Cuando la IA brilla, pero no paga

Desde hace algunos años, la inteligencia artificial (IA) se presenta como una de las fuerzas tecnológicas más transformadoras del siglo XXI. Empresas como OpenAI, Meta, Microsoft, Anthropic y muchas startups emergentes han atraído inversiones millonarias con la promesa de automatizar procesos, personalizar servicios, generar contenidos o mejorar decisiones. Sin embargo, detrás del brillo tecnológico hay una pregunta que no todos responden: ¿cómo convertir esa promesa en rentabilidad real y sostenible?

El concepto de “rentabilidad de la IA” incluye varios factores: retorno de inversión (ROI), tiempo para que un proyecto deje de ser costoso, modelos de ingreso sólidos, y la capacidad de escalar sin que los costos se disparen. Muchas empresas tienen alto “cash burn” —es decir, queman efectivo— mientras desarrollan modelos que aún no generan ingresos netos positivos. Este escenario plantea tensiones financieras, éticas (por ejemplo, inversión responsable) y sociales (empleo, equidad).

Este artículo aborda esos retos: ¿cuánto y cómo están ganando dinero las empresas de IA? ¿Cuáles son los modelos de negocio que parecen funcionar? ¿Qué riesgos hay? ¿Y qué deben hacer los gobiernos, emprendedores y la sociedad para que la IA sea una palanca de desarrollo real, alineada con valores de legalidad, justicia social y solidaridad, como señala la Doctrina Social de la Iglesia?

Monetización de la IA: datos y realidades

Adopción creciente, valor aún variable

• Según un estudio de McKinsey, la adopción global de la IA generativa ha subido al 72 % de las organizaciones, y muchas de ellas ya reportan beneficios materiales: reducción de costos, mejora en marketing y ventas, mejoras en operaciones. 
• Microsoft, por su parte, reporta que en más del 70 % de las empresas entrevistadas ya se está usando IA, que muchas implementaciones se tardan menos de un año, y que por cada dólar invertido se tiende a obtener un rendimiento promedio de 3.5 dólares. 

Esto sugiere que si bien la inversión es fuerte y el potencial es claro, el momento de captar valor (o retorno) aún depende mucho del tipo de aplicación, de la escala, de la calidad de la ejecución, del talento disponible y del acceso a datos.

Cash burn: la trampa del crecimiento

El término cash burn se refiere a la velocidad con que una empresa consume su capital sin generar ingresos netos suficientes para cubrir costos operativos. Es algo habitual en startups de IA, que requieren inversiones enormes: en infraestructura (servidores, GPUs, redes), en investigación, en adquisición y anotación de datos, en talento especializado.

• Un análisis reciente de firmas como OpenAI, Anthropic, Mistral, etc., señala que aunque muchas han alcanzado valoraciones altísimas, no está claro aún cómo todas van a monetizar sus modelos, especialmente los de lenguaje grande (LLMs), en una forma que dé utilidades sostenibles. 
• En algunos casos la presión para “crecer rápido” —captar usuarios, entrenar modelos más grandes, competir por capacidades técnicas— lleva a asumir gastos enormes sin garantía de ingresos inmediatos.

Modelos de monetización que están funcionando

A partir de varios estudios y reportes, estos modelos están emergiendo como los más efectivos o con más proyección:

1. Suscripción / SaaS: Ofrecer acceso a herramientas de IA mediante pago recurrente. Por ejemplo, plataformas que permiten creación de contenidos, automatización de tareas, análisis de datos.
2. Licencias corporativas / APIs: Las empresas desarrollan modelos de IA o partes de ellos y los licencian para que otras compañías los integren (finanzas, salud, legal, retail).
3. Servicios personalizados o consultoría: No todos los clientes tienen las capacidades técnicas, por lo que se venden soluciones hechas a la medida, integración o consultoría.
4. Reducción de costos internos: Algunas empresas invierten en IA no para vender IA, sino para automatizar procesos, lo cual reduce costos operativos o mejora eficiencia. Eso mejora márgenes y libera inversión para otros fines.
5. Monetización a través de datos / insights: Empresas que usan IA para análisis predictivo, minería de datos, para generar modelos que se venden o se usan para tomar decisiones que generan retornos (por ejemplo, predicción de demanda, optimización de suministros, etc.).
6. Publicidad, contenido y plataformas generativas: En algunos casos, el contenido generado por IA (textos, imágenes, video) puede usarse para monetizar mediante anuncios, plataformas de distribución de contenido, etc.

Retos importantes que retrasan la rentabilidad

• Talento especializado escaso: muchas empresas identifican como obstáculo la falta de trabajadores calificados para construir, supervisar, ajustar modelos grandes. 
• Costos de infraestructura / escalamiento: entrenar modelos grandes cuesta energía, requiere hardware especializado, mantenimiento, y redes. Los gastos aumentan de forma no lineal.
• Riesgos éticos, regulatorios y legales: protección de datos, privacidad, responsabilidad sobre errores, sesgos, propiedad intelectual. Algunos proyectos enfrentan demandas o resistencia social si se perciben irresponsables.
• Incertidumbre del modelo de negocio: algunas empresas todavía no tienen claro cómo generar ingresos suficientes. Hay presión de inversionistas, pero también riesgo de que el modelo dependa demasiado de subsidios, inversión de capital de riesgo o publicidad, sin estabilidad.
• Competencia feroz: no sólo entre startups, también con gigantes tecnológicos que tienen ventaja en capital, datos, infraestructura y capacidad de absorber pérdidas más tiempo.

Para aterrizar esta problemática, conversé con Camila Rodríguez, ingeniera de datos en una startup mexicana de IA aplicada a la salud: “Trabajamos con modelos predictivos para ayudar a clínicas a anticipar reingresos de pacientes. Invertimos durante meses en entrenar modelos, validar datos, conseguir certificaciones. Pero el retorno fue bajo los primeros 18 meses. Algunos clientes no estaban dispuestos a pagar lo que cuesta realmente un servicio que involucra tantos especialistas, porque ‘la IA debería ser barata’. Eso obliga a bajar precios o depender de subvenciones. Nos salvó haber logrado escala, pero la presión financiera es constante.”

El caso de Camila ilustra varios puntos: los costos reales, el lapso para generar ingresos —que suele ser mayor de lo que los inversionistas esperan—; la percepción del público (y de clientes) de lo que “debería costar” un producto de IA; y la necesidad de volumen o escala para lograr que la operación sea sustentable.

Cuando analizamos este tema desde una visión humanista trascendente —como la solidaridad, el bien común, la dignidad de la persona, subsidiariedad, justicia— podemos formular criterios para que la monetización de la IA no sea simplemente extractiva, sino al servicio de la persona.

• Dignidad: que los trabajadores no sean reemplazados sin alternativas formativas; que los modelos no produzcan discriminación o exclusión.
• Bien común y justicia social: que los beneficios de la IA (ingresos, eficiencia) se compartan, que el acceso no esté limitado sólo a quienes pueden pagar, especialmente en ámbitos como salud, educación, servicios públicos.
• Legalidad: cumplimiento estricto de leyes de protección de datos, propiedad intelectual; transparencia en los algoritmos; responsabilidad por resultados adversos.

Estos valores también implican que los gobiernos tengan un rol de regulación, pero también de incentivar (por ejemplo, mediante subvenciones para startups éticas, fondos públicos para investigación responsable, políticas de compra pública que favorezcan soluciones de IA con impacto social).

Casos destacados

• Alibaba: recientísimo ejemplo. Su beneficio neto creció un 78 % gracias al impulso de su división de nube vinculada a la IA. Esto demuestra que en empresas con escala gigante, cuando la IA se integra bien al core del negocio, los rendimientos pueden ser espectaculares.
• Empresas de servicios o consultoría tecnológica que reportan que los proyectos con IA pueden generar hasta 3.5 veces la inversión inicial en ~12-14 meses. 

Sin embargo, estos casos están lejos de ser la norma para startups más pequeñas sin acceso a capital abundante, infraestructura o mercados ampliados.

Conclusiones

1. El potencial de la IA para generar valor es real, tanto para empresas como para la economía global, pero la rentabilidad no es automática ni inmediata.
2. Muchas iniciativas de IA operan con pérdidas durante largos plazos (“cash burn”), lo que es aceptable para ciertos inversionistas, pero riesgoso si no hay un modelo claro de monetización.
3. Modelos como suscripción, licencias, consultoría, automatización interna y monetización de datos están emergiendo como los más viables.
4. Los retos —talento, costos, regulación, expectativas del mercado— siguen siendo importantes obstáculos.
5. Los valores de la Doctrina Social de la Iglesia —justicia, solidaridad, dignidad— ofrecen un marco para que la monetización sea sostenible, inclusiva y alineada con la legalidad.

Propuestas

Aquí algunas rutas que podrían ayudar a hacer más rentable la IA en México, con criterios éticos y de desarrollo humano:

1. Políticas públicas de apoyo a startups éticas de IA
   • Fondos públicos, subvenciones, incentivos fiscales para proyectos que atiendan necesidades sociales (salud, educación, medio ambiente).
   • Regulaciones claras en materia de protección de datos, transparencia algorítmica, responsabilidad legal, sesgos.
2. Fomento de capacidades humanas
   • Formar talento especializado (ingenieros de datos, ética de IA, reguladores). Universidades, institutos técnicos, bootcamps.
   • Programas de reconversión para quienes podrían ser desplazados por la automatización.
3. Colaboración público-privada y modelos mixtos
   • Alianzas entre gobierno, academia y empresas para compartir infraestructura, datos (respetando privacidad), estándares éticos.
   • Compra pública de soluciones de IA que promuevan innovación local, con criterios de impacto social.
4. Modelos de negocio sostenibles desde el diseño
   • Desde el inicio, contemplar cómo se monetizará el proyecto: quién lo pagará, cuánto está dispuesto a pagar, qué escala se necesita.
   • Evitar depender exclusivamente de inversiones de capital riesgo sin un camino claro hacia ingresos recurrentes.
5. Transparencia y responsabilidad
   • Informar claramente cómo funciona la IA, qué datos usa, qué limitaciones tiene.
   • Asegurar que los clientes comprendan los costos reales detrás del desarrollo, mantenimiento y mejora de modelos.

La IA tiene la capacidad de transformar sociedades enteras, de abrir oportunidades inmensas para innovación, productividad y bienestar. Pero no será suficiente con tener la tecnología más reciente, el modelo más llamativo o la valoración más alta: la verdadera prueba está en qué tan bien logra traducir ese potencial en beneficios reales y sostenibles, no solo para unos pocos, sino para la mayoría.

Como mexicanos y como sociedad, tenemos el talento, la creatividad y los valores necesarios para que la IA no sea una promesa vacía, sino una herramienta al servicio del bien común. Es urgente que emprendedores, gobierno y academia trabajen juntos para que al final, cuando se hable de monetizar la IA, también se hable de justicia, dignidad, solidaridad y respeto a la legalidad.

@yoinfluyo

Facebook: Yo Influyo
comentarios@yoinfluyo.com