Por Mookie Tenembaum
En los mercados tradicionales, las dinámicas competitivas se despliegan con una cadencia predecible. Las cuotas de mercado se mueven lentamente y las marcas consolidadas gozan de una inercia poderosa. En la industria automotriz, por ejemplo, los cambios estructurales se miden en décadas. Incluso el paso de los autos a combustión a los eléctricos lleva más de un lustro en proceso y todavía no está completo. Pero en el corazón de la inteligencia artificial (IA), ese calendario no sirve. Aquí, las jerarquías se reformulan en cuestión de semanas.
Ese es el dato más inquietante de lo que acaba de suceder con el mercado de los modelos fundacionales. Anthropic, una compañía privada que hasta hace un año era considerada por muchos como una “promesa” frente a gigantes como OpenAI y Google, se convirtió de golpe en el líder del mercado corporativo. Mientras OpenAI caía de un 50% a un 25% de participación en el uso empresarial, Anthropic subía al 32% y se colocaba en la cima, superando también a Google, que hoy ronda el 20%. Meta quedó más atrás (9%) y otros jugadores, como el ruidoso pero decepcionante DeepSeek, apenas alcanzaron el 1%.
Lo sorprendente no es solo quién ganó, sino cómo y por qué. Y ahí es donde empiezan las verdaderas lecciones para el inversor.
Un nuevo motor para el software corporativo
La generación de código fue el verdadero campo de batalla. Entre tanto, el texto, las imágenes y la música quedaron relegados. Y el resultado no era obvio: Claude, el modelo de Anthropic, se convirtió en el sistema preferido por los desarrolladores, alcanzando el 42% del mercado, más del doble que OpenAI (21%). El impacto de este cambio fue más allá de una herramienta puntual. En sólo doce meses, Claude expandió un mercado que hasta entonces giraba en torno a GitHub Copilot y lo transformó en un ecosistema de $1.900 millones de dólares, lleno de nuevos actores: editores inteligentes (como Cursor y Windsurf), constructores de aplicaciones automáticas (Lovable, Replit, Bolt) y agentes corporativos capaces de escribir código, corregirlo y desplegarlo.
Este no fue un salto incremental. Fue el nacimiento de una categoría nueva. Y lo impulsó una empresa privada, no cotizante, con un modelo lanzado en junio de 2024 (Claude Sonnet 3.5) y refinado a lo largo de 2025 (Claude 4 y Claude Code).
Velocidad de reemplazo
La clave de todo esto no es solo la calidad del producto, sino la velocidad con que fue adoptado. A diferencia de lo que ocurre en otras industrias, aquí no hay fricción física. No hay fábricas que reconvertir, ni líneas de montaje que esperar. El producto es software, y su implementación es instantánea.
Las empresas no suelen moverse con agilidad cuando se trata de tecnologías críticas. Lo que ocurrió con Claude, sin embargo, demuestra que cuando un modelo supera a otro, la adopción es masiva, incluso dentro de estructuras conservadoras. En solo un mes, Claude 4 Sonnet desplazó a su antecesor (Claude Sonnet 3.5) pasando del 0% al 45% de uso interno en Anthropic. El modelo anterior cayó de 83% a 16% en cuestión de semanas. Eso, en cualquier otra industria, sería imposible.
Lo importante aquí no es solo la rapidez de la adopción. Es lo que implica: los modelos nuevos reemplazan a los anteriores y también reemplazan personas. Ese es el núcleo disruptivo de este proceso. No hablamos de un software que asiste a un empleado, o de una herramienta que mejora una tarea. Esos sistemas sustituyen funciones humanas completas, como escribir código, planificar tareas o resolver problemas. Esto nunca ocurrió con tal nivel de escala y automatización.
El fin de la fidelidad: lo único que importa es el rendimiento
A pesar de la facilidad para cambiar de proveedor, la mayoría de las empresas no lo hace. Solo el 11% cambió de proveedor en el último año. Pero lo que sí hacen es migrar internamente a la mejor versión disponible de su proveedor actual. No se quedan con el modelo anterior, aunque sea más barato.
Incluso cuando un modelo baja su precio diez veces, si hay uno nuevo que rinde mejor, las empresas no capturan ese ahorro, simplemente se mudan al modelo más potente. En otras palabras: en esta industria, el precio no retiene usuarios. Y cuando aparece un modelo superior, la transición es total.
Esto genera una dinámica de mercado distinta: los productos se vuelven obsoletos en cuestión de días, los ingresos cambian de canal sin previo aviso, y los jugadores que parecían dominantes pueden quedar relegados por no innovar en el momento justo. Así perdió OpenAI su liderazgo operativo, sin siquiera cometer errores visibles.
Inferencia: la máquina que imprime dinero
Hasta hace poco, el grueso del gasto en IA se destinaba al entrenamiento de modelos. Es decir, a la construcción de los sistemas. Hoy el dinero está en la inferencia: el uso real y cotidiano del modelo ya entrenado. Ejecutarlo, conectarlo a flujos de trabajo, usarlo en producción.
Este cambio tiene consecuencias económicas. Entrenar es caro y puntual, inferir es más barato, pero continuo. Y escalar la inferencia implica ingresos constantes, más parecidos a los de un servicio de infraestructura.
En solo un año:
• Las startups pasaron de dedicar el 48% de su capacidad computacional a inferencia, al 74%
• Las grandes empresas subieron de 29% a 49%
• El gasto en APIs de modelos (es decir, acceso pago al uso de modelos) pasó de $3.500 millones a $8.400 millones de dólares en seis meses
Esta es la parte del negocio que se acelera. No es el desarrollo, es el uso. Y quien domina este segmento, como ahora lo hace Anthropic, está mejor posicionado que quien domina la narrativa.
¿Qué pasa con el open source?
Se suponía que los modelos abiertos, como Llama de Meta y otros desarrollos más recientes, iban a democratizar el acceso a la IA. Prometían personalización, menor costo, y control local. Pero los hechos no acompañan las promesas.
Solo el 13% de las cargas de trabajo empresariales usan hoy modelos open source o de código abierto. Esa cifra cae: hace seis meses era del 19%.
Los motivos son técnicos y estratégicos:
• Los modelos abiertos están 9 a 12 meses detrás en rendimiento
• Su implementación es compleja y requiere experiencia
• Muchos de los mejores modelos recientes son de origen chino, lo cual genera reticencias en empresas occidentales
Como consecuencia, incluso las startups que arrancan con modelos open source para pruebas, terminan en producción usando modelos cerrados. La eficiencia importa más que el principio, y la velocidad vuelve a imponerse.
DeepSeek: la promesa que no fue
Un caso emblemático de esta lógica es DeepSeek. Con un lanzamiento mediático fuerte, muchos lo vieron como un posible contendiente serio. En la práctica, quedó en el 1% del mercado empresarial. Es el ejemplo perfecto de cómo en este campo no alcanza con anunciar: hay que ejecutar. Y si el producto no cumple o no se integra con facilidad, es descartado.
El valor y la proyección: señales para el inversor
Hay una asimetría evidente entre uso y valuación. OpenAI, con 25% del mercado, estaría valorada en $500.000 millones de dólares. Anthropic, con más participación, en unos $100.000 millones. Esto plantea una pregunta fundamental para cualquier inversor: ¿qué se valúa exactamente?
Si la capitalización de estas empresas depende del uso efectivo, de la fidelización por rendimiento y de la capacidad de escalar inferencia; entonces estas cifras pueden estar desconectadas del comportamiento real del mercado. Y si el liderazgo cambia en semanas, como ya vimos, el riesgo de mirar el jugador equivocado no es menor.
Porque la carrera no está terminada y en este mercado no hay posiciones aseguradas. No hay foso defensivo duradero y lo único que importa es la capacidad de entregar el mejor rendimiento hoy. Mañana puede ser tarde.
Estas tecnologías no se limitan a competir entre sí, sino que reemplazan directamente a las personas. En otros sectores, la innovación desplaza, pero siempre hay una interfaz humana. En este ámbito no hay chofer nuevo para el auto sin conductor, tampoco hay redactor asistido por IA. La escala de disrupción es mayor que cualquier otra industria reciente.
En un mercado donde los ganadores cambian por semana, donde el uso real vale más que la percepción, y donde los productos se reemplazan en días, el inversor necesita una nueva brújula. Hay que mirar no solo las marcas o las rondas, sino los patrones de adopción reales, el foco en inferencia y la capacidad de iterar más rápido que los demás.
Porque lo que parece emergente puede volverse dominante. Lo único seguro es que nadie tiene asegurado su lugar. Y eso, para quien invierte con inteligencia, es tanto una amenaza como una oportunidad.
Las cosas como son
Mookie Tenembaum aborda temas de tecnología como este todas las semanas junto a Claudio Zuchovicki en su podcast La Inteligencia Artificial, Perspectivas Financieras, disponible en Spotify, Apple, YouTube y todas las plataformas.