Una suscripción de 19 € puede gastar un 20 % en inferencia, es decir, en las respuestas que genera el modelo. Antes de abrir la consola de cualquier proveedor de modelos, un fundador en Madrid o Barcelona debería poder contestar por escrito tres preguntas. Qué parte de lo que ofrece no se puede copiar en un trimestre. Quién paga cada consulta que hace un usuario. Y en qué casilla del Reglamento europeo de IA cae su caso de uso. Si alguna queda en blanco, elegir modelo es lo de menos.
El orden tiene una razón económica. En el software clásico, servir a un cliente más costaba casi cero. Por eso la estrategia giraba en torno a llegar a más gente y retenerla. En IA, cada petición cuesta dinero y la calidad varía de una respuesta a otra. Además, la ventaja casi nunca está en una función concreta. Está en los datos y en el sistema que rodea al modelo. Así que diseñar un negocio de IA empieza por decidir qué crea valor, qué lo protege y cómo se cubre su coste. El modelo es una pieza que cambiarás más de una vez, a menudo el mismo año del lanzamiento.
Tres capas de valor y tres formas de cobrarlas
Es más útil pensar en tres capas de valor que en una sola «propuesta de valor». Cada capa se cobra de una manera.
La capa central es lo que la IA hace mejor que una persona o que el software anterior. Resumir, predecir, transformar contenido, buscar en documentos, automatizar tareas repetitivas. Se vende fácil y se copia igual de fácil, así que aquí casi no hay defensa.
La capa de amplificación es la IA metida en un trabajo que ya existe para hacerlo más rápido o más preciso. Menos minutos por expediente, menos esfuerzo mental, consejos adaptados a cada persona. Vale más, porque el cliente la mide con sus propios números. Eso facilita hablar de precio.
La capa de innovación es lo que no existía sin IA. Copilotos, agentes que hacen tareas solos, generación de texto, imagen y voz a la vez, procesos que se ajustan solos. Es la de más margen y más riesgo. Ahí están los textos largos y los procesos de varios pasos, que son los que más disparan el coste.
Un ejemplo para verlo claro: una gestoría digital que procesa facturas de autónomos. Su capa central es leer la factura, algo que cualquiera puede comprar por API. La capa de amplificación es que la factura llegue ya cuadrada al programa de contabilidad del cliente. La de innovación es un agente que prepara el borrador del modelo trimestral de IVA para que el asesor solo lo revise. Las tres se cobran de forma distinta. Solo la segunda y la tercera justifican una cuota alta.
La ventaja la dan los datos y el sistema que rodea al modelo
Cualquiera puede usar los grandes modelos por API. Por eso el modelo, por sí solo, rara vez te da una ventaja duradera. La ventaja viene de otras cosas. Los datos propios. Una buena búsqueda en documentos. Un modelo ajustado a tu sector. Pruebas de calidad serias. Una integración cómoda en el trabajo diario del cliente. Y el efecto del uso: el producto acierta más cuanto más se usa.
El fondo NFX llamó a esto data network effect. Los datos de uso mejoran el modelo, un modelo mejor atrae más uso y más uso produce más datos. No funciona solo. Se apaga cuando los datos dejan de ser recientes o cuando cada registro nuevo ya no mejora la precisión.
La defensa real aparece al sumar todo eso a la distribución, la confianza y el cumplimiento de las normas. En España la confianza tiene un lado muy práctico. La banca, las aseguradoras y el sector público preguntan en la primera reunión dónde se procesan los datos y quién responde si el sistema se equivoca. Un competidor con mejor modelo pero sin respuesta a esas dos preguntas pierde el concurso.
Ese sistema que rodea al modelo tiene una arquitectura, y ella enseña dónde nace el coste. Un producto de IA sólido tiene cuatro capas, y el coste y el riesgo no se reparten por igual.
La capa de datos recoge, ordena, etiqueta y revisa la información. La de modelos incluye los modelos que alquilas por API o descargas, a veces ajustados a tu sector o conectados a tus documentos. La de orquestación decide cómo trabaja el producto. Qué instrucciones recibe el modelo, qué modelo atiende cada petición, qué pasa si falla y cómo se revisa la respuesta. Aquí se decide casi todo lo que fija el coste de cada petición. La de experiencia es lo que ve el cliente: asistentes, automatizaciones, paneles, búsqueda y generación de contenido.
Cada función se juzga con las mismas preguntas. Cuánto vale para el usuario. Si se puede construir. Qué datos necesita. Cuánto cuesta cada respuesta. Qué riesgos trae. Y si aguanta cuando crece el uso. Las respuestas deciden qué va en el plan básico, qué en el premium y qué entra con un límite estricto. Si una función vale mucho pero su coste se dispara en las peticiones más pesadas, súbela de plan o ponle un tope.
La casilla del Reglamento europeo también es una decisión de negocio
En España se suele ver el Reglamento europeo de Inteligencia Artificial como un asunto del departamento jurídico. Es un error de cálculo. La categoría de riesgo de tu caso de uso cambia el coste de servir, la duración de la venta y el precio que puedes pedir.
Un asistente que resume reuniones internas apenas tiene obligaciones, salvo avisar de que es IA. Un sistema que filtra candidatos en un proceso de selección, o que puntúa la solvencia de un particular, entra en la lista de alto riesgo del anexo III. Eso exige gestión de riesgos por escrito, control de los datos, registros de actividad, supervisión humana y una evaluación de conformidad.
Con el paquete de simplificación conocido como Omnibus digital, publicado en el Diario Oficial de la UE el 24 de julio de 2026, cambian las fechas. Las obligaciones de alto riesgo del anexo III se aplican desde el 2 de diciembre de 2027. Las de los productos regulados del anexo I, desde el 2 de agosto de 2028. Las de los modelos de propósito general rigen desde el 2 de agosto de 2025.
El supervisor en España es la Agencia Española de Supervisión de la Inteligencia Artificial (AESIA), con sede en A Coruña. Su estatuto se aprobó con el Real Decreto 729/2023, de 22 de agosto. España se adelantó con un entorno controlado de pruebas, creado por el Real Decreto 817/2023, de 8 de noviembre. En él, empresas seleccionadas ensayaron los requisitos de alto riesgo antes de que fueran obligatorios. De ahí salieron guías técnicas de la Secretaría de Estado de Digitalización e Inteligencia Artificial.
Para el modelo de negocio, la consecuencia es concreta. Si tu caso de uso es de alto riesgo, cumplir la norma tiene un coste fijo y alto. Te conviene entonces un cliente grande con un contrato de varios años que lo cubra. Si ese coste se reparte entre miles de pymes con una cuota mensual baja, se come el margen. Si tu caso de uso es de riesgo limitado, puedes vender en autoservicio. Decidir esto después de construir el producto sale mucho más caro.
El híbrido de cuota y consumo protege el margen
Cobrar por uso (tokens, peticiones, cómputo, búsquedas en documentos o tareas de agente completadas) es la forma más honesta de unir ingreso y coste. Los clientes técnicos lo entienden. Para los demás es poco previsible: nadie sabe cuánto trabajo cabe en un millón de tokens.
Las suscripciones con límites se diferencian por los modelos a los que dan acceso, cuánto texto admiten, la calidad de lo que generan y cuánto automatizan. Para la mayoría de los productos funciona mejor un híbrido: una cuota fija más un cobro por encima de cierto uso. La cuota da previsibilidad. El límite protege el margen frente a los usuarios que más consumen.
Los créditos hacen el precio más fácil de entender. Por ejemplo, mil tokens equivalen a 1 crédito, una imagen a 5 y un análisis a 20 (cifras de ejemplo). Además, permiten vender más con un saldo común a varios productos. El precio basado en valor se calcula sobre el resultado: horas ahorradas, más conversión, documentos procesados. Funciona cuando el cliente mide ese resultado por su cuenta.
Un detalle local que no conviene olvidar. En B2B en España las tarifas se publican sin IVA. En el canal de consumo, el usuario espera ver el precio final con el 21 % incluido. Si vendes a autónomos y pymes, prueba las dos formas de mostrarlo. Un plan de 19 € que se convierte en 22,99 € en la pantalla de pago provoca abandonos, y luego se culpa al producto.
El cliente grande paga por otras cosas: modelos de su sector, datos que no salen de su entorno, herramientas de cumplimiento, acuerdos de nivel de servicio (SLA), cómputo dedicado e integraciones. Ahí el gasto principal es la implantación y el soporte, más que la inferencia. Por eso el contrato suele ser de varios años, con una tarifa de plataforma más el consumo. En los concursos públicos, además, el pliego fija el precio de antemano. El margen hay que protegerlo en el diseño técnico, porque luego no queda nada que negociar.
Cada petición cuesta 0,0114 dólares: así diverge la IA del SaaS
La inferencia es el principal impulsor del coste. Depende sobre todo del tamaño del modelo y de cuánto texto recibe y devuelve, medido en tokens. También influyen las búsquedas en documentos, las peticiones simultáneas y la caché, que guarda respuestas ya calculadas. Más uso aprieta directamente el margen bruto. Por eso conviene calcular varios escenarios: distintos niveles de tráfico, el margen mínimo aceptable y el punto de equilibrio.
Asume desde la primera hoja de cálculo que tu margen bruto será más bajo que el de un SaaS clásico. La razón es contable. La inferencia y la nube entran cada mes en el coste de ventas. En cambio, el software tradicional se desarrolla una vez y su coste se reparte entre todos los clientes. Por eso un margen del 55 % estable en cada grupo de clientes es más sano que un 80 % que solo aguanta mientras hay poco tráfico.
Haz la cuenta hasta el final. Supón una petición con 1800 tokens de entrada y 400 de salida. El modelo, de gama media, cobra 3 dólares por millón de tokens de entrada y 15 por millón de salida. La petición cuesta 0,0054 + 0,006 = 0,0114 dólares. Parece nada. Pero si un usuario hace 360 peticiones al mes, son 4,10 dólares de inferencia por persona. Es alrededor del 20 % de una suscripción de 19 €, según el cambio de ese mes, y todavía sin contar búsquedas ni almacenamiento.
Lo que decide es cómo se reparte el uso. Con frecuencia, un grupo pequeño de usuarios muy activos gasta más de la mitad del presupuesto de modelo. Son ellos quienes deciden si el margen queda en positivo.
El entrenamiento se paga una vez. El trabajo con los datos no acaba nunca: limpiar, etiquetar, vigilar que el modelo no empeore, reentrenarlo y mantener los conjuntos de prueba. Por eso a menudo cuesta más que el entrenamiento. Hay que sumar los costes de fiabilidad. Los fallos del modelo obligan a revisar a mano, a escalar casos y a corregir. Todo eso forma parte de la economía por cliente (unit economics).
Hay varias formas de recuperar margen. Mandar las peticiones sencillas a un modelo más pequeño. Guardar respuestas ya calculadas. Procesar por lotes. Acortar las instrucciones. La guía de costes enlazada arriba las trata en detalle. Aquí basta con saber dos cosas. Cada una cambia calidad por coste. Y ahorrar debe tener un hueco fijo en la hoja de ruta, porque los precios de los modelos y el uso cambian sin avisar.
Los datos cuestan y a la vez protegen
Los datos llegan de lo que crean los usuarios, de su trabajo diario, de integraciones, de conjuntos públicos y de socios. La calidad pesa más que la cantidad. Que los datos sean recientes, completos, sin sesgos sistemáticos y bien etiquetados influye más en el resultado que el tamaño total.
El control de los datos forma parte del modelo de negocio tanto como el precio. Registrar los consentimientos. Saber de dónde viene cada dato. Poder borrarlo. No dejar datos personales dentro de los índices del modelo. Guardar registros de auditoría. De eso depende que puedas trabajar con una gran empresa española. Te pedirá el registro de actividades de tratamiento y una evaluación de impacto si el sistema trata datos personales a gran escala. La autoridad de control es la Agencia Española de Protección de Datos, y ese papeleo no se improvisa la semana de la firma.
Primero valor y calidad, después precio: cuatro ejes de validación
Un negocio de IA se valida en cuatro ejes. Que la gente lo quiera. Que se pueda construir. Que salgan las cuentas. Y que el modelo tenga calidad suficiente. Cada eje pide pruebas distintas.
El modelo se prueba antes de salir a producción, con preguntas de referencia y con pruebas de seguridad y de respuestas inventadas. El producto se prueba con tareas completadas, efecto en la retención, ganas de pagar y uso real en el trabajo diario. El precio se prueba con el rendimiento de cada plan, la reacción de las ventas a un cambio de precio y pruebas con packs de créditos y límites. La economía se prueba con escenarios de coste extremos, simulaciones de carga y cálculos de cuánto cae el margen si algo cambia.
El orden importa. Primero confirmas valor y calidad. Después mueves el precio. Si lo haces al revés, la prueba de precio solo mide ruido. Ajusta también tus expectativas. La mayoría de las hipótesis de precio no mueven nada medible. El cliente compara la cuota con lo que ya paga hoy por resolver lo mismo, y la tabla de planes le importa poco. Si pruebas cinco, date por satisfecho si una se sostiene.
La validación es una de seis capas que tienen que encajar. La estratégica: mercado, problema, valor, diferencia y defensa. La de arquitectura: datos, modelo, orquestación y experiencia. La económica: ingresos, costes, economía por cliente y punto de equilibrio. La de pruebas: evaluación del modelo, validación del valor e hipótesis de precio. La de control: seguridad, cumplimiento, categoría de riesgo y documentación. Y la organizativa: madurez de PM, ciencia de datos e ingeniería, y transiciones del modelo operativo. Cuando una capa no encaja, un producto de IA muy bueno técnicamente se queda sin negocio. Y suele fallar más la capa económica o la de control que la técnica.
Lo que preguntará un inversor, con las cuentas ya hechas
La primera pregunta suele ser en qué se diferencia esto de un SaaS. Hay tres rasgos que lo explican. El coste de inferencia, que crece con el uso. La dependencia de los datos. Y un modelo que no responde siempre igual. Por eso el margen bruto de partida es más bajo. Ya lo señalaba en 2020 un análisis sobre por qué el negocio de la IA se aparta del software tradicional. Un usuario con 360 peticiones al mes cuesta 4,10 dólares solo en inferencia. En un SaaS clásico serían céntimos.
La segunda es qué modelo de ingresos aguanta. Para la mayoría de los productos, el híbrido de suscripción más uso. En grandes clientes y contratos públicos, tarifa de plataforma más consumo. Una suscripción pura se rompe con los usuarios muy activos, y hay una prueba rápida para verlo. Mira el coste del 10 % de usuarios que más gasta (el percentil 90). Si supera la cuarta parte de la cuota, el plan necesita un tope o un cobro por exceso. Con las cifras de antes, la cuarta parte de 19 € son 4,75 €, unos 5 dólares según el cambio. A 0,0114 dólares por petición, eso da para unas 440 peticiones al mes. Quien haga 900 ya cuesta 10,26 dólares, cerca de la mitad de la cuota. Así que el uso incluido en el plan debería rondar esas 440 peticiones.
Si el caso de uso es de alto riesgo, como la selección de personal o la evaluación de solvencia, el inversor querrá ver que el coste fijo de cumplir la norma se reparte entre contratos grandes y largos. Cuando pregunte qué os protege de la competencia, piensa en la gestoría del ejemplo. Leer la factura lo puede comprar cualquiera por API. Que llegue cuadrada al programa de contabilidad del cliente y que el borrador del IVA trimestral salga listo para revisar depende de datos y flujos propios, y eso no se copia en semanas.