¿Está muerto el software? No, solo es más difícil ganar

En los últimos meses, una pregunta resuena en las salas de juntas, los foros de inversores y las conversaciones de pasillo entre desarrolladores: ¿ha muerto el software como lo conocíamos? La respuesta corta es no, pero el camino para ganar con él se ha vuelto notablemente más empinado. El núcleo de este debate no es una simple moda tecnológica, sino una reconfiguración profunda de cómo se construye, se financia y se comercializa el valor digital. Detrás del ruido hay una realidad concreta: las grandes tecnológicas están invirtiendo cantidades sin precedentes en infraestructura de inteligencia artificial, mientras que los ingresos generados por esos mismos sistemas aún están muy por detrás. Este desfase, lejos de significar una burbuja, está creando una ventana de oportunidad de varios años para quienes sepan navegarla.

La fotografía actual muestra un sector que gasta en torno a seiscientos mil millones de dólares anuales en infraestructura relacionada con IA, pero que apenas ingresa una fracción de esa cifra. Los dos principales actores de modelos fundacionales concentran la mayor parte de los ingresos, y se estima que el punto de equilibrio entre el gasto acumulado y los ingresos no llegará hasta principios de la próxima década. Esto implica que estamos viviendo una fase de inversión pura: el capital fluye porque hay una convicción firme de que la inteligencia artificial generativa capturará una parte significativa del gasto mundial en trabajo de conocimiento. Pero esa misma convicción genera tensiones: en algún momento, alguien preguntará por qué se gasta mucho más de lo que se ingresa, y el mercado podría tomar un respiro. Por eso, cualquier plan de negocio debe contemplar esa posibilidad.

Para entender qué significa esto para una empresa de desarrollo de software, conviene separar dos grandes mundos: el de hacer IA y el de usar IA. El primero abarca desde la fabricación de chips hasta la construcción de centros de datos y el entrenamiento de modelos masivos. Es un esfuerzo titánico que consume la mayor parte del capital, pero que no es accesible para la mayoría de las startups: las barreras de entrada son inmensas y los márgenes, aunque atractivos, están concentrados en muy pocas manos. El segundo mundo es donde realmente se juega la partida para los creadores de software. Aquí la pregunta clave es cómo las empresas van a consumir ese billón de dólares de valor generado por la IA en los próximos años. ¿Lo harán directamente desde los modelos fundacionales, dejando poco espacio para intermediarios? La experiencia de anteriores oleadas tecnológicas sugiere que no: del mismo modo que el cliente-servidor dio paso a cientos de aplicaciones empresariales, o la nube de AWS permitió una generación completa de SaaS, los modelos de IA serán la base sobre la que se construirán soluciones verticales con valor añadido real.

Ahora bien, ¿qué protege a esas soluciones frente a que el propio modelo fundacional pueda replicarlas? La respuesta está en los fosos competitivos. Los que realmente funcionan son aquellos que la inteligencia artificial pura, por sí sola, no puede emular. Por ejemplo, combinar software con sensores físicos —visión, tacto, datos del mundo real— crea una barrera sólida porque el gran modelo no va a empezar a fabricar cámaras ni a instalar sensores. También los mercados con efectos de red son difíciles de replicar: si una plataforma ya conecta a compradores y vendedores, un desarrollador con una interfaz de chat no puede arrancar esa red de la noche a la mañana. Los datos propietarios, no públicos, son otro foso evidente: si tu negocio se apoya en información que el modelo nunca ha visto, simplemente no puede hacer lo que tú haces. Y, por último, está el enfoque full-stack, donde en lugar de vender software a una empresa, te conviertes en la empresa misma. Un ejemplo claro son las gestoras de patrimonios que usan modelos de lenguaje para asesorar clientes; OpenAI no va a abrir una oficina de asesoría fiscal.

Pero hay dos fosos más sutiles, y probablemente más relevantes para las startups de software: el volante de datos y la ingeniería desplegada en campo. El primero consiste en empezar con una aplicación simple y, a medida que se aprende cómo trabajan los usuarios, ir construyendo un producto cada vez más especializado y diferenciado. El segundo implica tener equipos de ingeniería sobre el terreno que captan el contexto real del cliente, algo que los modelos no pueden hacer por sí solos. Ambos requieren una ejecución cuidadosa y una inversión continuada. Aquí es donde el papel de un socio tecnológico como Q2BSTUDIO cobra sentido: al desarrollar aplicaciones a medida que integren estas ventajas, se puede construir una propuesta de valor que las grandes compañías de modelos no puedan igualar fácilmente.

Otra dimensión crítica es la estructura de costes. Antes de la irrupción de la IA generativa, la mayoría de las empresas SaaS tenían perfiles de gasto similares. Ahora la dispersión es enorme: hay compañías que dedican el 70% de sus ingresos a computación (modelos propios), mientras que otras apenas emplean un 10% en el consumo de modelos de terceros. La clave está en no caer en la trampa de financiar simultáneamente un equipo de ventas masivo y un consumo elevado de tokens. O el producto se vende solo, gracias a una experiencia de usuario imparable, o se necesita un equipo comercial que lo impulse. Lo que no funciona es intentar pagar ambas cosas con márgenes ajustados. En este sentido, la inteligencia artificial puede actuar como el nuevo marketing: si el producto es tan bueno que los usuarios lo adoptan de forma orgánica, se puede permitir un gasto mayor en computación, pero solo si se ha eliminado el coste de adquisición tradicional.

El ecosistema también está viendo cómo los antiguos modelos de crecimiento se rompen. Las valoraciones públicas de las empresas de software cayeron porque el crecimiento medio pasó del 30% anual a aproximadamente el 10%. Eso no significa que el software haya muerto, sino que los inversores han ajustado sus expectativas. Para un fundador, esto implica que necesita tener una convicción de categoría muy sólida. Si su producto se confunde con la masa indiferenciada de software de bajo crecimiento, la operación no tendrá sentido. En cambio, una empresa que lidere una categoría con un crecimiento real, aunque sea más lento, puede seguir generando rentabilidades atractivas a largo plazo. Lo que ya no funciona es asumir que los múltiplos de hace cinco años volverán.

Y aquí surge otra pregunta: ¿qué ocurre con el software creado antes de 2022? La respuesta es que aproximadamente un 10% quedó obsoleto de la noche a la mañana, porque resolvía un problema de IA que de repente costaba cinco dólares por millón de tokens en lugar de treinta millones de dólares en desarrollo. El resto se divide en tres grupos: un tercio está a salvo porque su propuesta es lo suficientemente diferente (por ejemplo, predicción basada en datos propietarios), otro tercio se beneficia al añadir IA como funcionalidad adicional sobre un producto sólido, y el último tercio está directamente amenazado y necesita reinventarse o desaparecer. La honestidad a la hora de diagnosticar en qué grupo se está es crucial para tomar decisiones de inversión y producto. Desde la perspectiva de una empresa de tecnología, ofrecer ia para empresas con un enfoque en la integración contextual y el valor real de negocio es lo que marca la diferencia entre ser commodity o ser imprescindible.

Otro fenómeno que merece atención es el de los llamados agentes IA. Frente a la visión de que todo será controlado por un único modelo general, está emergiendo un modelo más modular: sistemas autónomos que realizan tareas específicas, a menudo combinando diferentes modelos y fuentes de datos. Esto abre un espacio enorme para construir soluciones verticales que orquesten estos agentes de forma inteligente. Pero también plantea desafíos de ciberseguridad y gobernanza: ¿cómo asegurarse de que un agente no actúe de forma imprevista o exponga información sensible? La ciberseguridad se convierte entonces en un habilitador clave, no en un añadido posterior. Del mismo modo, la gestión de la infraestructura donde se ejecutan estos agentes es fundamental: los servicios cloud aws y azure proporcionan la escalabilidad y elasticidad necesarias, pero requieren una arquitectura bien diseñada para no disparar los costes.

En el plano analítico, la inteligencia de negocio también está viviendo una transformación. Los informes tradicionales de Power BI ya no bastan cuando se dispone de modelos de lenguaje que pueden responder preguntas en lenguaje natural. Pero la verdadera ventaja no está en sustituir los cuadros de mando, sino en combinarlos con sistemas que aprendan de los patrones de uso. Aquí, los servicios inteligencia de negocio evolucionan hacia plataformas que integran datos, modelos y automatización. Una empresa que logre unir todas estas piezas —desarrollo de aplicaciones a medida, inteligencia artificial, nube, ciberseguridad y BI— tendrá una posición inmejorable para aprovechar la ola actual.

Para terminar, conviene recordar que la pregunta inicial sobre la muerte del software no es más que un síntoma de una transformación mucho más profunda. El software no ha muerto; lo que ha muerto es la ingenuidad de que construir una aplicación con una base de datos y un par de formularios era suficiente para construir un negocio duradero. Hoy, el software debe ser inteligente, debe integrarse con el mundo físico, debe protegerse de amenazas y debe proporcionar información accionable. En Q2BSTUDIO, entendemos que la clave está en combinar todas esas capas con una visión estratégica y una ejecución técnica impecable. El reto es mayor, pero las recompensas también lo son para quienes sepan adaptarse.