestructura de AI [10].

Estas empresas difieren en escala, producto, despliegue, combinación de clientes, servicios, contabilidad y madurez. Sus métricas no determinan el margen bruto ni la valoración de una startup privada. Muestran por qué un inversor debería evitar una suposición genérica de márgenes de software AI.

Los informes de mercado también tienen límites. Los datos publicados por Carta se agregan a partir de empresas y tenedores de valores de su plataforma y excluyen a las empresas que solicitaron ser excluidas de estudios anonimizados [3-5]. El informe de NVCA cubre el ecosistema de capital riesgo de EE. UU. con PitchBook como proveedor de datos [2]. La OCDE utiliza datos de Preqin en su AI informe breve de capital riesgo [6]. Stanford HAI combina múltiples fuentes públicas y propietarias [1]. El artículo mantiene el alcance de cada fuente.

Límites legales, de inversión y de autoría

Este artículo no determina si un producto está regulado, si el tratamiento es lícito, si los derechos de propiedad intelectual son válidos, si un valor es adecuado, si una valoración es justa o si debería realizarse una inversión. Esas decisiones requieren el contrato aplicable, los hechos, la jurisdicción y la autoridad competente.

Matchpoint Partners es el autor organizacional. No se atribuye a una persona identificada el desempeño de ningún fundador, la opinión de ningún inversor ni el resultado de ningún cliente.

Mapa de decisiones para inversores y fundadores

decisiones de los inversores

Los inversores necesitan una respuesta por etapas a cinco preguntas. ¿El problema del cliente es valioso y recurrente? ¿El producto genera un resultado aceptado por el que los clientes estén dispuestos a pagar? ¿Puede la empresa mantener la calidad y el control durante los cambios de modelo y de mercado? ¿Los ingresos retenidos generan características atractivas de beneficio bruto y de caja? ¿El precio de la financiación está respaldado por la evidencia y el escenario adverso?

Decisiones del fundador

La misma evidencia respalda el control del fundador. Un fundador debe saber qué resultado para el cliente impulsa la retención, qué fallo causa el mayor daño al cliente, qué dependencia de proveedores limita la escala, qué cohorte genera beneficio bruto y qué hito merece la siguiente unidad de capital.

Repositorio compartido de evidencia

El inversor y el fundador deberían trabajar desde el mismo repositorio de evidencia conciliado. Una interpretación diferente es legítima. Unos números subyacentes diferentes crean un riesgo evitable.

Contexto de mercado y el problema de concentración de capital de AI

Prima y selección

El crecimiento del capital de AI amplía el conjunto de oportunidades y aumenta la presión de selección. Los datos de Carta para 2025 muestran más capital en menos rondas y una prima de valoración de AI desde la Serie A en adelante [3]. Su investigación sobre la fase seed señala equipos iniciales más reducidos, plazos de captación de fondos más largos y una brecha cada vez mayor entre las valoraciones típicas y las de primer nivel, especialmente para empresas de AI [4]. Su informe de remuneración del segundo semestre de 2025 describe los efectos en capital y talento impulsados por AI, al tiempo que hace hincapié en equipos más pequeños en las primeras etapas [5].

El inversor debería, por tanto, distinguir una prima de categoría de la evidencia de la empresa. Una valoración puede reflejar escasez, competencia, valor de opción estratégica, tamaño de mercado, crecimiento, retención, equipo, tecnología, derechos sobre datos o impulso. Cada factor impulsor necesita su propia evidencia y tratamiento del escenario adverso.

Disciplina de dimensionamiento de mercado

Un mercado de capa de aplicación debe partir de las unidades de cliente y del gasto en flujos de trabajo. Los totales top-down de AI pueden contextualizar la adopción. No permiten establecer ingresos obtenibles.

Para una empresa vertical AI, el modelo de mercado debería incluir el número de empresas objetivo, departamentos elegibles, frecuencia del flujo de trabajo, coste actual, permiso requerido, carga de integración, responsable del presupuesto y adopción plausible. Para un producto horizontal, la segmentación por caso de uso y comprador evita un cálculo superficial del total de licencias.

Probabilidad de captación de fondos y autonomía financiera

La evidencia de mercado respalda un entorno de financiación concentrado. No establece que una empresa determinada pueda captar fondos. El plan de financiación debería incluir un caso sin captación, un caso de captación retrasada y un caso de precio inferior. Debería mostrar caja mensual, coste comprometido, coste discrecional, disparadores de contratación, compromisos con proveedores, capital circulante y autonomía operativa mínima.

Estos casos son supuestos hipotéticos de modelización. Demuestran la mecánica de planificación. No predicen la disponibilidad de financiación, la valoración ni el retorno.

La prueba nativa de capa de aplicación de AI

Resultado para el cliente antes de la capacidad del modelo

La primera sesión de diligencia debida debería reconstruir un flujo de trabajo del cliente sin el producto. El equipo registra el desencadenante, la entrada, el operador, la decisión, la salida, la revisión, la excepción, el tiempo transcurrido, el coste del error y la autoridad. Después reconstruye el mismo flujo de trabajo con el producto. La comparación identifica qué pasos desaparecen, cambian, se aceleran o requieren nuevos controles.

El ejercicio pone de manifiesto errores de categoría. Un borrador más rápido puede aumentar el esfuerzo de revisión. Un menor tiempo de tramitación puede aumentar las correcciones o los escalados. Una mayor tasa de automatización puede ocultar una menor aceptación por parte del cliente. Un producto que genera más resultados puede reducir el valor si los usuarios no pueden verificarlo dentro de su ventana de decisión.

Resultado de cliente aceptado

Un resultado aceptado tiene cinco elementos. La tarea está definida. La evidencia de origen es suficiente. La salida supera los umbrales de calidad y de política. La persona o el sistema autorizado la acepta. El resultado llega al flujo de trabajo del cliente. Una respuesta generada que se descarta, un borrador que requiere una recreación completa y una decisión automatizada revertida por revisión son salidas producidas, no resultados aceptados.

La empresa debe medir los resultados aceptados por cliente y cohorte. Las medidas útiles incluyen la aceptación en primera pasada, el resultado aceptado por usuario activo, los minutos de revisión por resultado aceptado, la tasa de excepciones, la tasa de correcciones, la tasa de incidentes, la escalada del cliente y el tiempo hasta la aceptación. La definición debe ser lo suficientemente estable para el análisis por cohortes y lo suficientemente específica para evitar la inflación de volumen.

Registro de afirmaciones

La acción de cumplimiento de la SEC en relación con las declaraciones AI demuestra la importancia de las manifestaciones precisas [12]. Una financiación privada también depende de afirmaciones fiables. El registro de afirmaciones recoge cada aserción material utilizada en la presentación, el data room, la propuesta al cliente y el memorando de inversión.

El registro de afirmaciones también ayuda a los fundadores. Las afirmaciones no respaldadas pueden corregirse antes de un proceso de financiación. Las estimaciones de la dirección pueden convertirse en evidencia observada mediante pruebas estructuradas.

Círculo virtuoso de la evidencia

Una aplicación defendible puede construir un círculo virtuoso de la evidencia lícito y útil. Las tareas de los clientes generan datos de uso con consentimiento o permitidos contractualmente. Las señales de revisión y de resultado mejoran la evaluación. Las evaluaciones mejoran el enrutamiento, el flujo de trabajo y las decisiones de lanzamiento. Unos resultados con mejor aceptación mejoran la adopción y la retención. El uso retenido genera evidencia más representativa. Cada eslabón necesita derechos, calidad y valor económico.

El inversor debe rechazar una afirmación circular de foso de datos. Más datos solo tienen valor cuando están permitidos, son relevantes, están suficientemente etiquetados, se incorporan a un proceso de mejora controlado y resultan difíciles de reproducir para un competidor.

Valor del producto, flujo de trabajo del cliente y evidencia de producto-mercado

Línea de base y contrafactual

El valor del producto necesita una línea base. La línea base puede ser el trabajo humano actual, reglas, software existente, servicio externalizado o no hacer nada. El escenario contrafactual debe reflejar lo que el cliente haría realmente sin el producto. Comparar un producto con un proceso manual poco realista sobrestima el valor.

La evidencia temprana más sólida es una comparación representativa dentro del mismo cliente. Utiliza la misma familia de tareas, requisitos de servicio y ventana de decisión. Registra diferencias en los insumos, efectos de selección y revisión. Las pruebas aleatorizadas pueden ser apropiadas para funcionalidades del producto. Los flujos de trabajo operativos y regulados pueden requerir períodos emparejados, despliegue escalonado o uso en la sombra controlado.

Puente de productividad e ingresos

La productividad se convierte en una propuesta de valor para el cliente cuando este puede reasignar capacidad, reducir el coste real, atender más demanda, mejorar el tiempo hasta la obtención de ingresos o reducir la pérdida cuantificada. Los ingresos se convierten en valor para la empresa cuando el uso contratado se transforma en beneficio bruto cobrado y retenido.

Escalera de evidencia del cliente

Las cartas de intención, el memorando de entendimiento, el piloto no remunerado, el piloto remunerado, el contrato de producción y la renovación cobrada deben reportarse por separado. Los logotipos no sustituyen esta clasificación.

Protocolo de referencias de clientes

Una referencia de cliente debe estar autorizada y estructurada. El entrevistador confirma el problema, el flujo de trabajo previo, el proceso de compra, el despliegue, el tiempo hasta el valor, la calidad, las excepciones, el soporte, la frecuencia de uso, la amplitud de usuarios, el precio, la intención de renovación y las alternativas. El inversor registra la relación de la persona entrevistada con la compra y el uso diario.

La referencia es evidencia atestiguada por el cliente. Es más sólida cuando se concilia con los registros contractuales, de producto y financieros. Un promotor seleccionado por el fundador puede aportar detalles valiosos y puede que no represente las opiniones de compras, seguridad, finanzas ni usuarios finales.

Distribución y modelo de ventas

Las aplicaciones AI pueden utilizar ventas lideradas por fundadores, adopción liderada por el producto, ventas empresariales directas, marketplaces, socios de nube, integradores de sistemas, socios de canal y distribución integrada. Cada modelo tiene costes, control, tiempo y concentración distintos.

Arquitectura técnica, cadena de suministro de modelos y portabilidad

Evidencia de arquitectura

La arquitectura debe mostrar el recorrido completo desde el usuario y el sistema de origen hasta el resultado aceptado. Incluye identidad, permisos, movimiento de datos, recuperación, prompts, rutas de modelos, herramientas, ejecución de código, salvaguardas, revisión humana, almacenamiento, observabilidad y facturación. El diagrama debe distinguir entre entornos de clientes, sistemas de la empresa y terceros.

Registro de proveedores

OpenAI, Anthropic, Google y AWS publican estructuras de precios diferentes para modelos, almacenamiento en caché, procesamiento por lotes, herramientas, contexto y despliegue [13-16]. Google también publica información sobre el ciclo de vida de modelos y endpoints, incluidas las retiradas [17]. El registro consigna el servicio exacto utilizado, no solo la marca del proveedor.

Los precios de lista pueden cambiar y el gasto real depende de la entrada, la salida, los reintentos, la caché, el uso de herramientas, el contexto, la modalidad y el volumen. La diligencia debida debe conciliar las líneas de factura con la telemetría del producto durante un periodo representativo.

Concentración y cambio de proveedor

El estudio de la FTC sobre asociaciones seleccionadas entre proveedores de nube y desarrolladores de AI recoge compromisos de gasto en la nube, características de exclusividad, acceso a información sensible y posibles costes de cambio [11]. El informe se refiere a esas asociaciones y no establece los términos de una empresa privada de aplicaciones. Proporciona una lente útil para la diligencia debida.

La concentración se mide en función del gasto, los resultados aceptados, las funcionalidades críticas, las regiones y los clientes. Una empresa puede parecer multimodelo mientras un solo proveedor gestiona todas las tareas críticas para los ingresos. Un mecanismo de respaldo que supera una prueba sintética aún puede fallar con herramientas de cliente, contexto largo, comportamiento de seguridad, salida estructurada o latencia.

Prueba de portabilidad

Una prueba de portabilidad ejecuta una batería de evaluación representativa contra un modelo o despliegue alternativo. Registra cambios de código, cambios de prompt, diferencias de esquema de salida, calidad, carga de revisión, latencia, coste, seguridad, condiciones de datos y tiempo de migración. El resultado puede ser portable, parcialmente portable o concentrado.

El inversor debería modelar al menos tres shocks: un aumento del 50% en el coste unitario del modelo, la retirada del modelo principal en un plazo de 90 días y la limitación de capacidad durante el uso en horas punta. Estos porcentajes y periodos son datos hipotéticos a modo de ejemplo ilustrativo. La dirección debería sustituirlos por su evidencia contractual y operativa.

Dependencia de pesos abiertos y licencias

La Licencia Comunitaria de Llama 4 de Meta otorga derechos especificados e incluye términos de redistribución, atribución, uso aceptable y relacionados con la escala [22]. Otros modelos de pesos abiertos tienen licencias diferentes. Pesos abiertos no significa sin restricciones. La empresa debería conservar la versión exacta de la licencia, la ficha del modelo, la fuente de descarga, las modificaciones, los avisos, la revisión de uso aceptable y el análisis de redistribución.

Evaluación, fiabilidad, seguridad y controles operativos

Contrato de evaluación

El RMF de AI del NIST utiliza las funciones gobernar, mapear, medir y gestionar [23]. Su Perfil de AI generativa identifica riesgos de AI generativa y acciones recomendadas [24]. La guía actual de OpenAI sobre modelos recomienda una evaluación de tareas representativa antes de la migración o la optimización [29]. La guía de evaluación de Anthropic comienza con criterios de éxito específicos, medibles y relevantes [30]. Estas fuentes respaldan una disciplina de lanzamiento práctica.

Un contrato de evaluación define la población de tareas, la muestra, la verdad de referencia, el evaluador, las dimensiones, el umbral, la gravedad, el subgrupo, el modelo/versión, el prompt, el entorno de herramientas y la decisión de lanzamiento. El conjunto de pruebas debe incluir casos normales, difíciles, adversariales, incompletos y fuera del alcance.

Lanzamiento y monitorización

Un solo benchmark no es suficiente. Los lanzamientos pueden cambiar la versión del modelo, el prompt, las herramientas, la recuperación, las políticas, el código, los datos y la configuración del cliente. La empresa debe conservar un manifiesto de lanzamiento y volver a ejecutar la batería de pruebas requerida. Después, la monitorización en producción compara la aceptación, los fallos, la latencia y el coste con las expectativas del lanzamiento.

Evidencia de fiabilidad e incidentes

La fiabilidad se mide en la frontera del resultado aceptado. La disponibilidad puede ser alta mientras una herramienta crítica falla de forma silenciosa. Un modelo puede responder mientras proporciona un esquema no válido. Un flujo de trabajo puede completarse después de la ventana de decisión del cliente. El registro de incidentes debe incluir fallos de proveedores, calidad degradada, errores de recuperación, datos obsoletos, errores de herramientas, eventos de seguridad, anomalías de gasto y acumulación de revisiones humanas pendientes.

Garantía

El perfil comunitario del SSDF del NIST añade prácticas de AI generativa al desarrollo seguro de software [25]. CISA y NCSC abordan el diseño, desarrollo, despliegue y operación seguros de sistemas de AI [26]. OWASP identifica riesgos como la inyección de prompt, la divulgación de información sensible, las vulnerabilidades de la cadena de suministro y el consumo ilimitado [27]. MITRE ATLAS proporciona una base de conocimiento de amenazas en evolución para sistemas de AI predictivos, generativos y agénticos [28].

Las certificaciones de seguridad y las pruebas de penetración son evidencia dentro de su alcance y fecha. No sustituyen a la revisión de arquitectura, el historial de incidentes ni los controles específicos del cliente.

Derechos sobre los datos, privacidad, regulación y propiedad intelectual

Términos exactos del servicio

OpenAI declara que las entradas y salidas de negocio y de API se excluyen del entrenamiento de forma predeterminada [18]. Su acuerdo de servicios establece la relación comercial y los derechos de contenido pertinentes [19]. Anthropic publica información sobre el uso de datos de productos comerciales [20]. Los términos de Gemini API de Google distinguen entre servicios no remunerados y de pago, incluido el uso del contenido enviado y la revisión humana para los servicios no remunerados, y un tratamiento diferente para los servicios de pago [21]. La guía de retención cero de datos de Google identifica configuraciones y funciones del producto relevantes para la conservación [40].

Estos términos pueden cambiar. La empresa debe conservar documentos contractuales fechados, configuraciones de cuenta y evidencia de flujos de datos. Una respuesta de privacidad basada únicamente en la declaración pública de marca de un proveedor es incompleta.

Registro de derechos sobre los datos

El registro debe consignar la calidad y la utilidad de los datos por separado de los derechos jurídicos. Los datos lícitos pueden ser irrelevantes. Los datos útiles pueden ser inutilizables porque falta el derecho necesario.

Protección de datos de UAE, DIFC, ADGM, Arabia Saudí y Reino Unido

El Decreto-Ley Federal n.º 45 de 2021 de UAE establece un marco federal de datos personales dentro de su ámbito de aplicación [33]. La Regulación 10 del DIFC aborda el tratamiento de datos personales mediante sistemas autónomos y semiautónomos [34]. Las orientaciones de ADGM abordan la toma de decisiones individuales automatizada, incluida la necesidad de una revisión humana significativa en los casos pertinentes [35]. La PDPL de Arabia Saudí y el marco de implementación establecen obligaciones para los responsables del tratamiento dentro de su ámbito de aplicación [36]. La Oficina del Comisionado de Información del Reino Unido publica AI orientaciones que abarcan la licitud, la lealtad, la transparencia, la limitación de la finalidad, la minimización, la exactitud, la conservación, la seguridad y la responsabilidad [37].

Esta tabla es un índice de diligencia debida. No es una conclusión jurídica.

Roles y transparencia en el Reglamento de AI de la UE

El Reglamento de AI de la UE distingue entre proveedores de modelos, proveedores de sistemas, responsables del despliegue y otros operadores, y aplica obligaciones según el rol y el riesgo [31]. La Comisión Europea señala que las obligaciones de transparencia del artículo 50 se aplican desde el 2 de agosto de 2026, con un régimen transitorio específico para determinados sistemas introducidos en el mercado con anterioridad [32]. Una empresa GCC puede quedar dentro del ámbito de aplicación mediante la introducción del producto en el mercado, el despliegue o las personas afectadas en la Unión, según los hechos.

La matriz de roles por producto debe completarse para cada caso de uso y jurisdicción. Una empresa puede ser proveedora de una funcionalidad, responsable del despliegue de otra e integradora posterior de un modelo de uso general de terceros. La redacción contractual debe alinearse con la arquitectura y el control reales.

Procedencia de derechos de autor, patentes y código

La Oficina de Derechos de Autor de EE. UU. ha publicado informes que abordan las réplicas digitales, la protección por derechos de autor de los resultados generativos de AI y el entrenamiento de AI [38]. La guía revisada de la USPTO de noviembre de 2025 señala que los criterios ordinarios de autoría de invenciones se aplican a las invenciones asistidas por AI y que solo las personas físicas pueden ser inventores [39]. Los acuerdos con proveedores y las licencias de modelos abiertos asignan y reservan derechos diferentes [19,21,22].

El código generado debe superar los mismos controles de revisión, prueba, seguridad, procedencia y licencia que el código escrito por humanos. La diligencia debida debe muestrear commits y dependencias en lugar de basarse únicamente en un documento de políticas.

Calidad, retención y distribución de los ingresos

Del contrato al cobro

El análisis de suscripción de ingresos comienza con un puente a nivel de cliente. El puente enlaza la oportunidad, el contrato firmado, la obligación de desempeño, el acceso al producto, el uso, los resultados aceptados, la factura, el cobro, el crédito, la concesión, la renovación y la expansión. También identifica las relaciones con revendedores, partes relacionadas, la red de fundadores y socios estratégicos.

Los ingresos recurrentes anuales (ARR) deben contar con una política escrita. El inversor debe comprobar si se incluyen los pilotos, los compromisos de consumo, la implementación, los servicios profesionales, los contratos no cancelables, los mínimos de uso, las tarifas únicas y las facturas vencidas. El ARR reportado debe conciliar con un calendario de clientes y el libro mayor conforme a la política.

Cohortes

Una cohorte agrupa clientes comparables por período de inicio, segmento, producto, contrato o fuente de adquisición. La retención de ingresos debe mostrarse tanto en términos brutos como netos. La retención de clientes debe situarse junto a la retención de ingresos, ya que un cliente en expansión puede ocultar una pérdida generalizada de clientes.

La empresa debe divulgar el tamaño y la antigüedad de la cohorte. Una cohorte joven puede mostrar una alta retención neta antes de la primera renovación significativa. Un cliente con un despliegue inicial grande puede generar contracción sin insatisfacción. La evidencia debe explicar la variación.

Concentración

La concentración se mide por ingresos, beneficio bruto, cobro, resultados aceptados, pipeline y derechos críticos sobre datos. Un cliente con altos ingresos puede tener un margen bajo debido a infraestructura dedicada, servicios, soporte o consumo de modelo. Un socio de diseño con bajos ingresos puede ser crítico en términos operativos porque el producto depende de sus datos o de su experiencia en el dominio.

Eficiencia de ventas

El coste de adquisición de clientes debe incluir la retribución de ventas, marketing, eventos, tiempo del fundador, comisiones de canal, ingeniería de soluciones, diligencia de seguridad, pilotos e implementación cuando sean necesarios para ganar la cohorte. El payback utiliza el beneficio bruto de la cohorte en lugar de los ingresos.

Una empresa en fase inicial puede informar sobre la actividad subyacente incluso cuando no disponga de un CAC estable. La evidencia útil incluye horas del fundador por etapa, número de revisiones de seguridad, duración del piloto, esfuerzo de implementación, motivos de ganancia y pérdida, y tiempo desde la firma hasta la aceptación en producción.

Economía unitaria, margen bruto y plan de capital

Registro de costes por resultado

El precio de los tokens del proveedor es solo una línea de coste [13-16]. El coste total de un resultado aceptado puede incluir acceso a sistemas de origen, procesamiento de documentos, embeddings, recuperación, almacenamiento de contexto, entrada y salida del modelo, almacenamiento en caché, fundamentación, herramientas, ejecución de código, reintentos, llamadas fallidas, orquestación, observabilidad, seguridad, revisión humana, soporte e infraestructura específica del cliente.

Puente ilustrativo de beneficio bruto

Supongamos, únicamente a efectos ilustrativos, que un cliente compra 10.000 resultados aceptados al mes a USD 1.20 cada uno. Los ingresos mensuales son USD 12,000.. El coste de modelo y recuperación es USD 1,650; el coste de herramientas e infraestructura es USD 900; el coste de revisión humana es USD 1,800; el coste de asignación de soporte y fiabilidad es USD 750.. El beneficio bruto ilustrativo es USD 6,900 y el margen bruto es del 57,5 %.

Todos los datos de entrada de este ejemplo son supuestos hipotéticos de modelización. No demuestran ningún resultado de ninguna empresa ni de ningún cliente. Los ingresos atribuidos, la reducción de costes y la reducción de pérdidas se mantienen en USD 0.

Descomposición del margen

La variación del margen debe descomponerse por precio, volumen, mix, ruta del modelo, tamaño de prompt/contexto, caché, uso por lotes, tasa de revisión, tasa de fallos, servicio específico del cliente y clasificación contable. La divulgación de Duolingo de 2025 que relaciona AI generativa y los costes de alojamiento con la variación del margen bruto ilustra por qué el coste directo de AI debe incluirse en el puente [10]. Los diferentes márgenes brutos reportados por Palantir, UiPath y C3 AI ilustran la variación de producto y modelo de negocio [7-9].

Un precio del proveedor a la baja puede mejorar el margen. También puede favorecer la competencia de precios, permitir la entrada de nuevos competidores o respaldar una ruta de modelo de mayor calidad que preserve el coste unitario. La suscripción debe modelar la respuesta de la compañía en lugar de asumir que todos los ahorros del proveedor quedan en manos de los accionistas.

Intensidad de capital

Las empresas de aplicaciones pueden ser poco intensivas en capital o intensivas en capital. Los requisitos de capital aumentan con ciclos de venta empresarial largos, despliegues dedicados, adquisición de datos, entrenamiento de modelos, capacidad garantizada, permisos regulados, requisitos de seguridad, operaciones humanas y capital circulante. El gasto comprometido en la nube puede crear una obligación fija antes de que llegue el volumen de clientes.

Puente de runway

El modelo de runway debe partir del efectivo verificado por el banco y conciliar los cobros y pagos mensuales. A continuación, la dirección aplica los criterios de contratación, de proveedores, de ventas y regulatorios. El consejo debería ver los casos base, de retraso, de menores ingresos, de shock de costes y de no ampliación de capital.

El plan debe distinguir entre gasto comprometido, contratado, aprobado, discrecional y no aprobado. El uso de los fondos pasa a ser una lista de hitos de evidencia: aceptación de producción, evaluación representativa, cohorte de renovación, umbral de margen bruto, migración de proveedor, requisito de seguridad o paso de licencia.

Scorecard de suscripción, memorando de inversión y escenario pesimista

Diseño del scorecard

El scorecard registra la suficiencia de la evidencia, no el carisma del fundador ni el entusiasmo por la categoría. Cada dominio recibe un estado: verificado, parcialmente verificado, estimado por la dirección, sin respaldo o adverso. Una puntuación numérica puede apoyar la consistencia, pero no debe ocultar un problema crítico.

Las ponderaciones son supuestos hipotéticos de modelización. El comité de inversiones debe aprobar sus propias ponderaciones y posiciones críticas.

Paquete de evidencia del memorando de inversión

Escenarios adversos

Todos los shocks son datos de entrada de ejemplo, ilustrativos e hipotéticos. El equipo de diligencia debida debería sustituirlos por evidencia específica de la empresa y niveles de severidad aprobados por el comité.

Valoración y estructura

El análisis de valoración debería separar la evidencia actual del valor de opción. El valor actual puede usar ingresos observados, retención, beneficio bruto, crecimiento y características de caja. El valor de opción puede reflejar nuevos productos, geografías, conjuntos de datos o capacidad del modelo, y debería incorporar probabilidad, capital y tiempo.

La estructura puede abordar las brechas de evidencia mediante financiación por etapas, hitos, reservas, derechos de información, derechos de consentimiento, derechos de consejo de administración, vesting de fundadores, pools de opciones y garantías. La asesoría jurídica debería redactar y evaluar la transacción. Los hitos deberían estar dentro del ámbito de influencia de la dirección y definirse mediante evidencia auditable.

Manuales de fundadores e inversores.

Índice de la sala de diligencia debida para fundadores.

El fundador debe conservar los registros originales y proporcionar conciliaciones en lugar de una colección seleccionada de capturas de pantalla favorables. Los datos personales y que permitan identificar a clientes solo deben compartirse con la autoridad y los controles adecuados.

Trabajo de campo del inversor

El inversor comienza con una lista de solicitudes y un mapa de evidencia. Toma una muestra de clientes entre los grupos de clientes retenidos, ampliados, piloto, abandonados y oportunidades perdidas. Reproduce una evaluación acotada. Sigue contratos seleccionados hasta el uso, las facturas y el efectivo. Concilia las facturas del proveedor con la telemetría. Toma una muestra de la titularidad del código fuente y los derechos sobre los datos. Prueba una migración de proveedor. Revisa incidentes y la información al consejo.

Preguntas para la dirección

1. ¿Qué resultado exacto para el cliente se acepta, por quién y bajo qué umbral de calidad?
2. ¿Qué tarea de producción falla con más frecuencia y cuál es su consecuencia para el cliente?
3. ¿Qué resultado de productividad reportado cuenta con una línea base observada y un contrafactual?
4. ¿Qué proveedor, modelo o herramienta es crítico para los ingresos retenidos?
5. ¿Cuánto tardaría una migración representativa y cuándo se probó por última vez?
6. ¿Qué afirmación sobre datos tiene la evidencia de derechos más débil?
7. ¿Qué cohorte de clientes genera el mayor beneficio bruto cobrado?
8. ¿Qué cliente requiere más revisión o soporte humano?
9. ¿Qué afirmación relevante del pitch deck sigue siendo una estimación de la dirección?
10. ¿Qué resultado llevaría a la dirección a restringir, rediseñar o detener el producto?
11. ¿Qué plan de caja se aplica si la próxima financiación se retrasa seis meses?
12. ¿Qué hito convierte la mayor incertidumbre restante en evidencia?

Hoja de ruta con puertas de decisión de 12 a 18 meses

La hoja de ruta comienza con la definición y la conciliación. Avanza mediante la evaluación representativa, la evidencia de producción, la economía retenida y la preparación para la financiación. El calendario depende del estado de la empresa, del proceso del cliente y de los requisitos regulatorios.

La hoja de ruta es una secuencia de hitos de evidencia. Una empresa puede avanzar más rápido cuando ya existe evidencia fiable. Puede permanecer en una fase cuando un hito no se supera. La decisión puede ser avanzar, restringir, rediseñar, mantener como investigación o detener.

Limitaciones, agenda de investigación y conclusión

Este artículo presenta un marco de diligencia debida basado en evidencia pública. No informa sobre una inversión, una cohorte de clientes, una evaluación de producción ni un retorno financiero. Los datos de mercado describen conjuntos de datos y periodos diferentes. Los documentos presentados por empresas cotizadas describen negocios maduros con perfiles económicos que pueden no parecerse a los de una startup de aplicaciones privada. Los precios y términos de los proveedores pueden cambiar después de la fecha de corte de la evidencia.

El marco requiere evidencia de la empresa para su implementación. La investigación futura debería analizar cohortes anonimizadas de contrato a efectivo, la economía de resultados aceptados, eventos de migración de modelos, costes de incidentes y resultados de valoración en distintas categorías de aplicaciones. Los estudios comparativos deberían informar los límites completos de carga de trabajo, modelo, prompt, herramienta, revisión, latencia, fallo y coste. La investigación de GCC debería distinguir los contextos legales federal, de DIFC, de ADGM y de Arabia Saudí, y utilizar análisis jurídico cualificado.

La conclusión de inversión es disciplinada. La evaluación de aplicaciones nativas de AI comienza con un flujo de trabajo del cliente valioso y un resultado aceptado ajustado por calidad. Después sigue la evidencia a través de la arquitectura, la cadena de suministro de modelos, la evaluación, los derechos sobre los datos, el uso en producción, el contrato, el cobro, la cohorte, el coste y el control. La empresa obtiene una clasificación nativa de AI cuando esta cadena es material y reproducible. Obtiene un caso de inversión cuando el valor retenido del cliente, el beneficio bruto, la gobernanza y el precio de financiación siguen siendo creíbles en un escenario adverso.

Para los inversores, el marco convierte el entusiasmo por la categoría en un registro de afirmaciones, un plan de trabajo de campo, un cuadro de mando y un memorando basado en evidencia. Para los fundadores, crea un sistema de gestión para la calidad del producto, el valor para el cliente, la dependencia de proveedores, los derechos sobre los datos, el margen bruto y la preparación para la captación de fondos. Ambas partes se benefician de una sala de evidencias única y conciliada, y de un tratamiento explícito de la incertidumbre.