Cuando hablamos de por qué el piloto gratis es la trampa mortal de tu tracción en B2B quedó pendiente hablar del caso que más escuece, que es este: cobrar filtra al turista corporativo y mete tu producto en un presupuesto. Lo que no hace es obligar a nadie a decidir la continuidad y esto, por desgracia, es algo que damos por supuesto pero no tiene por qué ocurrir.

Lo que tu cliente se llevó de aquella reunión fue el derecho a decidir más tarde, sin obligación y sin fecha. Es decir, pagó por el servicio, pero también compró tiempo y, si no cerramos algunas aristas de los contratos de los pilotos, esta situación nos puede seguir pasando.

1. Seis mil euros por esperar sin compromiso

Lenovo publica cada año, con investigación de IDC, un informe llamado CIO Playbook. En la edición de 2025 publicaron un dato bastante impactante: de cada 33 pruebas de concepto de IA que lanzaba una empresa, solo 4 llegaban a producción, es decir, un 88% de mortalidad.

En la edición de 2026, también Lenovo con IDC, el 46% de las pruebas de concepto ya había pasado a producción, sobre 3.120 decisores encuestados entre septiembre y octubre de 2025.

Treinta y cuatro puntos de diferencia en doce meses, con el mismo patrocinador y la misma casa de investigación, así que la cifra depende bastante de cómo se redactó la pregunta. Y esto nos deja sin referencia externa contra la que compararnos.

Lo que sí sabemos es que conseguir entrar en un cliente con un piloto no te garantiza la adopción y, por tanto, un contrato continuado en el tiempo, aunque nuestro producto sea muy bueno y realmente exista un encaje claro entre nuestra solución y las necesidades del cliente.

Robert McDonald y Daniel Siegel publicaron en 1986, en el Quarterly Journal of Economics, un artículo titulado «The Value of Waiting to Invest» en el que estudiaron cuándo ejecutar una inversión irreversible si tanto los beneficios como los costes se mueven de forma incierta.

El resultado le quita el sueño a cualquiera que venda: la opción de esperar tiene un valor económico calculable, y con parámetros razonables lo óptimo es no invertir hasta que los beneficios esperados dupliquen el coste de la inversión.

Es un modelo financiero de procesos continuos y no un modelo de compra de software, así que la magnitud no se traslada. La estructura sí.

Comprarte de verdad implica una decisión difícil de deshacer: integraciones, permisos, migración de datos, formación, procesos reescritos alrededor de tu herramienta… Y la incertidumbre en tu caso está por las nubes porque eres una categoría nueva, una empresa de veinte personas y un producto que cambiará dos veces antes de la primera renovación.

Con esos dos ingredientes, esperar sale rentable porque va mitigando riesgos y ahí está el problema de fondo del piloto de pago: seis mil euros compran el derecho a mirar sin comprometerse, que es exactamente el activo que tu cliente quería.

Le has vendido la opción a precio de saldo y sin fecha de caducidad, así que le sale a cuenta.

2. Contra quién compites cuando el cliente puede no hacer nada

William Samuelson y Richard Zeckhauser midieron el peso de esa alternativa en «Status Quo Bias in Decision Making», publicado en 1988 en el Journal of Risk and Uncertainty.

Pasaron un cuestionario de decisiones a 486 estudiantes de Boston University y de la Kennedy School, tres cuartas partes alumnos de primer año de MBA, variando únicamente si una de las opciones aparecía etiquetada como la situación actual.

La misma alternativa se elegía de forma sistemática más a menudo cuando ocupaba la posición de statu quo, es decir, mantener la situación actual, y esto nos lleva a dos conclusiones:

La primera es el coste implícito de cambiar. En una de las preguntas el sujeto dirigía una consultora y tenía que decir cuánto pagaría por mudarse de una oficina antigua a una nueva mejor situada, y cuánto descuento exigiría para la mudanza inversa. Traducido a una medida única, el coste del statu quo equivale de media al 37,8% del valor total potencial de la mudanza. Más de un tercio del beneficio de cambiar se evapora por el simple hecho de que es un cambio.

La segunda es contraintuitiva y describe bastante bien el mercado actual de IA. La ventaja relativa del statu quo crece con el número de alternativas disponibles. Los autores lo ilustran con una elección: dos candidatos que empatarían al 50% en condiciones neutras pasan a 59% contra 41% si uno de ellos ya ocupa el cargo. Con cuatro candidatos que empatarían al 25%, el titular sube al 38,5% y cada aspirante baja al 20,5%. Un candidato que en condiciones neutras tendría un 9% del voto puede ganar con un 25,4% si es el que ya está dentro.

Que haya cuarenta startups haciendo lo mismo que tú no reparte el mercado entre cuarenta. Refuerza al que ya está instalado en tu cliente, que muchas veces es una hoja de cálculo y un becario.

3. El fallo de diseño: un piloto que no apaga nada

Samuelson y Zeckhauser describen en su artículo un recurso muy habitual en ventas, la prueba sin compromiso con devolución garantizada y señalan que al consumidor le parece una propuesta sin riesgo cuando en realidad el que no arriesga es el vendedor: durante la prueba el cliente deja de buscar alternativas y va acumulando inversión psicológica en el producto que ya tiene delante.

El mecanismo se activa solo si tu producto se convierte en el statu quo. Ese mecanismo funciona en la compra de consumo porque el objeto está en el salón y hay que hacer el esfuerzo de devolverlo.

Un piloto empresarial típico está diseñado para lo contrario: vive en un entorno de pruebas, con datos de mentira, cinco usuarios de un equipo de doscientos, y el sistema anterior funcionando en paralelo a pleno rendimiento.

Nada se apaga, nadie deja de usar lo de antes, y el statu quo sale de la prueba intacto y con seis semanas más de currículum. Al terminar, no hacer nada sigue siendo lo familiar y lo que acaba de demostrar que aguanta.

Esto es independiente del precio. Un piloto de pago mal diseñado protege el statu quo igual de bien que uno gratis, con la diferencia de que tú te has quedado más tranquilo.

4. El purgatorio de pilotos

McKinsey acuñó el término pilot purgatory (purgatorio de pilotos) en su Digital Manufacturing Global Expert Survey de 2018, sobre 700 empresas de siete países. Los números, si cambiamos IoT industrial por IA generativa, son los que leerás en cualquier informe estos días:

• Las empresas lanzaban una media de ocho pilotos, diez en China e India, y solo el 30% llegaba a escalar en toda la organización.
• El 84% llevaba más de un año atascado en modo piloto y el 28% más de dos años.
• El 92% de los encuestados se consideraba al nivel de sus competidores o por delante.

McKinsey vende transformación digital, con lo cual el diagnóstico le viene de perlas, pero el patrón lleva ocho años documentado y ha sobrevivido a tres olas tecnológicas.

Para una multinacional, dos años en purgatorio es una línea de presupuesto. Para ti son dos rondas de financiación. El mismo piloto que para tu cliente es una prueba barata, para ti es una fracción de lo único que no puedes reponer.

5. La prueba del apagado en tres preguntas

Con cinco o diez pilotos abiertos el diagnóstico no puede ser estadístico, tiene que ser nominal, uno por uno, y cabe en tres preguntas.

1. ¿Qué se apaga durante la prueba? Si la respuesta es «nada», el statu quo va a ganar. Un piloto que corre en paralelo al sistema anterior está diseñado para no cambiar nada y lo va a conseguir. Busca el proceso más pequeño que puedas sustituir del todo, aunque sea uno solo, y apágalo de verdad.
2. ¿Quién firma, en qué fecha y con qué criterio acordado antes de empezar? No qué se decidirá, sino qué está escrito que ocurre ese día concreto, incluido qué pasa si nadie contesta. Un piloto sin fecha de vencimiento es una suscripción indefinida con informe trimestral.
3. ¿Qué ha entregado el cliente que no sea dinero? Que hayas cobrado ya lo damos por hecho. La pregunta es qué más se ha jugado: un champion interno con nombre y apellidos defendiéndolo en un comité, dos personas de su equipo asignadas por escrito, acceso a datos reales de producción, la revisión de seguridad pasada por adelantado. Si la única contrapartida es la factura, tienes un cliente que ya ha pagado por no decidir.

Cuando las tres respuestas salen flojas, el error de lectura habitual consiste en apretar más: más funcionalidades, más urgencia, más demos para más gente… Con un comprador al que le renta esperar, eso alarga la prueba en lugar de cerrarla.

Un buen piloto se parece bastante a un contrato pequeño con fecha, criterio y firma, que es justo la frontera que recorrimos al hablar de cuándo dejar de validar y empezar a construir.

Y si al terminar la respuesta sigue sin llegar, revisa a quién se lo vendiste antes de tocar el roadmap (la hoja de ruta de producto), como ya vimos con las señales del product-market fit.

Un piloto que no apaga nada mide la resistencia de lo que ya tenía tu cliente. Y esa prueba la gana él.

6. Preguntas frecuentes sobre pilotos B2B en fase temprana

Si ya cobro por el piloto, ¿por qué no avanza?

Cobrar resuelve el problema del cliente que prueba por curiosidad y mete tu producto en un presupuesto. No resuelve el de la decisión. Mientras la incertidumbre sea alta y comprometerse sea difícil de deshacer, esperar tiene valor para el comprador, y un piloto sin fecha de decisión le permite esperar habiendo pagado muy poco por ese derecho.

¿Qué porcentaje de pilotos debería convertir a contrato?

No hay una referencia fiable. Las cifras más citadas se mueven entre el 12% y el 46% según algunos informes y en algún caso se trata del mismo estudio en dos años consecutivos. Miden cosas distintas y las publican empresas con interés comercial en el resultado. En fase temprana es más útil medir cuántos de tus pilotos tienen fecha de decisión escrita.

¿Cuánto debería durar un piloto?

Lo justo para cubrir un ciclo operativo real del cliente. Lo determinante no es la duración sino que exista una fecha de decisión acordada por escrito, con criterio de éxito pactado antes de empezar y un responsable identificado que tenga que firmar ese día.

¿Por qué tener muchos competidores no ayuda a que el cliente decida?

Porque la ventaja de la opción ya instalada crece con el número de alternativas. Samuelson y Zeckhauser lo midieron en 1988: cuantas más opciones hay sobre la mesa, más difícil resulta compararlas y más atractivo se vuelve quedarse como se estaba. Un mercado saturado de proveedores refuerza al que ya está dentro, aunque ese que está dentro sea una hoja de cálculo.

¿Un piloto que no convierte significa que el producto no encaja?

No necesariamente. Puede significar que lo vendiste a un champion interno sin capacidad de firma, que el criterio de éxito nunca se acordó, o que la prueba se diseñó de forma que nadie tuviera que abandonar su herramienta anterior. Son problemas de venta y de diseño, no de producto.

Nos leemos pronto. Hasta la próxima.

Imágenes: Radik 2707 en Pexels, Giphy, elaboración propia con datos de Lenovo/IDC y de Samuelson y Zeckhauser

El artículo El cliente que paga por no decidir: cómo convertir un piloto de pago en contrato fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

La retención y el churn (cancelación de clientes) son las métricas que todo el mundo señala como jueces del product-market fit. Cuando facturas poco y tú además de founder eres el que hace las ventas, el ingreso no distingue entre un cliente que te necesita y uno que te compró porque le caes bien, porque tenía presupuesto de innovación a punto de caducar o porque le daba pereza decirte que no.

La retención debería separarlos y, con veinte cuentas, es muy complicado distinguirlo.

A esa mezcla de cuentas que siguen pagando por razones ajenas a tu producto la vamos a llamar la retención de cortesía y el problema es que, en la hoja de cálculo, se parece muchísimo a tener encaje con el mercado.

1. Qué miden de verdad la retención y el churn con veinte clientes

Una tasa de retención es una proporción y las proporciones calculadas sobre muestras pequeñas tienen intervalos de confianza que casi nadie mira.

Con cincuenta clientes y un 80% de retención observada, el intervalo al 95% va aproximadamente del 69% al 91%. Es decir, 22 puntos de horquilla, así que cuando son veinte clientes, la confianza del dato es aún mucho peor.

Dicho de otra forma, tu 80% de retención es compatible con un negocio sano y, a la vez, con uno que pierde uno de cada tres clientes al año. La hoja de cálculo devuelve un número con dos decimales y eso da una sensación de precisión que el dato, realmente, no tiene.

Amos Tversky y Daniel Kahneman le pusieron nombre a este error en 1971 en Belief in the Law of Small Numbers (la creencia en la ley de los números pequeños): tratamos cualquier muestra como si fuera representativa de la población entera. Lo demostraron con el peor público posible, preguntando a 84 psicólogos profesionales, gente que realmente sabía de muestreo y estadística, por la probabilidad de replicar un resultado significativo con un segundo grupo pequeño. Solo 9 de los 84 dieron una respuesta razonable.

Si fallan los que controlan de estadística, el fundador que mira su cohorte de septiembre a las once de la noche pues también terminará sacando conclusiones equivocadas.

Kahneman volvió sobre este sesgo cuarenta años después en «Pensar rápido, pensar despacio», donde le dedica un capítulo entero. Su explicación es que nuestra cabeza construye historias coherentes con la evidencia que tiene delante sin preguntarse nunca cuánta evidencia es. Veintidós clientes dan para una historia coherente perfecta.

2. El efecto de composición: la retención sube aunque nadie mejore

Peter Fader (Wharton) y Bruce Hardie (London Business School) publicaron en 2007 How to Project Customer Retention en el Journal of Interactive Marketing.

El modelo que proponen parte de una historia sencilla: cada cliente, al final de cada periodo, lanza una moneda para decidir si renueva. La probabilidad de esa moneda no cambia nunca para un mismo cliente, pero es distinta de un cliente a otro.

Con esa premisa ocurre algo bastante singular: la tasa de retención agregada de una cohorte sube mes a mes aunque la probabilidad individual de cada cliente sea constante y nadie se haya vuelto más fiel. Los clientes con moneda mala se van primero y los que quedan son, por construcción, los que ya tenían mejor moneda el día que firmaron.

Fader y Hardie lo llaman, citando a Vaupel y Yashin, el «ruse of heterogeneity» (el engaño de la heterogeneidad) y advierten de que se pasa por alto constantemente. En el propio artículo lo señalan así: la retención creciente no es una historia de clientes que profundizan su relación con la empresa, sino un efecto de ordenación dentro de una población heterogénea.

3. El contrato es una señal que llega tarde y llega maquillada

Un contrato anual esconde la decisión del cliente hasta la fecha de renovación, y en análisis de supervivencia eso tiene nombre propio: censura por la derecha. No sabes si esa cuenta ha sobrevivido o si simplemente todavía no le ha tocado decidir.

Mientras tanto, el software se paga y no se abre ni se usa… Hay «retención» pero no «adopción» y eso, al final de contrato, puede llevar al churn.

El 2025 SaaS Wastage Report de Vertice sitúa en el 21% las aplicaciones que están completamente sin uso, el llamado shelfware (software comprado que nadie llega a usar), y en un 45% adicional las que se usan a menos de la mitad de las licencias contratadas. La empresa autora del informe vende optimizar la gestión de gasto en software, así que es un dato que le conviene aunque es cierto que esto ocurre en las organizaciones.

Zylo publica algo parecido en su SaaS Management Index de 2024, elaborado sobre 30 millones de licencias y 34.000 millones de dólares de gasto bajo gestión: las empresas solo utilizan el 49% de las licencias que aprovisionan. Zylo también vive de vender gestión de SaaS, con lo cual estamos ante dos partes interesadas que apuntan en la misma dirección.

Antes del uso está la activación, que es donde se cae la mayoría. Perspective AI mide en su informe de 2026, sobre 340 empresas B2B, una tasa de activación mediana del 37%, prácticamente idéntica a la de 2025, 2024 y 2023.

Userpilot, con una muestra mucho menor de 62 empresas B2B SaaS, llegó al mismo 37% en 2024. Las dos venden herramientas de onboarding (la puesta en marcha del cliente nuevo), aunque que dos metodologías distintas converjan en la misma cifra le da bastante solidez al número.

4. El NRR es la métrica que peor envejece cuando tienes pocos clientes

La retención neta de ingresos es la favorita de los decks de inversión porque puede superar el 100% y contar una historia de crecimiento sin invertir en captación. Con veinte clientes es también la más fácil de romper: un solo upsell (ampliación de contrato de un cliente existente) te la coloca por encima del 110% mientras pierdes cuentas por abajo.

Circula por los análisis de RevOps un caso ilustrativo: una compañía con 9 millones de ARR reportaba un 118% de retención neta, pero dos cuentas concentraban el 61% de toda la expansión y ambas eran irrepetibles, una consolidación de filiales y una expansión geográfica que el propio cliente daba por terminada. Sin esas dos cuentas, el número real era 97%.

Los referentes del 110% o el 120% que verás citados vienen de compañías por encima de los 10 millones de facturación recurrente. Para fase semilla, las medianas de retención bruta que publican las agencias del sector se mueven entre el 75% y el 85%, con las cautelas habituales de un dato que no procede de una muestra auditada. Compararte con el referente equivocado te hará leer un problema estructural como si fuera un mal trimestre.

De las métricas que sirven en cada fase y de las que solo hacen ruido ya hablamos en métricas SaaS para startups, y del instrumento para leerlas en el análisis de cohortes.

5. Los frameworks con los que juzgas tu product-market fit no se diseñaron para tu tamaño

La famosa regla del 40% viene de un artículo de Sean Ellis de 2009: si más del 40% de tus usuarios se declara very disappointed (muy decepcionado) ante la desaparición del producto, tienes algo. El propio Ellis reconoce en ese mismo texto que el umbral es un tanto arbitrario y que lo fijó comparando resultados de cerca de un centenar de startups.

La crítica que mejor aguanta es de muestreo. La encuesta la contestan los usuarios comprometidos y los que ya se fueron, que son justamente los que definen tu encaje, no aparecen por ninguna parte. Estás calculando un porcentaje sobre una muestra que ya sobrerrepresenta a tus fans.

Brian Balfour formuló la otra señal canónica en The Never Ending Road To Product Market Fit: dibuja la retención por cohortes y mira si la curva se aplana. Balfour añade dos matices que casi nunca se citan:

• El primero es que hay negocios con cancelación natural incorporada al éxito y pone el ejemplo de una aplicación de citas (Tinder, Hinge, Bumble…), donde el cliente satisfecho es precisamente el que se marcha (y tiene sentido porque la idea de ese tipo de apps es no tener que volver a usarlas).
• El segundo es que en fase temprana los datos de uso son de escala pequeña y muy fáciles de racionalizar.

El caso de Superhuman que popularizó First Round Review resulta todavía más ilustrativo. Rahul Vohra pasó del 22% al 58% en la pregunta de Ellis, pero el primer salto, del 22% al 32%, lo consiguió segmentando a su cliente ideal y descartando al resto. Sin tocar el producto.

Cambió el denominador y la métrica se movió diez puntos, que es un recordatorio incómodo de a quién le estás preguntando cada vez que mides tu encaje.

6. La retención alta también miente

El falso positivo tiene nombre en la literatura de marketing: captive loyalty o spurious loyalty, la lealtad del cliente cautivo.

Ese cliente se comporta de forma divergente, con tasas de permanencia altísimas y una actitud pésima hacia el proveedor al mismo tiempo. Paga, se queda y te pondría a caldo en cuanto alguien le preguntara pero no le queda otro remedio que comprarte porque no hay alternativas o porque saltar a otro proveedor es extremadamente costoso y complejo.

CEB midió esto sobre 97.000 clientes y publicó el resultado en Harvard Business Review en 2010: el 96% de quienes tuvieron una experiencia de alto esfuerzo se declararon desleales, frente al 9% de quienes la tuvieron de bajo esfuerzo. La deslealtad llevaba ahí mucho tiempo antes de asomar a la tasa de cancelación.

Si tu retención se sostiene sobre integraciones difíciles de desmontar o sobre un contrato con permanencia, lo que tienes es coste de cambio, que es una ventaja competitiva real y de la que hablamos al analizar el moat en la era de la IA y el vendor lock-in en SaaS.

Como termómetro del encaje con el mercado, en cambio, sirve de poco: lo que estás midiendo es el precio de la puerta de salida.

7. La prueba de la cortesía, en tres preguntas

Con veinte clientes el diagnóstico no puede ser estadístico; tiene que ser nominal, cuenta por cuenta, y cabe en tres preguntas:

1. ¿Quién te compró por el problema y quién te compró por ti? Escríbelo en una columna al lado de cada nombre. Si más de la mitad cae en la segunda categoría, tu retención está midiendo tu agenda de contactos.
2. ¿Cuántas de tus cuentas entraron esta semana? No cuántas están vigentes. La distancia entre esas dos cifras es tu churn del año que viene, ya devengado y todavía sin contabilizar.
3. ¿Qué haría tu cliente el lunes si apagaras el producto sin avisar? Es la versión medida, y no encuestada, de la pregunta de Sean Ellis. Si la respuesta honesta es «abrir un Excel y seguir con su vida», ya tienes el resultado.

Cuando la señal sale mal, el error de lectura habitual consiste en dar por muerto el producto cuando el problema está en a quién se lo has vendido.

Si un subconjunto de cuentas retiene bien y el resto se cae, el producto funciona para alguien y lo que falla es el segmento. Eso se arregla cambiando de cliente y no de roadmap.

Y la decisión de cuándo dar por buena una señal sigue siendo igual de incómoda que cuando recorrimos cuándo dejar de validar y empezar a construir o repasamos las señales del product-market fit.

Tus primeros veinte clientes caben en una anécdota bien documentada, y ninguna hoja de cálculo va a ascenderlos a muestra.

8. Preguntas frecuentes sobre retención y churn en startups en fase temprana

¿La retención sirve para saber si tengo product-market fit?

Sirve, pero no en cualquier momento. Con veinte o treinta clientes, una tasa de retención arrastra un intervalo de confianza tan ancho que resulta compatible con escenarios opuestos: un 80% observado sobre cincuenta cuentas puede corresponder a una realidad de entre el 69% y el 91%. En esa fase la señal útil está en el uso de cada cuenta, una por una, y no en el promedio.

¿Por qué sube mi tasa de retención si no he cambiado nada del producto?

Por un efecto de composición que Fader y Hardie describieron en 2007. Los clientes con más propensión a cancelar se van primero, así que la media de los que quedan mejora sin que nadie haya cambiado de comportamiento. Una retención agregada creciente puede no decir absolutamente nada sobre la calidad de tu producto.

¿Qué diferencia hay entre retención bruta y retención neta de ingresos?

La bruta mide cuánto ingreso conservas de la base existente sin contar ampliaciones. La neta suma la expansión de los clientes que crecen contigo y por eso puede superar el 100%. Con pocos clientes, la neta engaña: una sola ampliación grande la dispara mientras pierdes cuentas por abajo.

¿Qué tasa de retención es normal en una startup en fase semilla?

Las medianas de retención bruta que publican las agencias del sector para fase semilla se mueven entre el 75% y el 85%, con la cautela de que no proceden de muestras auditadas. Los referentes del 110% o el 120% de retención neta que verás citados corresponden a compañías por encima de los 10 millones de facturación recurrente y no te sirven de comparación.

¿Un churn alto significa siempre que el producto no encaja?

No siempre. Hay productos con cancelación natural incorporada al éxito, como los de uso por proyecto o los que resuelven una necesidad puntual. Y hay cancelaciones que señalan un problema de segmento: si un subconjunto de cuentas retiene bien y el resto se cae, tu producto funciona para alguien y lo que falla es a quién se lo estás vendiendo.

Si queréis profundizar, el paper de Fader y Hardie, «How to Project Customer Retention«, es bastante interesante y, además, trae la hoja de cálculo montada así que puede ser de mucha utilidad para aprender a manejar y leer una curva de retención.

Nos leemos pronto. Hasta la próxima.

Imágenes: Philippe Lewicki en Flickr, Giphy, elaboración propia con datos de Fader y Hardie y de Perspective AI, SurveySensum, TechTarget

El artículo Retención de cortesía: lo que no te dicen tus primeros veinte clientes fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

Una decisión bastante llamativa: una empresa cerrando la puerta a quien quiere pagarle y dejándola abierta a quien no paga nada. El freemium (modelo con un escalón gratuito permanente) lleva quince años sostenido por una premisa que la inferencia ha roto: que el usuario que no paga tampoco cuesta.

Tradicionalmente, los usuarios de planes free, gracias a los márgenes del SaaS, se subvencionaban con los usuarios premium y se amortiguaba el gasto que generaban porque, en el fondo, era un CAC para captarlos y convertirlos a pago. Sin embargo, con las funcionalidades basadas en IA, ¿dónde está la frontera entre probar el producto e intentar convertir y los costes en créditos y tokens que tienen estas funcionalidades?

Sin probarlas, no hay manera de convencer pero, ahora mismo, un usuario free cuesta mucho más que antes.

Vamos a verlo en detalle.

1. El plan gratuito venía de una peculiaridad contable que se aprovechaba en el modelo freemium

Servir a un usuario más costaba una fracción de céntimo en almacenamiento y en tráfico, y esa cifra bajaba según crecías. Con ese suelo, regalar el producto a cien mil personas era una decisión de marketing con presupuesto cero, y cobrar lo mismo a quien usa la herramienta diez minutos y a quien la usa diez horas era una simplificación cómoda que no costaba dinero. Esta mecánica ya la tratamos al hablar del coste marginal cero y la escalabilidad del SaaS.

Sin embargo, este paradigma ha cambiado totalmente con los modelos de IA generativa y la inclusión de funcionalidades basadas en estos modelos en los productos.

Cada respuesta de un modelo de IA ejecuta la inferencia otra vez y cada ejecución tiene un coste asociado en tokens. Es la misma grieta que recorrimos al hablar de la muerte del SaaS en la era de la IA, vista ahora desde el lado del cliente que no paga.

El usuario gratuito ha pasado de ser una línea con valor cero en el presupuesto de marketing a ser una factura mensual con nombre y apellidos y, además, que tienes que seguir manteniendo porque es tu palanca para captar y convertir a pago.

2. ¿Cómo se ha desmontado la tarifa plana que conocíamos?

Hagamos un recorrido breve por lo que ha pasado en el último año en el mercado:

• Junio de 2025. GitHub introduce las peticiones premium en Copilot. El precio del plan seguía siendo fijo, pero por dentro ya corría un contador.
• Enero de 2026. OpenAI anuncia que empieza a probar anuncios en el escalón gratuito y en el plan Go de 8 dólares, y los despliega en febrero. Los planes de pago siguen sin publicidad. En 2024, Altman había descrito la publicidad como último recurso.
• Abril de 2026. Pausa de altas individuales, límites más estrechos por sesión y por semana, y retirada de los modelos caros de los planes bajos.
• Junio de 2026. Todos los planes pasan a facturación por consumo, con créditos calculados sobre tokens de entrada, salida y caché según la tarifa de cada modelo.

Entre el usuario y el modelo se ha instalado un contador y esto, en el fondo, es algo tan simple de explicar como el gratis con taxímetro.

3. El taxímetro decide qué modelo te sirve

El pasado jueves 6 de agosto, OpenAI anunció chats de texto ilimitados para los usuarios gratuitos y retiró el tope de mensajes que llevaba años empujando a la suscripción. Suena a lo contrario de todo lo anterior hasta que lees la letra pequeña.

Lo ilimitado aplica solo al texto: imágenes, archivos y voz conservan sus límites. Llega con un cambio de modelo por defecto a GPT-5.6 Luna, el más pequeño de la familia y con anuncios debajo de la respuesta.

ICONIQ describe la misma mecánica en su State of AI de enero de 2026: las empresas encuestadas mandan la mayoría de las cargas a modelos pequeños o afinados y reservan el modelo frontera para las tareas complejas.

La barra libre vuelve solamente cuando las «copas» salen baratas.

4. Qué margen deja servir a alguien que no paga

ICONIQ encuestó en el cuarto trimestre de 2025 a unos 300 directivos de empresas de software que venden productos que incluyen funcionalidades basadas en IA.

El margen bruto medio proyectado para 2026 se queda en el 52%, frente al 41% de 2024. Mejora pero sigue muy lejos del 80-90% que definió la década anterior del SaaS. El gasto en inferencia ronda el 23% de los ingresos en fase de escalado y no baja al crecer, justo lo contrario de lo que hacía el coste de servir en el software clásico.

Son márgenes autodeclarados, medidos sobre el producto de IA y no sobre la compañía entera, y el dato de 2026 es una proyección de los propios encuestados, que rara vez pecan de pesimistas. La cifra exacta admite discusión: Bessemer, en su State of AI, sitúa a las compañías de IA de crecimiento más rápido en torno al 60% de margen bruto.

Debajo de esa media hay algo peor para quien diseña un escalón gratuito: el coste por usuario tiene una cola larguísima.

El percentil 90 de tu base puede consumir órdenes de magnitud más que la mediana, sobre todo desde que un solo encargo encadena decenas de llamadas al modelo sin que nadie las mire.

El plan sale rentable de media y este cálculo se lo comen veinte cuentas. Es el mismo problema que planteábamos el otro día con «la prueba del clon» por el lado del moat: lo que decide tu negocio está en los extremos y no en la media.

5. El CAC invisible de tu plan gratuito en el modelo freemium

Si servir a un usuario gratuito cuesta dinero contante y sonante, el plan gratuito funciona como canal de adquisición y tiene su propio coste por cliente aunque casi nadie lo calcula.

La cuenta cabe en una línea:

coste mensual de servir a los usuarios gratuitos ÷ clientes nuevos que salen de ahí cada mes

Con números redondos: diez mil usuarios gratuitos activos, un coste de inferencia de 1,50 € por usuario y mes, conversión anual del 2,5%. Son 15.000 € mensuales de coste y unos veintiún clientes nuevos al mes. El coste de adquisición sale a 720 € por cliente, sin haber contado el equipo, el soporte ni un euro de publicidad.

Los tres supuestos son ilustrativos y hay que cambiarlos por los tuyos; lo que sorprende a casi todo el que hace el ejercicio es el orden de magnitud.

Ese 2,5% tampoco es una cifra pesimista. En el informe de conversión que ChartMogul, Kyle Poyar y ProductLed publicaron en enero de 2026 sobre 200 productos B2B, una cuarta parte de los productos freemium convierte por debajo del 2,5% en los seis primeros meses, mientras otra cuarta parte se mueve entre el 10% y el 15%. La mediana del 8% que se cita en todas partes describe a poquísima gente. Que el informe mida a seis meses y el ejemplo anterior use ese mismo 2,5% como tasa anual juega, además, a favor del plan gratuito.

6. ¿Qué puedes seguir regalando hoy? ¿Tiene sentido el freemium en la era de la IA?

El escalón gratuito sigue funcionando con una condición: tiene que llevar al usuario hasta el punto en el que entiende el valor y pararse antes de que termine su trabajo.

De esa frontera hablamos al desmenuzar hace poco la fase de activación, y la otra mitad está en el whole product de Geoffrey Moore: decidir qué entra en el paquete mínimo y qué se cobra aparte.

Hay tres palancas para colocar el taxímetro del nuevo modelo freemium, ordenadas por lo bien que envejecen:

1. Límite de uso en lugar de límite de funcionalidad: recortar funciones invita a quedarse gratis para siempre a quien ya tiene bastante con lo que hay. Un tope de uso crea un momento concreto en el que el usuario choca contra la pared y ese momento se puede monetizar.
2. Caducidad: el gratuito permanente sale caro cuando cada mes suma coste. Una prueba con fecha convierte ese gasto en algo acotado y previsible.
3. Modelo degradado: servir el escalón gratuito con el modelo más barato de la familia, como acaba de hacer OpenAI, mantiene el discurso de acceso abierto con una factura que aguanta.

Las tres son decisiones de precio y encajan con lo que contamos sobre ajustar el precio a lo que el cliente valora, con un matiz importante: aquí el suelo no lo pone lo que el cliente percibe, lo pone la tarifa de tu proveedor de modelos de IA generativa.

7. Las dos cuentas que faltan en casi todos los planes gratuitos y modelos freemium

La primera es cuánto te cuesta al mes tu usuario gratuito medio y cuánto el del percentil 90. Sin el segundo número, el primero engaña.

La segunda es qué CAC sale de tu plan gratuito puesto al lado del de tus canales de pago, en la misma tabla y con las mismas unidades. Si el plan gratuito pierde esa comparación, tienes un problema de precio y no de conversión.

Y luego está la frontera, que no es una cuenta sino una decisión de producto: si el límite llega antes del momento de valor, no conviertes; si llega después de que el cliente haya terminado su trabajo, pagas tú la fiesta.

Regalar software antes costaba cero y por eso el freemium era tan habitua. Hoy, regalar inferencia se paga a final de mes con una factura de tokens y llamadas a APIs.

Si queréis profundizar, el informe de conversión de ChartMogul, Kyle Poyar y ProductLed es gratuito, se lee en media hora y trae la distribución completa por tipo de producto, que vale bastante más que cualquier media.

Hay una segunda entrega sobre qué palancas mueven de verdad la conversión, y Kyle Poyar publicó su propio resumen en Growth Unhinged.

Nos leemos pronto. Hasta la próxima.

Imágenes: Elaboración propia con datos de ICONIQ y ChartMogul, lilspikey en Flickr y Giphy

El artículo El gratis con taxímetro: el fin de la tarifa plana en el software fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

Habré visto esta situación cientos de veces (junto a la contraria de construir sin haber hablado con ningún cliente). Emprendedores que están «eternamente» en fase de validación, haciendo entrevistas pero sin un objetivo claro ni tampoco una expectativa de qué esperan encontrar en la número cuarenta y uno que no esté ya en las cuarenta anteriores.

Evidentemente, hay que caracterizar al cliente y hacer validaciones antes de construir un producto. Ahora, de hecho, es muy fácil construir un MVP que mostrar. Nunca hay que saltarse esta fase de descubrimiento de clientes y validación de hipótesis y es algo que he abordado en más de una ocasión por aquí: entrevistas con clientes, validar el problema antes de construir el MVP, validar sin escribir una línea de código, los sesgos que rompen tu validación.

Todo eso sigue en pie y lo mantengo. No obstante, lo que nunca he escrito es el reverso: que validar también pasa factura y que esta factura la paga la única cuenta que no puedes recargar, que son los meses de vida de la empresa.

A ese momento en el que hay que cerrar el cuaderno y ponerse a construir lo voy a llamar el punto de parada. Tiene, además, una virtud poco frecuente: es algo que está estudiado con matemáticas desde hace sesenta años y se puede calcular.

Vamos a ello.

1. La factura silenciosa de seguir y no dejar de validar

El error de construir sin evidencias está perfectamente documentado. Tiene nombre, tiene métricas y tiene autopsias: es el falso product-market fit, el escalado prematuro, la tracción que resulta ser un espejismo. Deja un cadáver que se puede fotografiar.

El error contrario no deja nada. Nadie escribe un post-mortem titulado «cerramos por exceso de rigor metodológico». La ronda que no se levantó, el competidor que se llevó el hueco, el cofundador que se cansó… eso no aparece en ningún gráfico de causas de fracaso porque no hay producto al que echarle la culpa.

El resultado es una asimetría bastante singular: un error tiene toda la literatura y el otro tiene el silencio. Y cuando solo uno de los dos riesgos tiene voz, el fundador prudente sobrecorrige hacia el que nadie le va a reprochar.

2. Parar a tiempo tiene solución y es algo conocido desde 1960

El problema apareció en un artículo de Martin Gardner en Scientific American en febrero de 1960 y en la literatura académica se conoce como problema de la secretaria aunque también aparece bautizado como problema de la mejor elección. Thomas Ferguson lo repasó en «Who Solved the Secretary Problem?» en 1989 y rastreó incluso algunas versiones algo más antiguas.

El enunciado original es simple: necesitas contratar a un ayudante y se presentan cien candidatos. Los entrevistas de uno en uno, en orden aleatorio, y al terminar cada entrevista solo puedes hacer dos cosas: contratar en ese momento o descartar para siempre.

No hay lista de espera ni segundas llamadas. Además, cada entrevista solo te dice si esa persona es mejor o peor que las que ya has visto, no qué nota sacaría sobre el total de los cien. Y solo ganas si contratas al mejor de todos: quedarte con el segundo vale exactamente lo mismo que quedarte con el último. La pregunta es cuál es la estrategia que más veces te lleva a acertar.

¿Y por qué nos interesa esto? Porque el paralelismo con el descubrimiento de cliente es incómodo: hablas con los clientes de uno en uno, cada conversación solo te dice si esa persona encaja mejor o peor que las anteriores, y las semanas que dedicas a seguir buscando no las recuperas.

La solución es una regla de dos tiempos:

• Fase de calibración: observas al 37% de los candidatos y no eliges a ninguno, pase lo que pase. Solo estás aprendiendo a qué se parece el «bueno».
• Fase de compromiso: a partir de ahí, te quedas con el primero que supere a todos los anteriores.

Ese 37% sale de dividir entre e, el número de Euler, y la probabilidad de acertar con el mejor candidato de todos es también del 37%. Aquí está el primer aviso: la regla clásica está diseñada para acertar con el mejor, y por eso te obliga a tirar más de un tercio de la muestra a la basura.

3. Si te vale una opción buena, el 37% sobra y ahí te das cuenta cuándo dejar de validar

J. Neil Bearden publicó en 2006, en el Journal of Mathematical Psychology, una variante que cambia el marcador. En el problema clásico ganas 1 si eliges al mejor y 0 en cualquier otro caso, así que un candidato excelente cuenta lo mismo que uno que no lo es tanto. En su versión, acabas obteniendo como resultado el valor del candidato que elijas, que es como funciona la realidad.

Con ese cambio, el punto óptimo de parada se desploma: hay que descartar los primeros raíz cuadrada de n menos uno. Con cien candidatos, la regla clásica te manda observar treinta y siete antes de decidir; la de Bearden, nueve. Y no es un resultado asintótico, se cumple para cualquier valor de n.

La traducción al día a día de una startup es bastante directa: el fundador que sigue entrevistando está jugando a «el mejor o nada», cuando su problema real es tomar una decisión suficientemente buena con la información que ya tiene encima de la mesa.

En cuanto aceptas que no vas a encontrar la verdad absoluta sobre tu mercado, la fase de escucha se acorta a una cuarta parte.

4. La puerta manda sobre el número

Ninguna regla sirve igual para todas las decisiones y aquí ayuda mucho el framework que Jeff Bezos describió en la carta a los accionistas de Amazon de 2015. Hay decisiones que son puertas de un solo sentido, irreversibles o casi, y que en sus palabras deben tomarse metódicamente, con cuidado, despacio y con gran deliberación Y hay decisiones que son puertas de ida y vuelta: si te equivocas, vuelves a cruzarla y ya está.

El diagnóstico que hace Bezos de las organizaciones grandes describe con precisión a muchas startups pequeñas: aplicar el proceso pesado de las decisiones irreversibles a decisiones que no lo son, con lentitud, aversión al riesgo mal entendida y menos experimentación como resultado.

En un SaaS que está en fase temprana, el reparto suele ser este:

1. Puertas de ida y vuelta: el precio de lanzamiento, el empaquetado de planes, el onboarding, el canal por el que pruebas a captar o el nombre de la funcionalidad estrella.
2. Puertas de un solo sentido: el ICP al que te comprometes públicamente, la arquitectura de datos multi-tenant, un contrato de exclusividad, levantar una ronda sobre una tesis concreta…

La cantidad de validación tiene que ser proporcional a la irreversibilidad de la decisión, no a la ansiedad del fundador. Casi todo lo que se valida durante meses en fase temprana son puertas de ida y vuelta.

5. Qué dice la evidencia sobre pensar antes de actuar

La tentación al llegar aquí es concluir que planificar es una pérdida de tiempo y la evidencia no dice eso.

Jan Brinckmann, Dietmar Grichnik y Diana Kapsa publicaron en el Journal of Business Venturing un meta-análisis con un título que lo resume todo: «Should entrepreneurs plan or just storm the castle?» (2010) basado en 46 estudios empíricos.

La conclusión general es que planificar se asocia positivamente con el rendimiento, pero con un matiz que aquí importa mucho: la novedad de la empresa modera esa relación.

Los autores acaban proponiendo un enfoque que combine planificación y aprendizaje de forma simultánea y dinámica, en vez de tratarlos como dos etapas consecutivas. De todas formas, no hay que olvidar la fecha de publicación del artículo dado que se basa en estudios anteriores a 2010 sobre pequeñas empresas de todo tipo, no sobre SaaS o startups así que la dirección sirve pero la magnitud no es trasladable al 100% a lo que vemos hoy.

Aun así, la recomendación es la que menos se aplica: validar y construir no son dos fases, son dos actividades que conviven. Los tres tipos de MVP de los que hablé hace unos meses funcionan porque validan construyendo, no antes de construir.

Y sin embargo, casi nadie lo hace, y la razón no es metodológica. **Para un fundador, dejar de validar significa exponerse a que el mercado responda que no.

Mientras sigue entrevistando, la agenda está llena, el cuaderno crece y todo produce la sensación reconfortante de estar avanzando**. Es la versión educada de la procrastinación, y encaja con lo que ya decía al hablar de sesgos: validar no consiste en acumular señales a favor.

6. El punto de parada para dejar de validar planteado en cuatro preguntas

Si buscas el famoso «punto de parada» para dejar de validar, plantéate estas cuatro preguntas:

1. ¿Qué hipótesis concreta responde la siguiente conversación? Si no eres capaz de escribirla antes de la reunión, la reunión es un trámite.
2. ¿Es una puerta de ida o de ida y vuelta? Si puedes deshacerla en dos semanas, decídela hoy y sigue.
3. ¿Cuántas de tus últimas cinco entrevistas te hicieron cambiar algo? Si la respuesta es ninguna, tu fase de calibración terminó hace tiempo y no te habías dado cuenta.
4. ¿Buscas la mejor decisión o una decisión suficientemente buena? La primera pregunta no tiene respuesta y la segunda la tienes desde hace semanas.

Construir es también una forma de preguntar, y normalmente la única que consigue respuestas que el cliente no sabe darte sentado en una sala de reuniones.

Que hoy fabricar sea barato mueve el punto de parada todavía más cerca del principio: hay preguntas que cuesta menos responder con una versión funcionando que con seis semanas de agenda.

Y ojo, ninguna entrevista te va a dar el permiso que estás esperando así que plantéate cuándo debes dejar de validar y no permanezcas en esa fase eternamente.

Nos leemos pronto. Hasta la próxima.

Imágenes: elaboración propia, Giphy, Tima Miroshnichenko en Pexels y Tom Fishburne.

El artículo Cuándo dejar de validar y empezar a construir tu producto fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

Un moat (foso defensivo) es lo que impide a ese competidor quitarte el mercado aunque conozca al detalle tu producto. Durante quince años, el foso de casi cualquier startup de software fue el coste de fabricarlo: dieciocho meses y dos rondas de financiación. Ese coste se ha desplomado, y de eso hablé en el MOAT nunca fue el MVP, era el coste de construirlo y en el impacto de la IA sobre el modelo de negocio SaaS. Queda la otra mitad de la pregunta: si fabricar ya no protege tu negocio, ¿qué ventaja competitiva aguanta hoy la ola de la IA?

A ese ejercicio mental lo vamos a llamar la prueba del clon y lo vamos a usar para separar lo que defiende un negocio de lo que solamente queda bien en un consejo de administración.

1. Qué convierte una ventaja competitiva realmente en un foso o en un moat

Hamilton Helmer, en «7 Powers: The Foundations of Business Strategy» (2016), define poder como la suma de dos ingredientes:

• El primero es un beneficio: algo que mejora tu caja, porque te permite cobrar más o producir más barato.
• El segundo es una barrera: algo que impide al competidor replicarlo aunque sepa perfectamente lo que estás haciendo.

Con beneficio y sin barrera, lo que tienes es una ventaja con fecha de caducidad y, por tanto, realmente no tienes un moat sostenible en el tiempo.

Casi todo lo que hoy se etiqueta habitualmente como moat se queda en la primera mitad: mejor producto, más datos, haber llegado antes, pero todo eso es beneficio. La segunda parte casi nadie se la hace en voz alta: si el competidor lo sabe, ¿puede copiarlo? ¿En cuánto tiempo? ¿Con qué presupuesto?

La IA generativa ha derribado una barrera muy concreta, el coste y el plazo de tirar líneas de código, y ha dejado el resto donde estaba. El problema es que la mayoría de las empresas llevaban una década apoyando su tesis de defensibilidad justo encima de esa barrera, la del código.

2. Se fabrica siete veces más software y sigue cobrando la misma gente

En enero de 2022 se lanzaban unas 2.000 aplicaciones basadas en modelos de suscripción al mes. En enero de 2026, más de 14.700, según el informe State of Subscription Apps 2026 de RevenueCat, que mide 115.000 apps móviles y mil millones de transacciones. Es una muestra de consumo y no de SaaS B2B, así que la dirección sirve pero la magnitud no.

El reparto, en cambio, sigue como estaba: las aplicaciones lanzadas antes de 2020 generan el 69% de todos los ingresos por suscripción, y solo el 4,6% de las nuevas alcanza los 10.000 dólares mensuales en sus dos primeros años.

Aquella economía de coste marginal cero que sostenía la escalabilidad del software ya no funciona igual porque la inferencia, ahora, se paga por llamada. Fabricar ha dejado de ser el cuello de botella y ahora el cuello de botella está en cobrar y en los tokens de uso.

Cambia el moat y, por tanto, cambia la forma de competir.

3. Datos propietarios: el foso que menos aguanta

Martin Casado y Peter Lauten publicaron en a16z un artículo que genera un poco de incomodidad, The Empty Promise of Data Moats (2019), que le hizo bastante daño al candidato favorito a foso de la última década.

Separan dos fenómenos que se confunden a diario:

• Un efecto de red de datos exige que los nodos interactúen entre sí, y casi ningún SaaS empresarial lo tiene.
• Lo que casi todos tienen es un efecto de escala de datos, que se comporta al revés que la escala industrial clásica: el coste de conseguir el siguiente dato útil sube mientras su valor marginal baja.

El dato viene de un estudio de Eloquent Labs sobre consultas a un chatbot de atención al cliente: el 20% del esfuerzo cubre alrededor del 20% de los casos de uso, y la curva se aplana hasta un techo en torno al 40% de cobertura. Es un único dominio, un único proveedor y lo firma un fondo con intereses en la respuesta, pero la lógica de coste creciente y valor decreciente se sostiene igual.

Los modelos de propósito general han apretado más la tuerca porque han vuelto irrelevantes muchos corpus que costaron años de recolección. Lo que sigue superando la prueba del clon es un tipo muy concreto de dato propietario: el que se genera únicamente cuando el cliente usa tu producto. El histórico de decisiones de un equipo, sus excepciones, sus reglas particulares.

Eso no se descarga y no está disponible para entrenar modelos; solamente tienes tú esos datos en tu sistema.

4. La distribución protege menos de lo que dicen las diapositivas

Si el código deja de proteger, la respuesta habitual en los fondos y en LinkedIn es que ganará quien tenga la distribución aunque los números de 2025 complican un poco esta tesis.

Según el informe State of Generative AI in the Enterprise de Menlo Ventures, que encuesta a 495 decisores y es parte interesada en el resultado, las startups se llevaron el 63% del mercado de aplicaciones de IA, cerca de dos dólares por cada uno que ingresaron los incumbentes, cuando el año anterior estaban en el 36%. En generación de código la cuota de startups llegó al 71%; en ventas, al 78%; en finanzas y operaciones, al 91%.

El propio informe reconoce que sobre el papel eso no debería estar pasando: los incumbentes tienen distribución instalada, relaciones comerciales y balance. El caso de manual es GitHub Copilot, primer llegado y con todas las ventajas estructurales, superado por Cursor a base de enviar mejores funcionalidades más rápido y mantenerse agnóstico respecto al modelo.

La distribución, otra vez, es beneficio. La barrera aparece cuando marcharse cuesta algo, y de eso escribí al analizar el vendor lock-in en SaaS como estrategia y las dinámicas de winner takes it all y coste de cambio.

5. El coste de cambio, lo único que sobrevive a la prueba del clon

RevenueCat mide que las aplicaciones con IA convierten mejor la prueba gratuita en pago, un 8,5% frente al 5,6%, y generan un 41% más de ingreso por usuario en el primer año. Pero, eso sí, retienen bastante peor: 21,1% de retención anual frente al 30,7% de las que no llevan IA, y 6,1% frente a 9,5% en los planes mensuales.

Es un dato que descoloca porque, en realidad, esperas justo lo contrario.

En el lado B2B, el Ramp AI Index, que mide gasto real de más de 70.000 empresas estadounidenses, apunta a lo mismo con otro matiz. OpenAI y Anthropic tienen tasas de cancelación mensual casi idénticas, en torno al 4%, y el 79% de los clientes de Anthropic paga también OpenAI. En vez de migrar de un proveedor a otro, las empresas los apilan, que para el proveedor es una noticia peor de lo que parece: nadie ha tenido que desmontar nada para probar al competidor.

El foso aparece cuando el cliente ha metido trabajo propio dentro del producto: integraciones con sus sistemas, permisos configurados, histórico de registros, procesos escritos alrededor de la herramienta, gente formada…

Eso es coste de cambio medido en semanas de trabajo de su equipo, y explica que el SaaS vertical sostenga un 92% de retención bruta y un 112% de retención neta de ingresos. Es la versión adulta del whole product de Geoffrey Moore pero adaptada a la era de la IA.

6. Cumplimiento normativo y confianza: el moat aburrido

Casado y Lauten cierran su artículo con una idea que en 2019 sonaba menor: cuando sube el listón de seguridad y cumplimiento, sobrevivir al escrutinio de un cliente para acceder a sus datos sensibles se convierte en una barrera por sí misma.

En Europa ya tiene calendario. El Reglamento (UE) 2026/1744, el llamado Digital Omnibus sobre IA, se publicó en el DOUE el 24 de julio de 2026: aplaza las obligaciones de los sistemas de alto riesgo del Anexo III a diciembre de 2027 y las del Anexo I a agosto de 2028, y mantiene las de transparencia desde el 1 de agosto de 2026.

Certificarse, documentar y aguantar la revisión de un departamento de compras es lento y caro, y no hay prompt que lo acelere.

7. La prueba del clon, en tres preguntas para ver si de verdad tienes un moat

Tres preguntas bastan.

1. Si te clonan esta noche, ¿qué tienes mañana que ellos no? Si la respuesta son funcionalidades, todavía no tienes foso.
2. ¿Cuánto le cuesta irse a tu mejor cliente? Cuéntalo en horas de trabajo de su equipo, que es la moneda en la que decide.
3. ¿Qué parte de tu ventaja se explica bien en una demo? Esa parte es la copiable. Lo que te defiende suele ser justo lo que no cabe en una demo.

La defensibilidad se ha mudado desde lo que tú fabricas hacia lo que el cliente construye contigo dentro.

No se acelera contratando ingenieros ni cambiando de modelo, se acumula cliente a cliente y mes a mes. Deja a las startups jóvenes en una posición incómoda, porque su foso está todavía por construir, y la única palanca a mano mientras tanto es ajustar el precio a lo que el cliente valora.

Si tu ventaja cabe en una captura de pantalla, ya está en el backlog de otro y desarrollándose con Claude Code.

Si queréis profundizar, el libro de Hamilton Helmer, «7 Powers: The Foundations of Business Strategy«, es la mejor herramienta que conozco para distinguir un beneficio de una barrera, y se lee en un fin de semana.

Nos leemos pronto. Hasta la próxima.

Imágenes: Elaboración propia con datos de a16z y RevenueCat, Flickr y Giphy

El artículo Los nuevos Moats en la era de la IA. Si desarrollar código deja de ser barrera, ¿qué lo es? fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

Como casi todas las hipotecas y deudas, estas suelen ser peligrosas porque se firman sin leer la letra pequeña ya que solamente estamos pensando en cerrar el deal, en facturar y en sumar un logo al portfolio de clientes. Sin embargo, aunque el dinero de esa factura nos llegue hoy a la caja, la decisión nos pasará factura con el tiempo.

Cada «sí» de ese tipo tiene un coste que casi nadie contabiliza en forma de deuda de visión porque nos separa del roadmap del producto y nos lleva a hacer cosas casi al nivel de consultoría que, quizás, a pocos clientes más les interese y, por supuesto, no van a estar dispuestos a pagar por algo que no usan en el producto.

Radhika Dutt, en Radical Product Thinking, bautizó la enfermedad que produce este tipo de comportamientos: Obsessive Sales Disorder (OSD), la obsesión por las ventas. El síntoma que describe se reconoce al instante: cuando tus ingenieros te avisan de que el árbol de código se les ha quedado en arbusto de tanta rama específica por cliente, tu equipo de producto ya está enfermo.

1. La deuda de visión, un tipo de deuda que nadie apunta

Ward Cunningham acuñó en 1992 la metáfora de la technical debt (deuda técnica), y Martin Fowler la explica así: el esfuerzo extra que te cuesta añadir cada nueva funcionalidad son los intereses que pagas por esa deuda.

La aceptamos como parte del oficio porque está contabilizada: sabemos que existe, la nombramos y a veces hasta la priorizamos en el sprint (ciclo de trabajo del equipo).

La deuda de visión es su hermana invisible. La propia Dutt la define como construir tu producto sacrificando la visión central a cambio de sostenibilidad financiera a corto plazo. Y avisa de una cosa que es lo que más duele: igual que cualquier deuda, esta acumula intereses compuestos.

Cada vez que dices «sí» a algo que no encaja con la dirección de tu producto —una feature (funcionalidad) a medida, un cliente fuera de tu perfil, una excepción «puntual»— pides prestado a tu propia visión para financiar el trimestre. Y a diferencia de la deuda técnica, esta no la apunta nadie. No aparece en ningún tablero, no tiene ticket (tarea registrada), no se revisa. Deforma el producto poco a poco hasta que un día miras tu roadmap y no lo reconoces.

Dutt lo ordena con un eje que cruza encaje con la visión contra impacto en la sostenibilidad del negocio.

Lo ideal encaja con tu visión y mejora tu caja. Hay decisiones que invierten en la visión aunque tensen la caja. Y hay una zona concreta, la que nos interesa: lo que mejora la sostenibilidad pero no encaja con la visión. Ahí es donde se construye deuda de visión.

El cliente equivocado casi nunca cae en la zona de peligro absoluto. Cae en esa, y por eso es tan traicionero: te ofrece oxígeno real a cambio de un pedacito de dirección. Y el oxígeno, cuando falta el aire, es difícil de rechazar.

2. Cómo un solo cliente te secuestra el roadmap

Imaginemos un SaaS B2B de gestión de proyectos con un perfil de cliente muy claro: equipos pequeños que valoran la simplicidad.

Llega una gran corporación, firma un contrato que multiplica tu facturación mensual y trae una lista: campos personalizados, un flujo de aprobaciones de tres niveles, un módulo de reporting que nadie más ha pedido jamás.

Dices que sí. Es lógico decir que sí.

El problema empieza en la reunión de producto siguiente, y en todas las que vienen después. El equipo ya no prioriza por lo que necesita tu perfil de cliente ideal, sino por lo que grita el logo grande. Las funcionalidades a medida se convierten en un ala del producto que solo usa ese cliente pero que todo el equipo tiene que mantener.

Pendo analizó el uso real de 615 suscripciones de software y encontró que el 80% de las funcionalidades se usan raramente o nunca, mientras que apenas un 12% concentra el 80% del uso diario. Es dato de un proveedor, con lo que eso implica, pero apunta donde apuntaba aquel clásico 64% de Standish que tantos hemos citado sin saber que salía de un estudio de 2002 sobre cuatro aplicaciones internas. Construimos mucho más de lo que alguien llega a usar, y cada «sí» fuera de sitio engorda esa pila.

Nate Stewart, CPO de Cockroach Labs, lo comenta en First Round Review: los compromisos con clientes son deuda técnica para producto, porque limitan tu flexibilidad. En cinco años solo asumieron cinco o seis y reconoce lo difícil que resulta rechazar los primeros cien o doscientos mil dólares que llaman a su puerta, que es justo donde se firma la hipoteca.

El equipo termina dedicando sus mejores semanas a sostener una dirección que nadie eligió. Kyle Poyar, de OpenView, lo formula desde la óptica de la retención: ha visto tasas anuales que van del 50% al 90% para el mismo producto según el tipo de cliente.

Mismo producto, distinto cliente, cuarenta puntos de diferencia. Por eso tener un ICP nítido funciona como tu mejor cortafuegos contra la deuda de visión, y por eso el síndrome del sí rompe estrategias enteras.

3. Y además, la deuda de visión te deforma el pricing

La deuda de visión no se queda en el roadmap, se cuela también en tu modelo de negocio y en tu pricing.

Ese cliente grande casi nunca entra al precio de tus tarifas o planes. Entra con un descuento especial, una condición a medida, un «esto lo cerramos aparte». Y ahí actúa uno de los sesgos mejor documentados de la psicología económica: el anclaje que Tversky y Kahneman describieron en Science en 1974. Cualquier cifra inicial arrastra los juicios posteriores, y el ajuste que hacemos después siempre se queda corto.

El Program on Negotiation de Harvard lo lleva a la negociación: la primera oferta ancla todo lo que viene detrás. Tu descuento de hoy es el techo de tus renovaciones de mañana.

Y el descuento arrastra al cliente entero…

ProfitWell comparó los clientes captados con descuentos agresivos frente a los que pagaban el precio fijado en las tarifas y planes y encontró un LTV un 32% menor en los primeros, con más sensibilidad al precio y más rotación.

Encaja con lo que ya he defendido aquí en el blog en otras ocasiones: en B2B, lo que no se cobra no se valora, y una estrategia de precios coherente es de las expresiones más honestas de tu posicionamiento. Es un primo hermano de la trampa del piloto gratis: tracción que parece real y que subvencionas tú.

4. Cuándo la deuda de visión sí que merece la pena

A veces contraerla es lo correcto. Por ejemplo, si estás a tres meses de quedarte sin caja, la visión perfecta no sirve de nada en una empresa muerta. Dutt lo plantea así: priorizar es equilibrar el avance hacia la visión contra la realidad de la supervivencia.

Fowler, hablando de deuda técnica, dibujó un cuadrante que sirve igual para esto. Cruza dos ejes independientes: si contraes la deuda a sabiendas o te la encuentras meses después, y si al contraerla estás calculando o improvisando. De ahí salen cuatro casillas. La deliberada y prudente es la del «lanzamos ahora y lidiamos con las consecuencias»: sabes lo que firmas y lo que te va a costar. Su vecina, la deliberada pero temeraria, es la del «no tenemos tiempo para el diseño». Y abajo están las inadvertidas, las que descubres cuando ya has pagado unos cuantos intereses.

Llevado a la deuda de visión: aceptar el contrato que sale del scope sabiendo qué hipotecas, por cuánto tiempo y a cambio de qué te sitúa en la casilla prudente. Aceptarlo porque el trimestre aprieta y ya se verá te sitúa en la de al lado.

La frontera la marcas tú en el momento de firmar.

5. Cómo convertir un «sí» ciego en un «sí» contabilizado

Blindar el producto o convertir a tu equipo comercial en guardianes de la pureza no lleva a ningún sitio. Basta con apuntar la deuda antes de firmarla.

Tres reglas claras que puedes aplicar:

1. Ponle precio real al sí. Si un cliente te pide salir de tu producto, que pague por sacarte de él. El sobreprecio es la forma más honesta de medir si esa petición vale lo que cuesta.

2. No comprometas roadmap por defecto. Cobrar un desarrollo a medida es una cosa; meterlo en tu visión de producto es otra muy distinta. Que quede claro qué construyes para tu ICP y qué construyes para un contrato concreto.

3. Apúntala como deuda, con fecha de revisión. Igual que revisas la deuda técnica, ponle fecha a cada excepción: ¿esto lo mantenemos, lo generalizamos o lo retiramos dentro de seis meses? Sin esa fecha, la excepción se vuelve permanente por pura inercia.

Al final, todo esto es la otra cara de una misma moneda estratégica.

La estrategia es un conjunto de decisiones sobre dónde jugar y dónde no, y decir «sí» siempre implica decir «no» a otra cosa. Por eso una buena stop-doing list vale tanto como un buen roadmap: define la deuda de visión que no estás dispuesto a contraer.

El cliente equivocado llega siempre con un cheque, y el cheque se cobra hoy. Lo que firmas con él tarda años en pasar por caja, y en casi ninguna empresa queda apuntado en ningún sitio.

Seguid a Radhika Dutt, autora de Radical Product Thinking y leed su libro, es fantástico.

Nos leemos pronto.

Imágenes: Wendy Wei en Pexels, Giphy, adaptación de Martin Fowler con Nano Banana Pro, Pendo

El artículo La deuda de visión: el «sí» que financia hoy y te hipoteca mañana fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

Lo interesante no es que la IA alucinase y arrojase un resultado erróneo; es que se equivocó hacia arriba sobreestimando el tamaño del mercado aunque la cifra que arrojó estaba bien redactada, bien estructurada y tenía toda la pinta de un informe de consultora.

Que los fundadores de una startup inflen o sobreestimen el tamaño del mercado es bastante habitual y casi que normal porque no siempre es fácil de estimar porque necesitas acceso a datos, informes sectoriales… y no siempre son datos públicos o accesibles.

En 2020 escribí sobre el TAM-SAM-SOM y en 2024 volví sobre la cuantificación del mercado para explicar por qué el «solo con el 1% de este mercado ya somos unicornio» es la manera más rápida de perder una reunión (y pegarse un tiro en el pie en un pitch en un evento de inversión o ante una reunión con inversores).

Aquellos artículos siguen siendo válidos; sin embargo lo que ha cambiado es que ahora el emprendedor tiene un cómplice, una herramienta que infla por él, gratis, en treinta segundos y con una prosa impecable: la IA generativa.

1. Lo que ha cambiado desde 2024 a la hora de calcular el tamaño del mercado

En estos dos años y medio desde mi último artículo sobre el TAM-SAM-SOM han cambiado 3 cosas fundamentales y que, además, no son nada despreciables:

1. El listón del bottom-up ya no se negocia. El top-down (partir de un informe de mercado global y filtrar hacia abajo) siempre fue el camino cómodo; el bottom-up (contar clientes reales y multiplicarlos por lo que pagan), el trabajoso. Ahora el cómodo es directamente sospechoso porque cualquiera puede generarlo sin pensar. Cuando un inversor ve una cifra que sale de un informe de Gartner, sabe que todos los fundadores de esa categoría tienen acceso al mismo PDF. No le estás contando nada. Le estás contando que googleaste durante treinta segundos.

2. El SOM se ha convertido en un problema de capacidad comercial, no de porcentaje. Esta es la parte que más me interesa y la que casi nadie hace bien. Es tu capacidad actual para llegar al mercado y es clave, luego lo veremos en detalle.

3. El TAM ya no se descubre: se construye. Procore empezó vendiendo gestión de obra y acabó siendo el sistema operativo de la construcción. Toast empezó siendo un TPV de restaurantes y acabó siendo una fintech completa, creciendo por ARPU y no solo por clientes nuevos. Euclid Ventures lo dice de manera muy directa: los fundadores deberían dedicar un orden de magnitud más de tiempo a la estrategia de expansión del TAM que al cálculo del TAM. El número es el suelo, no el techo.

Y mientras tanto, la teatralidad no ha bajado…

En mayo de 2026, SpaceX presentó su S-1 ante la SEC (el folleto de salida a bolsa ante el regulador estadounidense donde se declaran las cifras reales del negocio bajo responsabilidad legal) afirmando haber identificado «el mayor mercado direccionable accionable de la historia de la humanidad»: 28,5 billones de dólares, aproximadamente el PIB anual de Estados Unidos, de los cuales 26,5 billones eran IA.

Cuando una empresa que fabrica cohetes te dimensiona su mercado incluyendo las aplicaciones empresariales de inteligencia artificial, ya no estamos hablando de un TAM… es otra cosa diferente…

2. Por qué la IA tiende a inflar el tamaño de mercado

La IA no infla los datos ni por maldad ni por casualidad, los infla por cuatro motivos que conviene entender porque solo así se pueden controlar y, de esta forma, minimizar la probabilidad de meter la pata en un deck o en una reunión.

2.1 El pecado del promedio

El fallo de Strategex que comentaba al inicio es bastante ilustrativo.

Para calcular el mercado de un software para e-commerce, la IA cogió la comisión media por comerciante y la multiplicó por el número total de comerciantes. Un cálculo elegante que parece lógico pero que, en realidad, es absurdo porque Amazon no paga lo mismo que la ferretería de tu barrio.

La disposición a pagar, el famoso willingness to pay, no es un número: es una curva, unos pocos pagan muchísimo y una inmensa mayoría paga muy poco o nada.

Cuando coges la media en lugar del área bajo la curva, el mercado se hincha exageradamente. Es exactamente el mismo error que cometió WeWork en su S-1 de 2019 cuando declaró un TAM de tres billones de dólares multiplicando 255 millones de trabajadores de oficina por un coste medio de ocupación de 11.700 dólares. La crítica de thrv lo explicaba bien: tomar la media en vez del área bajo la curva infla el mercado de forma descomunal. Un modelo de IA en 2026 comete ese mismo error solo y sin ayuda de un banco de inversión.

Así que si en tu cálculo aparece una media, probablemente estás inflando.

2.2 La fabricación de fuentes

Los modelos inventan informes, no «a veces», es algo que incluso es medible.

En el estudio de Walters y Wilder (Scientific Reports, 2023), GPT-3.5 fabricó el 55% de las citas que ofrecía y GPT-4 el 18%. En trabajos posteriores centrados en economía, más del 30% de las referencias eran inexistentes, y la fiabilidad empeoraba cuanto más especializado era el prompt que se le daba a la IA.

Traducido a nuestro terreno: cuanto más nicho sea tu mercado, más probable es que la IA se invente el informe que «demuestra» su tamaño.

Hay otra trampa que no debemos ignorar. A veces, aunque la fuente exista, puede que sea de muy mala calidad.

Busca en Google el tamaño de cualquier mercado y verás cifras que varían en cuatro órdenes de magnitud según quién publique el artículo: para «mercado del SEO» puedes encontrar cifras que van desde los 26 millones hasta 427.000 millones de dólares. Es un ecosistema industrial de informes generados para posicionar en Google, todos con su CAGR de dos dígitos y su metodología invisible.

La IA los lee con el mismo respeto que un dato del INE, así que revisa siempre las fuentes y la veracidad de sus datos.

2.3 La sobreconfianza está medida

En FermiEval (Stanford, octubre de 2025), los investigadores pidieron a los modelos intervalos de confianza del 99% en problemas de estimación. Esos intervalos contenían la respuesta correcta solo el 65% de las veces. Aunque daban una confianza alta, las respuestas eran erróneas.

Los autores lo llaman «túnel de percepción»: el modelo tiene en la cabeza un abanico amplio de valores posibles, de los más probables a los más raros, pero al responder solo mira el centro de ese abanico y descarta los extremos (que el mercado real sea diez veces mayor o diez veces menor de lo que parece). El problema es que un intervalo del 99% se define precisamente por incluir los extremos. Es como presupuestar una reforma contando solo con que todo saldrá según lo previsto: la horquilla sale estrecha y la confianza con la que te la dan, inflada.

Y QuantSightBench (abril de 2026) añade el matiz que nos afecta directamente. De once modelos evaluados, ninguno alcanza el objetivo del 90% de cobertura: el mejor se queda en el 79,1%. Pero lo importante es esto otro: la calibración se degrada a medida que crece la magnitud del número. Con valores entre 1 y 10 la cobertura supera el 80%, en cuanto las cifras llegan al orden de los cientos de miles, cae por debajo del 65%.

Es decir, el régimen donde peor se comportan los modelos es exactamente el régimen del tamaño de mercado porque son números grandes basados en estimaciones.

2.4 El sesgo complaciente

El cuarto motivo no es técnico, es humano. Si tú le escribes a un modelo «calcula el TAM de mi startup de IA para recursos humanos, creo que es enorme», el modelo te va a dar la razón. No porque mienta, sino porque le has puesto la conclusión en el propio prompt y va a intentar darte la razón.

La IA es una máquina de plausibilidad, no una máquina de verdad y una cifra inflada es siempre más plausible que una cifra pequeña, porque hay más informes optimistas que pesimistas en Internet.

3. Cómo calcular el TAM, SAM y SOM con IA: los cuatro modos

La conclusión no es dejar de usar IA para dimensionar mercados, sería absurdo porque es la mejor herramienta que hemos tenido nunca para este trabajo. Solamente tenemos que cambiar qué le pedimos; es decir, no pedirle nunca la cifra, hay que pedirle los ingredientes de la cifra para luego componerla.

Cuatro modos de uso, en este orden.

Modo 1: contar, no estimar

Nunca preguntes «¿cuánto vale este mercado?». Pregunta «¿cuántas empresas hay que cumplan estas condiciones, y de dónde sale ese número?».

El bottom-up honesto es una operación de recuento. En España tienes el DIRCE del INE: a 1 de enero de 2025 había 3.310.824 empresas activas, clasificables por CNAE, tramo de asalariados y comunidad autónoma. Y ahí aparece el dato que le arruina el TAM a media España: el 54,4% no tiene ni un solo asalariado y el 81,6% tiene dos o menos. Si tu producto necesita un equipo con estructura, acabas de perder ocho de cada diez empresas de tu «mercado».

Prompt para usar:

Necesito contar el universo de empresas objetivo para un SaaS de [X]. Mi ICP es [criterios: sector, tamaño, geografía, condición]. Usa exclusivamente fuentes estadísticas oficiales (DIRCE/INE para España, Eurostat/NACE para Europa, Census/NAICS para EE.UU.). Para cada cifra, dame: el número, la tabla concreta de la que sale, el año y el enlace directo a la fuente. Si no encuentras el dato en una fuente oficial, dilo explícitamente en lugar de estimarlo. No calcules ningún tamaño de mercado todavía.

La última frase es la importante porque le estás prohibiendo el resultado para obligarle al método.

Modo 2: extraer, no inventar

Los mejores datos de mercado no están en informes de mercado, están en las cuentas de tus competidores cotizados. Un S-1 o un 10-K (el informe anual auditado que toda cotizada presenta ante el regulador) te da ARPU real, número de clientes real y penetración real. Es material primario y es gratis.

Te paso el S-1 de [competidor]. Extrae: número de clientes, ingreso medio por cuenta, tasa de retención neta, definición exacta que ellos hacen de su mercado y qué segmentos excluyen. Cítame la página de cada dato. No interpretes: extrae.

Aquí la IA es excelente, porque el trabajo es de lectura y estructuración, no de invención. Es la diferencia entre pedirle memoria y pedirle atención.

Modo 3: calcular, no narrar

Cuando ya tienes inputs verificados, el cálculo lo hace una hoja de cálculo, no un prompt. Usa el intérprete de código, no el chat.

Con estos inputs [tabla verificada], construye el modelo bottom-up en Python. Calcula TAM, SAM y SOM en tres escenarios (conservador, base, optimista). Después haz un análisis de sensibilidad: dime qué variable, movida un 20%, cambia más el resultado. No añadas ninguna cifra que no esté en la tabla que te he dado.

Cuando el modelo tiene que ejecutar código, no puede maquillar. O cuadra o no cuadra.

Modo 4: atacar, no confirmar

Este es el modo que casi nadie usa y el que más valor genera. Una vez tienes tu cifra, pídele a la IA que la destruya.

Este es mi cálculo de TAM/SAM/SOM con todos mis supuestos [pegar]. Actúa como el socio más escéptico de un fondo de venture capital que va a decir que no. Enumera, ordenados por gravedad: (1) qué supuesto es más frágil y por qué, (2) dónde estoy confundiendo gasto total de la industria con mercado direccionable de mi producto, (3) dónde estoy usando una media que debería ser una distribución, (4) qué pregunta me haría en la reunión que no sé responder. No seas amable.

Si la IA no encuentra nada que atacar, es que no lo has intentado en serio.

4. El protocolo en acción para comprobar el tamaño del mercado: auditando un informe real

Mientras preparaba este artículo hice el ejercicio completo: le pedí a un modo de deep research un informe sobre TAM-SAM-SOM.

Volvió con veinte páginas impecables: definiciones, tablas comparativas, casos de Airbnb y Uber, veinticinco fuentes citadas. El tipo de documento que da ganas de reenviar sin abrirlo porque todo suena muy bien.

Le apliqué el protocolo anterior para comprobar los datos de tamaño del mercado y esto es lo que salió:

• Comprobación 1 — ¿Existen las fuentes? La fuente más citada del informe, de la que colgaba la mitad del contenido, era literalmente esto en la bibliografía: «5. Estrategia». Sin URL, sin autor, sin fecha. Una fuente fantasma sosteniendo el edificio.

• Comprobación 2 — ¿El dato estrella tiene padre? El informe afirmaba que «según Carta y DocSend, los decks con proyecciones bottom-up cierran Series A un 40% más rápido». Suena a oro para un artículo. Rastreé la cifra: sale del blog de una agencia de pitch decks, sin enlace a ninguna publicación de Carta. Y hay un detalle que la delata: Carta gestiona cap tables, no ve tu deck, así que estructuralmente no puede medir ese dato.

• Comprobación 3 — ¿Los números cuadran con la fuente primaria? El informe cerraba diciendo que Uber vale 85.000 millones e ingresa 32.000. Pero el formulario 10-K dice otra cosa: ingresos de 52.000 millones en 2025 y capitalización de unos 153.000 millones.

• Comprobación 4 — ¿Las unidades son consistentes? En el caso Airbnb, el informe daba un SAM en dólares en un párrafo y en número de viajes en la tabla, y sacaba un porcentaje de uno para llegar al otro. Cuando dólares y unidades se mezclan sin avisar, el cálculo es decorativo.

Ojo, la IA es buena sintetizando marcos y estructurando conceptos pero es débil en cifras sin verificar. El error es usarla sin distinguir en qué es fuerte y en qué no.

5. Cómo calcular el SOM: la parte más complicada y que duele

Todo lo anterior sirve para no mentir con el TAM. Pero el número que de verdad se mira en una reunión es el SOM, y sigue calculándose fatal: un porcentaje elegido a ojo sobre el SAM.

El SOM no es un porcentaje, es una función de tu capacidad comercial real y se calcula así:

(número de comerciales × reuniones cualificadas al mes × tasa de cierre × contrato medio anual × 12)

Hagamos el ejercicio con un equipo de cuatro comerciales, quince reuniones cualificadas al mes cada uno, una tasa de cierre del 20% y un contrato medio de 18.000 euros:

4 × 15 × 0,20 × 18.000 × 12 = 2,59 millones de euros

Ese es tu SOM de verdad, no el 3% de un SAM de 400 millones.

Un fundador solo, vendiendo él, diez reuniones al mes, un 15% de cierre y un contrato de 12.000 euros. Resultado: 216.000 euros. Escuece y duele pero es tu número hoy y la ventaja de defender un número que escuece es que nadie puede tirártelo abajo porque ya está en el suelo.

La diapositiva de mercado dice 200 millones de SOM y la diapositiva de go-to-market dice «contrataremos dos comerciales el año que viene». Un inversor tarda cuatro segundos en cruzar esas dos diapositivas. La IA nunca te va a avisar de esa contradicción, porque nunca ve el deck entero.

6. El protocolo para calcular el tamaño del mercado bien en siete pasos

1. Define el ICP hasta que duela: No «pymes», empresas de 10 a 50 empleados, del CNAE 62, en España, que ya usan un CRM. Si no puedes filtrarlo en una tabla del INE, no es un ICP.
2. Cuenta: fuentes oficiales, con enlace. La IA estructura; tú verificas el recuento a mano. Sí, a mano.
3. Precio real: ACV o ARPU sacado de competidores y de conversaciones con clientes, no de tu intuición ni de lo que te gustaría cobrar.
4. Calcula el TAM y filtra hasta el SAM (geografía, idioma, regulación, stack técnico): cada filtro debe ir con su justificación escrita.
5. El SOM sale de la capacidad comercial, con la fórmula de arriba para los próximos 12-24 meses. Sin excepciones.
6. Triangula: compara tu bottom-up con un top-down de fuente creíble. Si difieren más de 3-5 veces, uno de los dos está mal y probablemente es el tuyo.
7. Documenta cada supuesto con su enlace: si un dato no tiene fuente verificable, no entra. Si la IA lo citó, ábrelo y compruébalo. Que exista el informe y que diga lo que dice que dice.

El paso 7 no es burocracia ni trabajar por trabajar; es lo único que te protege cuando un socio del fondo te pregunta de dónde sale el 24% y tú tienes que responder en tiempo real, sin abrir el portátil.

Y para cualquier informe que te entregue una IA (o un becario, o una consultora), dedica unos minutos a verificarlo: abre las tres fuentes más citadas y comprueba que existen y son primarias, coge las dos cifras más importantes y búscalas en su fuente original, verifica que las unidades no cambian por el camino y busca en Google, entre comillas, el dato más espectacular (si solo aparece en blogs de agencias o artículos pero sin enlazar con la fuente, es un dato que no tiene padre).

7. Si estás al otro lado de la mesa, esto del tamaño del mercado y la manera de calcularlo te interesa

Para inversores y mentores, el trabajo se ha vuelto más difícil porque los decks ahora llegan con una capa de barniz argumental que antes no tenían porque la cifra inflada ya no viene sola y ahora viene con tres párrafos de justificación bien escrita.

¿Qué hacer? Plantear 5 preguntas clave:

1. ¿De dónde sale el número de empresas? Si la respuesta es un informe, pide la tabla. Si es una tabla, pide el filtro.
2. ¿Qué media has usado y qué distribución esconde? Aquí se cae el 80% de los TAM.
3. ¿Cuántos comerciales necesitas para llegar al SOM del año dos? Cruza con la diapositiva de equipo.
4. ¿Qué % de tu TAM es gasto de tus clientes y qué % es ingreso tuyo? El error clásico: dimensionar el mercado de los supermercados cuando lo que vendes es software a los supermercados.
5. Cuéntamelo sin mirar. Si no puede recitar su metodología en una frase, no la ha construido: se la han dado.

8. La honestidad como ventaja competitiva a la hora de defender el tamaño del mercado

Hay una asimetría que casi nadie aprovecha. Todo el mundo llega con cifras infladas, así que el que llega con una cifra pequeña y bien construida destaca porque es un dato de tamaño de mercado que es realista.

Un SOM de 216.000 euros que puedes defender línea a línea genera más confianza que un TAM de 40.000 millones que se desmonta con dos preguntas porque el inversor no solo está evaluando tu mercado, también está evaluando tu criterio y el mercado es solo la excusa para verlo funcionar.

La IA te da la cifra grande en treinta segundos y ese es el gran problema, no la solución. Lo difícil ahora no es la capacidad de calcular, es la voluntad de no engañarse.

Si tu TAM cabe en un círculo bonito pero no cabe en una hoja de cálculo, no tienes un mercado, lo que tienes es una diapositiva para un pitch con más ciencia ficción que realidad.

Nos leemos pronto.

Imágenes: Thirdman en Pexels, Giphy, Lean Case, Examples of y Lumenova

El artículo TAM, SAM y SOM en 2026: la IA te va a inflar el mercado fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

Nos obsesionamos con la adquisición (llenar la parte alta del embudo y hacer que entre gente en nuestro producto) y con la retención (que no se nos escapen los clientes por abajo), pero el partido de verdad se juega en el puente que conecta ambas: el momento en el que un usuario recién registrado experimenta, por primera vez, el valor que le prometimos.

Y ahí no hay segundas oportunidades; cada registro es una ficha sobre la mesa: si el usuario ve el valor, doblas (se activa, se queda, paga y trae a otros); si no lo ve, pierdes la ficha entera, con todo el CAC que te costó ponerla ahí.

Es un doble o nada, ningún usuario vuelve a un producto que no entendió la primera vez.

1. La activación no es solo registrarse

Primera trampa conceptual: confundir registro con activación.

El registro es una transacción (email, contraseña, clic en «crear cuenta»); la activación es una experiencia.

En el clásico embudo AARRR de Dave McClure, la activación es la segunda A: el paso en el que el usuario adquirido tiene su primera experiencia de valor real con el producto.

Reforge lo desglosa en tres momentos que me parecen muy interesantes para diagnosticar dónde se rompe el proceso:

1. Setup moment: el usuario completa lo mínimo necesario para poder experimentar el valor (conectar una integración, importar datos, invitar al equipo…). Es la fase de máxima fricción y donde la mayoría de productos B2B pierden a sus usuarios.
2. Aha moment: el usuario experimenta el valor central del producto por primera vez. No lo lee en tu landing ni se lo cuenta un comercial: lo comprueba con sus propias manos.
3. Habit moment: el usuario incorpora el producto a su rutina de trabajo. Ya no lo prueba; depende de él.

Del momento Ahá ya hablé hace tiempo en Del «Ahá» al «D’oh»: diseñando productos que emocionan, así que no me repito: quédate con que es el núcleo emocional de la activación y sobre la creación de un hábito y la retención, te recomiendo leer sobre el test del cepillo de dientes.

Lo que quiero contarte hoy es el sistema completo que hay alrededor de ese instante, porque un Ahá aislado no activa a nadie si el setup previo espanta al usuario o si después no hay hábito que lo consolide.

La activación completa es la secuencia entera: setup → ahá → hábito.

Si cualquiera de los tres eslabones de esta cadena falla, ésta se nos rompe y el usuario se queda a las puertas. Este usuario se convierte en una especie de turista del signup: entra, mira, hace la foto y se va. Engorda tu métrica de usuarios registrados y no vale absolutamente nada (no se activa y, por tanto, nunca va a convertir).

2. ¿Por qué esto de la activación es un doble o nada? (los números)

Vamos con datos, que las tesis sin números son opiniones de barra de bar (como decía un profesor del MBA).

Los benchmarks recopilados por Lenny Rachitsky y Yuriy Timen sobre cientos de productos SaaS sitúan la tasa de activación mediana en torno al 30%.

Es decir: el producto SaaS típico pierde a 7 de cada 10 registros antes de que experimenten valor alguno.

Por debajo del 25% estás en el cuartil inferior (alarma roja); un 50% se considera bueno; y a partir del 65% hablamos de la élite, productos con una fricción casi inexistente. Otros análisis de benchmarks del sector llegan a cifras similares: la media ronda un tercio de los registros.

¿Y por qué importa tanto ese porcentaje? Porque la activación es la métrica más predictiva de todo lo que viene después:

• Los usuarios activados convierten a pago varias veces más que los no activados; los estudios del sector hablan de multiplicadores de entre 3 y 5 veces. Toda tu retención, tu expansión y tu payback period se amplifican (o se asfixian) en este cuello de botella.
• La ventana es corta. Si un usuario no encuentra valor en sus primeros 30 días, es estadísticamente improbable que siga activo a los 90. La partida se decide en el primer mes, y muchas veces en la primera sesión.
• El CAC no perdona. Cada usuario no activado es coste de adquisición quemado que jamás generará LTV. Escalar la captación con una activación por debajo del 30% es verter agua en un cubo que tiene fugas y agujeros: cuanto más inviertes, más rápido pierdes.

Hay un dato de OpenView que resume bien lo que está en juego: las empresas con modelos Product-Led Growth (crecimiento liderado por el producto) han llegado a crecer a ritmos muy superiores a los del SaaS tradicional precisamente porque han sistematizado esta fase.

No es que tengan mejor producto; es que su producto se explica y se vende solo en los primeros minutos.

La activación es, además, el barómetro más honesto del Product-Market Fit.

El motivo es simple, los early-adopters te perdonan casi todo: toleran fricción, interfaces torpes y semanas de configuración porque están desesperados por resolver su problema. El mercado masivo, no.

Si tus cohortes de usuarios nuevos muestran una curva de retención que cae hacia cero en vez de aplanarse, no tienes un problema de onboarding: tienes un espejismo de tracción.

Y si necesitas empujar a los usuarios a base de emails, notificaciones y llamadas para que usen el producto, malas noticias: cuando hay encaje real, es el mercado el que tira del producto, no tú el que lo empujas.

3. El reloj corre en tu contra para reducir el Time-to-Value

La métrica que gobierna toda esta fase es el Time-to-Value (TTV): el tiempo que pasa entre el registro y la primera experiencia de valor.

Y aquí ha habido un cambio brutal de expectativas. Lo que hace una década se medía en semanas de implantación con consultores, hoy se mide en minutos.

Los productos self-service de referencia entregan valor en la primera sesión: Loom te deja grabar y compartir un vídeo a los pocos minutos de instalar la extensión, Calendly te permite configurar y compartir tu enlace de reservas casi de inmediato, Grammarly te corrige la primera frase que escribes…

Pensemos en el caso contrario, una empresa B2B de software gestión de proyectos con un onboarding de tres semanas:

• email de bienvenida con una guía que nadie leía
• demo con un comercial al tercer día (a la que nadie asistía)
• seguimientos automáticos que aterrizaban en spam

Para la tercera semana, la mitad de los trials habrán expirado sin que el usuario haya visto valor alguno. Su tasa de activación rondará, seguramente, el 30% y no habrá tutorial in-app que lo arregle porque el problema no es estético, es secuencial.

El onboarding tradicional dice: «configúralo todo y luego usa el producto».

Sin embargo, el onboarding que activa invierte el orden: «experimenta el valor ya, y configura después».

Un usuario que ha visto con sus propios ojos lo que el producto hace por él está infinitamente más dispuesto a invertir tiempo en una configuración pesada. Cada campo de formulario que podría ser opcional, cada verificación de email que te saca de la aplicación, cada pantalla previa al valor es un peaje que una parte de tus usuarios no va a pagar.

4. Define tu métrica de activación (y no copies la de otros)

¿Y cuál es el momento de activación de tu negocio? La respuesta a esta pregunta no sale de la intuición, sale de los datos.

Compara el comportamiento temprano de los usuarios que retuviste a largo plazo con el de los que se fueron, entrevista a tus power users («¿cuándo te diste cuenta de que esto valía la pena?») y valida con tests A/B qué rutas de onboarding mueven de verdad la retención.

Los ejemplos de algunas empresas conocidas ayudan a entender qué forma tiene una buena métrica de activación:

Fíjate en el patrón: todas son específicas y medibles (eventos concretos y no sensaciones), alcanzables pronto (idealmente en la primera sesión o los primeros días), correlacionadas con la retención (no con la vanidad) y representativas del valor central (completar el perfil no activa a nadie).

Ahora, la advertencia: esos números son de esas empresas, con sus datos y sus cohortes de usuarios. Los «7 amigos en 10 días» de Facebook no son una receta; son el resultado de un análisis interno que tú tienes que replicar con tus propios usuarios.

Copiar la métrica de activación de otro es como copiar la talla de zapato de otro porque camina rápido.

Si no eres capaz de definir un momento de activación específico, medible y temprano, el problema no es de analítica; es que tu producto todavía no tiene un valor lo suficientemente claro como para sostener una estrategia de crecimiento. Ese es un diagnóstico duro pero más vale hacerlo ahora que después de quemar el presupuesto de captación.

5. El onboarding: el arte de quitar y no de enseñar para conseguir la activación

Si la activación es la apuesta, el onboarding es cómo juegas la mano.

Y aquí el error más extendido es diseñar onboardings que enseñan el producto en vez de entregar valor. El tour de doce pasos que recorre todas las funcionalidades es el equivalente digital de un camarero recitándote la carta entera antes de dejarte pedir agua: el usuario olvida la información antes de necesitarla o, directamente, lo salta.

Lo que sí funciona tiene un denominador común: reducir el esfuerzo necesario para llegar al valor:

1. Mata la pantalla en blanco. Un usuario que entra en tu CRM o tu herramienta de datos y se encuentra paneles vacíos tiene delante una tarea extenuante: poblar la herramienta para poder verla funcionar. Plantillas preconfiguradas y datos de muestra le permiten tocar el valor sin esfuerzo previo.
2. Perfilado progresivo. No pidas en el registro lo que puedes pedir después. Pregunta lo mínimo, personaliza la ruta según el caso de uso y ve recopilando el resto a medida que el usuario avanza. Roles distintos compran el mismo software por razones distintas; tratarlos igual es fallarles a todos.
3. Checklists con progreso visible. Una lista corta de pasos con barra de progreso genera una inercia psicológica sorprendente. Es darle al usuario un mapa de «qué hago ahora» en el momento de máxima desorientación.
4. Valor iterativo, no exhaustividad. Una victoria rápida primero; las capacidades avanzadas, cuando el comportamiento del usuario demuestre que está listo.

El modelo de acceso también condiciona la activación:

• En freemium, la regla heurística del 70% es un buen punto de partida: el plan gratuito debe resolver en torno al 70% de la necesidad principal (suficiente para alcanzar el Ahá), reservando el 30% restante (funciones avanzadas, colaboración a escala, seguridad enterprise) tras el muro de pago. Si recortas demasiado, el valor queda inalcanzable y nadie se activa; si regalas demasiado, nadie paga.

• En free trial, los tests del sector apuntan a que las pruebas cortas (14 días) convierten mejor que las largas (30), porque la urgencia también activa; y que pedir tarjeta de crédito por adelantado reduce mucho los registros a cambio de usuarios de más calidad.

Y no olvides que el onboarding no es solo software: es documentación, soporte inicial, precios comprensibles y acompañamiento. Es decir, el Whole Product del que ya hemos hablado: todo lo que el cliente necesita para experimentar el valor completo sin tener que rellenar huecos por su cuenta.

6. El ritual semanal: la activación como sistema operativo

Todo lo anterior se queda en teoría bonita si la organización no lo ejecuta y aquí es donde veo la incoherencia más habitual: empresas que declaran la activación como prioridad estratégica mientras asignan sus recursos clave a construir más features, dejando en un segundo plano el onboarding de nuevos usuarios. Si mides shipping de nuevas funcionalidades, tendrás shipping; no tendrás activación.

La forma más eficaz que conozco de proteger esta métrica de las mil distracciones del roadmap es dedicarle tiempo en la agenda de la semana a la activación (30-45 minutos) con una pregunta fija de apertura: ¿qué fricción principal impidió esta semana que los usuarios llegaran al momento Ahá?

La agenda es bastante simple:

1. 5 minutos de datos: no más de tres números (activación a día 1 y día 7, TTV medio).
2. 10 minutos de fricción: el obstáculo principal detectado, con evidencia de comportamiento real, no opiniones.
3. 10 minutos de decisión: qué cambio concreto de producto, UX o mensaje se implementa.
4. 10 minutos de experimento: el test A/B asociado, con responsable y fecha.
5. 5 minutos de renuncia: qué iniciativa del roadmap se pausa para liberar recursos. Este es el paso que duele y el que separa a los equipos que optimizan activación de los que solo hablan de ella.

De cada sesión salen tres cosas: una decisión, una apuesta y una renuncia. Si no hay renuncia, no hubo una buena sesión de control.

7. Los errores de siempre y algunas ideas finales

Para cerrar el diagnóstico, los pecados capitales que debemos evitar son:

• confundir registro con activación (y celebrar signups como si fueran tracción)
• elegir métricas de activación de vanidad que no correlacionan con retención
• diseñar onboardings que enseñan features en vez de entregar valor
• pedir demasiada información antes de dar nada a cambio
• escalar la inversión en captación con la activación rota, amplificando el agujero en vez de taparlo.
• los usuarios zombies, esos que pagan pero no usan. No aparecen en el churn (todavía), pero su cancelación es cuestión de tiempo y mientras tanto distorsionan todas tus previsiones.

La activación es la única palanca que toca a la vez las tres variables que importan:

• reduce el CAC efectivo (menos fichas perdidas)
• eleva el LTV (más usuarios que llegan a pagar y expandirse)
• alimenta el crecimiento orgánico (los usuarios activados son los únicos que invitan a otros).

Antes de invertir un euro más en captación, hazte estas cuatro preguntas:

• ¿Sé cuál es mi momento de activación, con un evento medible y correlacionado con retención?
• ¿Qué porcentaje de mis registros lo alcanza, y en cuánto tiempo?
• ¿Cuál es la fricción número uno que lo impide esta semana?
• ¿Qué he dejado de hacer para arreglarla?

Si no puedes responder a las cuatro, ya sabes dónde está tu próximo proyecto. Porque en la activación no hay segunda mano: o el usuario ve el valor, o no vuelve. Doble o nada.

Nos leemos pronto. Hasta la próxima.

Imágenes: Giphy, Tability, User Pilot, Artisan Strategies, Uzera, The Good Side y Matheus Bertelli en Pexels.

El artículo La fase de activación en SaaS: el momento en el que te lo juegas todo a doble o nada fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

La pregunta es algo que se viene repitiendo estos meses en artículos, foros, conferencias… Sin embargo, la respuesta que dieron los mercados (vender primero y pensar después) no fue nada esperanzadora…

La semana pasada escribí sobre el MVP, el moat y el vibe coding, y la tesis de fondo era que la barrera de entrada nunca fue construir el producto, sino el coste de construirlo y ese coste, gracias a la IA generativa, se ha desplomado.

Lo que no dije entonces, y es donde quiero poner el foco hoy, es lo que ese desplome le hace al modelo de negocio que hay debajo. Porque una cosa es que el producto sea más barato de fabricar y otra muy distinta es que el negocio de venderlo siga teniendo sentido.

Y aunque sigue teniendo sentido, con esta nueva ola, ya no el mismo de antes.

1.La muerte del SaaS es una metáfora que algunos leen como un parte de defunción

Conviene separar dos cosas que el título de hoy mezcla a propósito: lo que pasó en la bolsa y lo que pasa en el negocio.

Lo de la bolsa fue real y medible. El múltiplo forward de beneficios del software pasó de un x39 a un x21 en cuestión de meses.

Por primera vez, el software cotiza con descuento respecto al S&P 500. Los short sellers se llevaron más de 20.000 millones apostando contra el SaaS legacy. El detonante fue concreto: el lanzamiento en enero de herramientas de IA para construir software y automatizar flujos de trabajo, que reavivó el fantasma de los agentes sustituyendo a las aplicaciones.

Lo del negocio es otra historia. Gartner proyecta que el gasto mundial en software crecerá un 15,1% en 2026 hasta 1,44 billones de dólares. Forrester, el mismo que firmó el titular «SaaS as we know it is dead», proyecta que el gasto global en SaaS sube de 318.000 millones en 2025 a 576.000 en 2029.

Cuesta morirse creciendo a ese ritmo, ¿no te parece?

Lo que ocurre es que «SaaS is dead», la famosa muerte del SaaS, es una metáfora, y como toda metáfora agresiva, funciona porque es exageración.

Cuando Satya Nadella (CEO de Microsoft) dijo en el podcast BG2 que las aplicaciones empresariales iban a morir en la era de los agentes, no estaba firmando un certificado de defunción: estaba señalando una transición arquitectónica.

Lo mismo pasa cuando Palantir declara muerto el software estándar para vender su ontología; son posiciones de mercado disfrazadas de profecía.

El problema es que entre el titular y la letra pequeña hay un abismo, y mucha gente se queda en el titular.

Aaron Levie, CEO de Box, lo resumió de manera muy directa: llamó al SaaSpocalypse «una tontería».

Su argumento es de economía básica: el software será más barato de construir, lo que significa que habrá más SaaS en el mercado (baja la barrera de entrada y aumenta la competencia) y si tienes más de algo con el mismo presupuesto, los precios bajan. Más oferta, no menos. Lo que cambia no es la existencia del mercado, sino su estructura de precios y de márgenes.

2.El argumento de «cualquiera lo construye» es verdadero para el prototipo y falso para el producto final

Vamos al corazón del asunto, porque aquí es donde se caen la mayoría de los análisis de «titular fácil» del tipo «la muerte del SaaS» o el «SaaS ha muerto».

Es cierto que construir software se ha vuelto extremadamente accesible. Los datos no dejan lugar a dudas.

La encuesta de desarrolladores de Stack Overflow de 2025, con más de 49.000 respuestas en 177 países, registra que el 84% usa o planea usar herramientas de IA, frente al 76% del año anterior. En Y Combinator, el 25% de las startups del batch de invierno de 2025 tenían bases de código generadas en un 95% por IA. Garry Tan lo confirmó en X sin rodeos: «no es una errata».

Retool, en su informe Build vs Buy de 2026, encontró que el 35% de los equipos ya han reemplazado al menos una herramienta SaaS por algo construido internamente y que el 78% planea construir más en 2026.

Hasta aquí, el relato apocalíptico parece tener razón, el problema es que ese mismo cuerpo de evidencia, leído entero, dice lo contrario de lo que parece.

Porque la misma encuesta de Stack Overflow que celebra el 84% de adopción registra que el 46% de los desarrolladores desconfía de la precisión del código que genera la IA, y que solo un 3% confía mucho en él.

La frustración número uno, para el 66%, son las «soluciones casi correctas, pero no del todo». El propio Garry Tan, después de soltar el dato del 95%, advierte que los modelos todavía no depuran bien: una aplicación con cien millones de usuarios, dice, ¿aguanta o se cae?

Y aquí entra el cálculo más demoledor de todo el debate. Manhattan Associates lo llamó la falacia del 6%.

El razonamiento apocalíptico asume que escribir código es el grueso del coste de una empresa de software cuando, en realidad, no lo es.

En una empresa SaaS madura, la innovación representa entre el 10% y el 25% de los ingresos. Y dentro de ese trabajo de innovación, los ingenieros dedican alrededor de un 25% de su tiempo a escribir código.

Multiplica: 25% por 25% da un 6%. Ese es el impacto real de abaratar la escritura de código a cero. Manhattan regenera el 75% de sus más de 60 millones de líneas de código cada noche desde hace una década, y sus costes de desarrollo siguen sin ser cero, porque el código nunca fue el problema.

Vibe-codear un CRM es como construir el escenario de un teatro en una tarde. El problema nunca fue el escenario: era la obra, los actores, que el público viniera, que las luces no fallaran en mitad de la función y que nadie se electrocutara entre bambalinas.

El cliente corporativo no compra líneas de código, compra que el sistema no se caiga, que cumpla el RGPD, que haya alguien al teléfono a las tres de la madrugada, que el proveedor siga existiendo dentro de tres años y eso, por el momento, no se vibe-codea.

Hay una costura, sobre todo, que el vibe coding no sabe coser: la del escalado.

Generar el código de un prototipo es trivial; sostener un producto que aguante cuando llegan los diez mil o un millón de usuarios concurrentes, no.

Esa fase de arquitectura, deuda técnica, seguridad, rendimiento bajo carga…, sigue necesitando arquitectos de software que sepan por dónde van a reventar las costuras antes de que revienten. La IA escribe el código; por ahora, no decide la arquitectura.

Y lo que cambia no es que ese trabajo desaparezca, sino quién lo hace y cuántos hacen falta.

El coste de construir no se evapora: se reconfigura. El squad de toda la vida (un tech lead senior dirigiendo a un puñado de juniors que picaban código) se tambalea cuando un único perfil senior con Claude Code despacha en una tarde lo que antes ocupaba a media docena de manos.

Menos manos, más velocidad y mucho más peso en el criterio de quien dirige es la idea del equipo mínimo viable: no menos talento, sino talento más concentrado y más senior.

Por eso lo digo claro: la IA ha hecho el MVP gratis y, precisamente por eso, ha revalorizado el MOAT.

Cuando construir deja de ser una barrera, lo que queda al otro lado (la distribución, los datos propietarios, los flujos de trabajo embebidos, los costes de cambio, la marca, el resultado garantizado…) pasa de ser un complemento a ser lo único que importa.

En el fondo, la IA no derriba las cinco fuerzas de Porter: les cambia el peso. Cuando la barrera de entrada que más protegía (lo caro que era construir) se desploma, el poder defensivo no desaparece, se traslada a las demás: la diferenciación, los costes de cambio, el acceso a la distribución.

El foso sigue ahí; solo que ahora está hecho de otra cosa.

3. La fractura del margen: la gravedad financiera que nadie puede vibe-codear

Si el código es casi gratis, ¿dónde está el problema? En la factura de la luz.

Durante dos décadas, el SaaS fue el negocio favorito del venture-capital por una razón aritmética: una vez construido el producto, servir a un cliente más costaba prácticamente nada (el famoso coste marginal cero) y se obtenían márgenes brutos del 70% al 90%. El software corría sobre CPUs baratas sobre una infraestructura con un consumo predecible y los nuevos clientes no provocaban cambios sustanciales en la estructura de costes.

El software nativo de IA rompe esa aritmética porque no corre sobre CPUs baratas: corre sobre GPUs caras haciendo cálculos masivos en tiempo real, y cada interacción del usuario tiene un coste variable que no desaparece nunca: es el coste oculto de la inferencia

El informe State of AI de ICONIQ Capital de enero de 2026, con unos 300 ejecutivos encuestados, sitúa el margen bruto medio del software de IA en el 52% para 2026. La inferencia se come ya el 23% de los costes. Bessemer Venture Partners encontró que las empresas de escalado explosivo que se apoyan en modelos de IA de terceros promedian un 25% de margen y algunas van en negativo.

Según The Information, Anthropic cerró 2024 con un margen bruto negativo del 94%: perdió en infraestructura más de lo que ingresó. OpenAI llevó su margen de cómputo en productos de pago de un 35% a un 70% entre enero de 2024 y octubre de 2025, pero su margen bruto global cayó al 33%, porque el 95% de sus novecientos millones de usuarios semanales no pagan y la factura de inferencia se multiplicó por cuatro hasta los 8.400 millones.

¿Es esto una condena para el sector? No del todo; a16z documenta lo que llama LLMflation: el coste de inferencia por unidad de rendimiento cae alrededor de diez veces al año.

Lo que hace tres años costaba 60 dólares por millón de tokens, hoy cuesta seis céntimos.

No es casual que, ante una factura anual de unos 300 millones de dólares a Anthropic, el propio Marc Benioff, fundador y CEO de Salesforce, defienda un «router inteligente» que reserve los modelos caros para cuando de verdad hacen falta y tire de modelos más baratos para lo rutinario. El consenso de analistas apunta a un suelo estructural de margen en torno al 60-65% para la IA, no el 80% histórico.

Esto es mejor que el negativo de partida pero es peor que la barra libre de la que disfrutó el SaaS clásico.

Es un modelo de negocio radicalmente distinto, con una estructura de costes distinta, y fingir que es el mismo es la receta del desastre y una negación de la realidad.

4.La gran recalibración del modelo SaaS: de cobrar por asientos o seats al resultado

Hace mucho tiempo escribí sobre los fundamentos del modelo de suscripción y, más recientemente, sobre el pricing en tiempos de IA. Toca cerrar el círculo, porque el reajuste de márgenes obliga a un reajuste de la forma de cobrar, y ahí es donde la transformación se vuelve visible y medible.

El estándar sagrado del SaaS durante veinte años fue el precio por asiento o precio por seat. Cobrabas por usuario y crecías cuando tu cliente contrataba más gente.

Ese contrato social se ha roto por tres sitios a la vez:

• Los directores financieros han declarado la guerra al shelfware, las licencias que se pagan y no se usan.
• La IA frena la contratación de tus clientes, así que tu motor de crecimiento (venderles más asientos según crecen) se gripa.
• Y el valor ya no escala con el número de usuarios registrados sino con el consumo de cómputo y un precio fijo por asiento es incapaz de capturarlo.

Gartner lo pone en cifras: al menos el 40% del gasto en software empresarial migrará a modelos de uso, agente o resultado para 2030, y el peso del ingreso por asiento puro caerá del 21% al 15%.

El estado intermedio, hoy dominante, es el modelo híbrido: una base fija predecible más un componente variable por consumo.

Pero lo interesante no es la predicción, son los casos que ya están sobre la mesa:

1. Intercom cobra 0,99 dólares por resolución. Su agente Fin no factura por usuario, sino por problema resuelto. Tasas de resolución reales del 42% al 50% en sus propios casos. El lado oscuro, señalado por terceros, es la «resolución asumida»: si el cliente se va sin responder, se factura igual, y eso convierte el coste en impredecible, con saltos reportados de 4.000 a 9.000 dólares al mes.

2. Zendesk cobra 1,50 dólares por resolución automatizada, con un periodo de validación de 72 horas. Su CEO lo dice sin muchos rodeos: solo cobran por su agente de IA si resuelven el problema del cliente de su cliente. Internamente resuelven más del 60% de los tickets de forma autónoma.

3. Salesforce mantiene tres modelos de precios a la vez, y este es el caso más revelador de todos. Empezó cobrando 2 dólares por conversación con Agentforce. El resultado fue tibio: cinco mil acuerdos en dos trimestres, solo tres mil de pago. Pivotó a Flex Credits a diez céntimos por acción, y mantiene además licencias por usuario desde 125 dólares al mes. Que la empresa de software empresarial más grande del mundo pruebe tres modelos simultáneamente no es indecisión: es la fotografía de un mercado que todavía no ha encontrado su punto de equilibrio. Y funciona: Agentforce superó los 540 millones de ARR en su tercer trimestre fiscal, creciendo un 330% interanual.

4. Sierra cobra solo por resultado. Si el agente resuelve, pagas; si tiene que escalar a un humano, es gratis. Llegó a 100 millones de ARR en menos de 21 meses y levantó una ronda que la valora en 15.800 millones.

El dato que lo amarra todo lo aporta PitchBook en su análisis del primer trimestre de 2026, titulada con ironía «SaaS Is Dead, Long Live SaS» (de Software as a Service a Service as Software).

El precio por resultado multiplica por ocho el ingreso por unidad: de unos 1.200 dólares por asiento al año a unos 10.000 por flujo de trabajo automatizado. Por eso los incumbentes quieren migrar. Bien ejecutado, el outcome pricing no canibaliza el negocio: lo expande, porque deja de competir por el presupuesto de software y empieza a competir por el presupuesto de personal, que es un orden de magnitud mayor.

5.El caso Klarna, o cómo un titular mal entendido alimentó una profecía

Ninguna historia ilustra mejor la distancia entre el hype y los hechos que la de Klarna, así que merece contarse entera.

En agosto de 2024, su CEO, Sebastian Siemiatkowski, anunció a los inversores: «acabamos de apagar Salesforce. En unas semanas apagaremos Workday. Estamos cerrando muchos de nuestros proveedores SaaS».

El titular dio la vuelta al mundo y la narrativa de la muerte del SaaS encontró su mártir perfecto.

En marzo de 2025, Siemiatkowski tuvo que aclararlo en un hilo en X: no habían reemplazado el SaaS por un modelo de lenguaje.

No sustituyeron los diferentes SaaS que usaban por un LLM; almacenar datos de CRM en un LLM tendría sus limitaciones, pero desarrollaron un stack tecnológico interno usando Neo4j y otras piezas.

Construyeron un grafo de conocimiento interno sobre una base de datos especializada y montaron interfaces a medida con Cursor. Deprecaron alrededor de 1.200 aplicaciones —que probablemente venían de doscientos o cuatrocientos proveedores, no de mil doscientos—, pero siguen usando Slack, siguen siendo partner de Salesforce y reemplazaron Workday por Deel. El propio Siemiatkowski se declaró «tremendamente avergonzado» por el malentendido, y su tesis actual es que el mercado convergerá hacia menos plataformas SaaS pero más completas.

Lo que Klarna hizo no fue matar al SaaS, fue consolidar un stack de aplicaciones descontrolado sobre una arquitectura de datos propia. Las cifras de productividad que Klarna repite (ingreso por empleado de 400.000 a 700.000 dólares, 40 millones ahorrados, un 25% menos en agencias de marketing) son declaraciones de la empresa de cara a su salida a bolsa, no auditadas por nadie. Por tanto, son afirmaciones interesadas, no hechos verificados.

Quien construya su tesis de implantación de IA sobre los comunicados de prensa de una empresa que va a salir a bolsa está construyendo sobre arena y no sobre cimientos sólidos.

6.Entonces, ¿qué se compra cuando ya no se compra el código? ¿ha llegado la muerte del SaaS o hay esperanza?

Volvamos a la pregunta del principio, porque ya tiene respuesta.

El mercado corporativo nunca compró líneas de código, y sigue sin comprarlas: compra fiabilidad, delegación del riesgo y acceso a datos y flujos de trabajo imposibles de reconstruir desde cero.

El 94% de las organizaciones del sector IT declaran preocupación por el vendor lock-in, según la encuesta de Parallels de finales de 2025, y sin embargo siguen comprando software, porque la prima de riesgo de cambiar sin red supera con creces el ahorro de la suscripción. El cálculo no ha cambiado: lo que ha cambiado es qué parte del cálculo pesa.

La ventaja competitiva del SaaS se ha desplazado y conviene saber hacia dónde se está moviendo:

• De tener el software a controlar la distribución: construir el producto ya no te distingue, sin embargo llegar al cliente, sí.

• De la funcionalidad a los datos propietarios: el código se replica en una tarde pero los datos acumulados de años de uso, no. Y con la IA, esos datos se convierten en un MOAT activo: reentrenan, afinan, mejoran el sistema de forma que un competidor que arranca en frío no puede igualar.

• Del producto al flujo de trabajo embebido: cuanto más profundamente integrado está tu software en cómo opera el cliente, más caro le sale arrancarlo. El coste de cambio sigue siendo el bastión defensivo más sólido frente a los atacantes ligeros nativos de IA.

• De la promesa al resultado verificable: cuando puedes cobrar por problema resuelto en lugar de por usuario registrado, dejas de vender una herramienta y empiezas a vender una garantía. Esa es la frontera.

La muerte del SaaS no es una muerte, es una criba o una selección natural, la supervivencia del más apto que planteó Herbert Spencer:

• Pierden los productos horizontales de función única, con bajos costes de cambio y sin un retorno tangible que enseñar: esos sí los vibe-codea cualquiera y esos sí desaparecen.

• Ganan los verticales, los que controlan datos que nadie más tiene, y los que reconvierten su forma de cobrar hacia el valor que entregan de verdad.

Esta es la lectura que también hace Jamin Ball desde Altimeter: el problema no es el crecimiento, son las expectativas rotas sobre cuánto dura un MOAT cuando construir deja de ser difícil.

Y no hace falta cruzar el Atlántico para oírlo. Javi López, fundador de Magnific AI (que luego compró Freepik para renombrarse a Magnific), lo dejaba caer ayer mismo en X con menos diplomacia y más verdad: que él monta cualquier cosa en un fin de semana pegándole una patada a Claude, «y mi vecino el panadero casi que también».

Lo difícil, decía, es otra cosa: salir con el cuchillo entre los dientes a sentarte meses con una empresa grande, entender sus necesidades y darle desde un equipo de menos de diez lo que antes le daba una consultora de mil. Eso, o tener un canal de distribución brutal, o ser buenísimo en marketing. «Producto ya no es el cuello de botella. Distribución y llegar al cliente lo son todo».

Para mí no es eso. Para mí el tema es que producto ahora mismo le pego una patada a Claude y tengo cualquier cosas en un fin de semana. Y mi vecino el panadero casi que también.

En cambio salir con el cuchillo entre los dientes a hablar con empresas grandes, revisar con ellos… https://t.co/hduVpWQOkl

— Javi López (@javilop) June 29, 2026

La pregunta no es si la IA mata al SaaS, la verdadera pregunta es si lo que vendes era el escenario o era la obra.

Si era el escenario, ya tienes un problema. Si era la obra, acabas de heredar un teatro entero por el precio de una entrada.

Nos leemos pronto.

Imágenes: Giphy, Gartner, Prismetric, Gemini – Nano Banana Pro, Wikipedia e Intercom

El artículo El escenario o la obra: el SaaS ante su falsa muerte fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona

Cuando co-dirigía el programa de aceleración de El Cubo en Andalucía Open Future, teníamos un requisito de entrada: los equipos debían tener al menos dos personas, idealmente tres. Buscábamos una distribución balanceada: alguien con visión de negocio y comercial, alguien capaz de construir el producto tecnológico.

Esa regla, que fijamos en 2014, tenía sentido en su momento. Al programa de aceleración llegaban propuestas interesantes que difícilmente iban a traccionar en los ocho meses que duraba el programa, porque ningún socio fundador sabía desarrollar lo que planteaban.

De hecho, en 2020 escribí sobre esto reafirmando la tesis. Veía equipos intentando tapar ese agujero contratando a una agencia para construir el MVP, y eso les comía el runway en meses, o peor, los empujaba a levantar una ronda solo para pagar la subcontrata.

Sin embargo, esta tesis de 2020 se ha venido abajo por completo y toca replantear muchas cosas…

¿Por qué el vibe coding ha cambiado el «equipo mínimo viable» de una startup, y qué te sigue protegiendo de la competencia? Vamos a verlo en detalle.

Lo que cambió: la IA generativa

Llegaron Lovable, Cursor, Claude Code… y con ellos el vibe coding, término que acuñó Andrej Karpathy en febrero de 2025 para describir programar dejándose llevar por la IA en vez de escribir código línea a línea.

Y todo cambió…

Desarrollar producto ya no es un cuello de botella exclusivo de quien sabe programar. Con una suscripción y unos créditos, cualquiera puede levantar un MVP para poner delante de clientes potenciales, recoger feedback y empezar a validar hipótesis.

El bloqueo de «no tengo quien me lo construya» ya no es excusa.

Y el salto no es solo de accesibilidad, es de alcance. Cadabra Studio documentó cómo un equipo de tres personas levantó un MVP funcional completo (onboarding, analítica, soporte multiplataforma) en ocho semanas, un 60% más rápido que con un proceso tradicional.

El MVP ya no tiene por qué ser cutre: puede cubrir mucho más scope que el clásico Pareto del 20% del esfuerzo para el 80% de las necesidades del cliente, y seguir siendo rápido y barato de construir.

La paradoja de la velocidad

Aquí es donde está la parte incómoda; si construir software es accesible y barato para todo el mundo, la ventaja competitiva deja de estar en la complejidad del producto y pasa a estar en la velocidad: quien itera más rápido aprende más rápido y se adelanta a su categoría.

El problema es que esa ventaja también se evapora rápido. Si tú puedes vibe-codear un MVP completo en un fin de semana, tu competencia también. Ricardo Bedin lo plantea sin rodeos: cuando todo el mundo puede construir igual de rápido, la velocidad deja de ser la ventaja, y lo que queda es la ejecución, el criterio sobre qué construir y la distribución.

Benedict Evans lo plantea todavía más afilado en «AI eats the world» del pasado mes de mayo: «was the cost of that task your MOAT?» (¿el coste de esa tarea era tu MOAT?).

Evans separa la tarea (escribir el código, montar la pantalla, redactar la hoja de cálculo) del trabajo real: el conocimiento implícito, el criterio, el gusto.

El vibe coding automatiza la tarea. El trabajo sigue sin sustituto y la cosa no se queda en tu código: el propio Evans documenta cómo los modelos de IA que usas para programar se están volviendo una commodity entre sí, sin efectos de red que protejan a ninguno.

Si ni el modelo que usas es defendible, menos lo va a ser el MVP que construyes con él.

Dicho de otra forma: la tecnología, las features únicas o tener «algo que los demás no tienen» dejan de funcionar como el MOAT de una startup.

Si lo construyes tú en una semana, alguien con la misma idea y un prompt parecido lo construye en la siguiente. El diferencial ya no vive en el código, vive en cómo lo ejecutas, en el criterio para decidir qué merece la pena construir, y en llegar al cliente antes y mejor que el resto.

Dos límites que el vibe coding no ha movido

Pero el vibe coding no es la varita mágica que algunos venden:

1. La IA no adivina qué quieres construir, ni vigila lo que no le has pedido que vigile. Si no tienes claro el problema, la solución, los casos de uso y para quién es, la IA no te lo va a resolver. Y tampoco sustituye el criterio: Cadabra Studio cuenta cómo, construyendo con GPT-5 y Claude, el modelo llegó a montar dos sistemas de caché distintos para la misma función sin darse cuenta de que duplicaba datos. Nadie lo pilló en las pruebas; habría explotado en producción. El barco sigue necesitando un capitán, o como lo llaman ellos, alguien que haga de «guardián de la arquitectura».

2. MVP no es sinónimo de producto escalable. Que construyas algo funcional con vibe coding no significa que tenga la arquitectura para pasar de 5 a 5 millones de usuarios. Matas Rimkus lo resume en cuatro palabras: «vibe first, engineer second«. Primero validas rápido, luego reconstruyes con criterio de ingeniería de verdad. Y si llegas a tener ese problema de escalar, enhorabuena: significa que validaste el problema, la solución y el segmento, y que estás empezando a tocar product-market fit.

Mauricio Perera lo convierte en una regla interesante: cuanta más solidez necesita el producto y más alto es el riesgo, menos tolerancia hay para el código «por vibes»; cuanta más incertidumbre y menos riesgo, más sentido tiene soltar las riendas. No es una frontera fija entre prototipo y producto. Es un gradiente que sube de exigencia a medida que crece el impacto.

El Equipo Mínimo Viable (EMV), reescrito

La IA generativa ha reescrito lo que hace falta para arrancar. Ya no necesitas 2-3 socios fundadores ni presupuesto para subcontratar desarrollo en el caso que no haya nadie que pueda desarrollar producto en el seno del equipo.

El Equipo Mínimo Viable, el que pedíamos en El Cubo allá por 2014, puede ser hoy una sola persona.

Un solopreneur o monofounder puede dar sus primeros pasos sepa o no programar. Eso no quita ni una coma a lo que sigue siendo imprescindible:

1. Conocimiento del sector. La IA acelera el estudio de mercado y el mapeo de competencia, pero no lo sustituye.
2. Contacto real con el cliente. Entender por qué las soluciones actuales no convencen, y qué haría que alguien cambiase a la tuya, se averigua hablando con gente, no preguntándoselo a un modelo.

Lo que sí cambia radicalmente es la velocidad de respuesta: el feedback de tus primeros clientes puede llegar al producto en horas, no en sprints.

Y si el MOAT ya no está en la tecnología, un fundador en solitario no compite por tener más código que el resto. Compite por entender mejor a su cliente y moverse más rápido que él.

La pregunta que importa

Si no tienes MVP en plena era de la IA, hazte esta pregunta: ¿tengo claro qué problema quiero resolver, para quién, y con qué enfoque?

Si la respuesta es sí, no te queda excusa técnica ni económica para no construirlo y ponerlo delante de clientes reales.

Si la respuesta es no, el problema nunca fue de producto ni de falta de desarrolladores: es de hipótesis sin aterrizar y de conocimiento de sector. Y eso, ni el vibe coding más fino te lo resuelve.

Nos seguimos leyendo. Hasta la próxima.

Imágenes: Magnific, Giphy, adaptación con Gemini de una imagen de KwFoundation y Nano Banana Pro.

El artículo El MOAT nunca fue el MVP, era el coste de construirlo (y el vibe coding lo ha tumbado) fue publicado por Juan Jesús Velasco en Los Habitantes de Kewlona