Fuente. Este artículo es la versión en español de «AI-native services: a $100B opportunity», publicado por Greg Isenberg en X el 20 de septiembre de 2026: x.com/gregisenberg/status/2101760050108797268. Las ideas, la estructura y todas las cifras son suyas; la redacción en castellano es nuestra, y las ilustraciones son versiones en español que hemos rehecho a partir de las suyas. Lo traemos aquí porque describe, con más claridad que nadie hasta ahora, el modelo de negocio que la IA generativa acaba de abrir para las empresas de servicios.
Un servicio nativo de IA es una empresa que vende el trabajo terminado —no una herramienta ni horas— y que lo produce mayoritariamente con agentes de IA, reservando a un equipo pequeño las partes que todavía necesitan a una persona. El cliente lo contrata exactamente como contrataría a una gestoría o a un despacho, pero por dentro funciona como software: el sistema se construye una vez y no hay que crecer en plantilla para crecer en clientes.
De dónde sale la oportunidad
Isenberg lo resume con un ejemplo que cabe en dos cifras. Una empresa paga unos 10.000 dólares al año por QuickBooks, y unos 120.000 al año al contable que usa QuickBooks. Durante veinte años las empresas de software se pelearon por los 10.000, porque era la parte que se podía vender a escala. Los 120.000 estaban encerrados detrás de una persona, y una persona no escala sin contratar a otra.
Ese es el dinero que se acaba de liberar. Si la IA puede hacer la mayor parte de lo que hace el contable, se puede vender el resultado —los libros cerrados— en lugar de la herramienta, y hacerlo con márgenes de software.
Durante la mayor parte de su carrera, cuenta, dirigir una empresa de servicios era una buena forma de ganarse la vida y una mala empresa a ojos de los inversores: vendías horas, los ingresos paraban cuando parabas tú, y todo dependía de unas pocas personas que podían irse. Eso es lo que está cambiando.
Las tres formas de vender lo mismo
La manera más sencilla de entenderlo es compararlo con los dos modelos que ya conocemos:
| Modelo | Qué vende | Quién hace el trabajo |
|---|---|---|
| Servicio tradicional | El tiempo de una persona | La persona |
| SaaS | Una herramienta | El cliente, con la herramienta |
| Servicio nativo de IA | El trabajo terminado | Agentes, con un equipo pequeño detrás |
El cliente no quiere un programa de contabilidad: quiere los libros cerrados. No quiere una herramienta de revisión de contratos: quiere saber si puede firmar. El servicio nativo de IA entrega eso, y el cliente lo vive como si hubiera contratado a una firma, solo que más rápida, más barata y que no se cansa. Cómo se cobra —cuota mensual, precio por unidad, por uso— es una decisión aparte. Lo que lo hace nativo es que la entrega corre sobre software y no sobre cabezas.
Por qué ahora y no hace dos años
Tres cosas han coincidido, según el autor:
- Los modelos ya hacen el trabajo real. Revisar un contrato, codificar una reclamación médica, redactar una carta de reclamación, cerrar un mes de contabilidad. Hace dos años el resultado era un borrador que había que rehacer; hoy es un borrador terminado que una persona comprueba.
- El coste de ejecutarlos se ha desplomado. Lo que costaba dólares en tokens cuesta céntimos, así que el coste de entregar una unidad más de trabajo se acerca a cero. Esa es la cifra que convierte un servicio en algo con márgenes de software.
- El dinero siempre estuvo ahí. Las empresas estadounidenses gastan unos 4,6 billones de dólares al año en servicios, unas seis veces lo que gastan en software. Ese mercado era intocable porque cada dólar iba pegado a una persona.
Los ejemplos que cita para demostrar que ya está pasando: Harvey, en servicios jurídicos, pasó de unos 100 a unos 190 millones de dólares de ingresos anuales en unos cinco meses. EvenUp vende cartas de reclamación a despachos de daños personales a unos 500 dólares cada una —un trabajo que consumía entre ocho y doce horas de un asociado— y superó los 50 millones de facturación. Kick lleva la contabilidad de pequeñas empresas por 300-500 dólares al mes, a la mitad de lo que cuesta un contable humano, y mantiene márgenes brutos por encima del 70 %. Son empresas de servicios con la economía del software.
Por qué un servicio y no un SaaS, una app o una agencia
El argumento central es que los tres modelos habituales tienen un problema estructural que el servicio nativo de IA no tiene:
- El SaaS corre por una escalera mecánica en sentido contrario. Vende una herramienta que compite con un modelo fundacional que mejora y se abarata cada trimestre; cada lanzamiento de un laboratorio le resta valor.
- La app depende de la tienda de aplicaciones y de su comisión del 30 %.
- La agencia clásica sigue vendiendo horas, así que sus ingresos están limitados por su plantilla y sus márgenes atascados en el 20-30 %.
El servicio nativo de IA invierte todo eso. Como vende el trabajo terminado, cuando los modelos mejoran el negocio mejora: la evolución de los modelos juega a favor y no en contra. El presupuesto ya existe —se sustituye una partida que el cliente ya paga, así que no hay que convencerle de que tiene un problema ni inventar una categoría—, y genera caja desde el primer día, porque se cobra el primer encargo en lugar de adivinar el encaje de producto durante un año.
Hay un matiz más personal que el autor deja caer: sus amigos que dirigen negocios pequeños de alto margen apoyados en IA parecen, anecdóticamente, más felices. Y lo ilustra con un tuit de Justin Welsh del 11 de septiembre de 2026:
«Las personas más felices que conozco están construyendo negocios más pequeños, de mayor margen y más personales. El resultado es que trabajan menos, ganan de sobra y viven el presente.»
— Justin Welsh (@thejustinwelsh), traducción nuestra
El servicio como cuña
Un servicio es, además, la mejor manera de entrar en un cliente, en un nicho o en un sector antes de saber qué producto construir. Se hace el trabajo, se cobra, y cada encargo enseña dónde duele de verdad, qué significa «correcto» y qué partes puede asumir una máquina. Después se productiza lo aprendido y, si se quiere, se convierte en software. Se sube de servicio a producto con un negocio que paga en cada peldaño, en lugar de levantar dinero para adivinar.
Las grandes empresas de IA ya lo hacen así: el modelo del forward-deployed engineer —un ingeniero incrustado en el cliente que construye en lugar de asesorar— es un servicio usado como cuña para entrar en una gran cuenta. La misma jugada se puede ejecutar a pequeña escala en un nicho que uno conozca.
Las ocho piezas
Todo servicio nativo de IA tiene las mismas partes. Con ellas se puede diseñar uno para casi cualquier nicho.
1. La unidad. La decisión más importante. Se vende una sola cosa claramente definida: por reclamación, por presentación, por contrato, por mes de contabilidad, por informe. Nunca por hora. Una cuota mensual vale, siempre que sea por un alcance definido, porque la unidad sigue siendo lo que se entrega. La unidad es lo que permite ponerle precio, entregarlo repetidamente y, con el tiempo, convertirlo en software. Tiene que tener una línea de meta clara: el cliente lo mira y dice «hecho».
2. La entrada. Cómo llega el trabajo, y donde la mayoría de las empresas de servicios pierden dinero sin darse cuenta. Una agencia necesita tres llamadas para delimitar un encargo; un servicio nativo de IA necesita un formulario. El cliente sube el documento, rellena cinco campos y describe lo que necesita. Si la entrada no se puede definir como un formulario, la unidad todavía no está clara.
3. El motor. La IA que hace el trabajo: el modelo más las instrucciones, los ejemplos y el contexto del sector. El primer día es un buen prompt y unas docenas de ejemplos; con el tiempo se convierte en algo que un competidor no puede replicar, porque está moldeado por cada encargo que se ha ejecutado.
4. El libro de reglas. El verdadero producto, y lo que casi todo el mundo infravalora. Es la lista escrita de lo que significa «correcto» en el nicho y de todas las formas en que la IA se equivoca: «una nota de atención domiciliaria está incompleta sin las constantes vitales», «una carta de reclamación debe citar las fechas del tratamiento», «este tipo de reclamación se deniega cuando el código no coincide con el diagnóstico». Se construye error a error, leyendo salidas y anotando lo que se ha cazado. Tras unos cientos de encargos, esta lista es lo que hace fiable el resultado y defendible el negocio.
5. La capa de revisión. Dónde sigue mirando una persona. Se decide, por unidad, qué se envía automáticamente y qué comprueba alguien antes. Lo de bajo riesgo y alta confianza sale directo; lo que lleva dinero, exposición legal o la reputación del cliente pasa por un ojo humano. Es la manera de hacerse cargo de los errores sin ahogarse en ellos, y el libro de reglas la va encogiendo.
6. La entrega. Cómo vuelve el trabajo al cliente: un panel, un correo con el fichero, un portal con el estado. Sustituye al gestor de cuenta. El cliente debe poder ver en qué punto está su encargo sin preguntar a nadie.
7. El precio. Dos opciones buenas y una mala. Por unidad funciona cuando el volumen es predecible y el cliente quiere pagar por lo que usa. Cuota mensual fija por un alcance definido funciona cuando el cliente quiere certidumbre presupuestaria y uno quiere ingresos con los que contar (los 300-500 dólares al mes de Kick son una cuota, y es un gran negocio). Lo único que hay que evitar es el precio ligado a horas, porque encadena los ingresos a la plantilla: la trampa exacta que hizo malas a las agencias. Y, se elija lo que se elija, el precio se fija contra la alternativa humana, no contra los costes: si una firma cobra 2.500 por algo, se cobran 800. Al cliente le parece una ganga y para uno es una fortuna, porque entregar una unidad más cuesta casi cero.
8. La distribución. Para la mayoría de estos nichos, la respuesta honesta es prospección en frío a una lista muy corta de la persona exacta que firma el cheque, más un único gancho: hacer el primer encargo gratis. Una agencia de atención domiciliaria a la que le revisan diez notas sin coste y ve tres problemas que se le habían pasado se convierte en cliente esa misma tarde. El contenido también funciona si ya se produce, igual que las alianzas con el software que esas empresas ya usan y las referencias en un nicho donde todos se conocen. No hace falta una audiencia: hace falta un canal hasta el comprador, y un primer trabajo gratis es el más rápido.
Un ejemplo montado de principio a fin
Revisión de notas de visita en atención sanitaria domiciliaria. Una agencia mediana produce unas 2.000 notas al mes y paga a un enfermero revisor unos 70.000 dólares al año para comprobarlas, porque una nota incompleta hace que la reclamación al seguro se deniegue o salte en una auditoría.
- Unidad: una nota revisada.
- Entrada: la agencia sube las notas del día.
- Motor: cada nota se contrasta con el libro de reglas —las veinte cosas por las que se deniega una nota: faltan constantes, un cambio de medicación vago, cuidados que no justifican el nivel facturado.
- Revisión: las notas limpias vuelven directas; las de riesgo se marcan para una mirada humana rápida.
- Entrega: un panel con cada nota, qué pasó y qué hay que corregir.
Se cobran 2 dólares por nota: 4.000 dólares al mes por agencia, con un coste de céntimos por pasar cada nota por el modelo. Diez agencias son 40.000 al mes. Cincuenta son 2,4 millones al año, y puede llevarlo una sola persona, porque la entrada es una subida de ficheros, la comprobación es un libro de reglas y la entrega es un panel. Se empezó revisando notas a mano para cinco agencias, y el libro de reglas que se escribió haciéndolo es ahora el producto entero.
Cómo construir uno: cinco pasos
- Elegir una casilla del mapa (abajo): trabajo que la empresa ya paga a un proveedor externo y que tiene una respuesta correcta comprobable.
- Conseguir cinco clientes y hacer el trabajo, sobre todo a mano. Con la IA como motor, pero leyendo cada salida antes de que salga. Todavía no es el producto: es la manera de aprender qué es «correcto», dónde se rompe la IA y qué le importa de verdad al cliente.
- Anotar cada error. Tras unas docenas de encargos se tiene la lista de las veinte cosas que fallan siempre en ese nicho. Esa lista es el producto, y nadie más la tiene.
- Productizar. Alcance fijo, precio fijo, entrada convertida en formulario, entrega convertida en panel, libro de reglas ejecutado automáticamente. Una persona puede atender a cincuenta clientes, con márgenes de software y ciclo de venta de servicio. Aquí es donde la mayoría de estos negocios deberían vivir, y es un buen sitio para quedarse.
- Solo si se quiere, convertirlo en software. Cuando el libro de reglas y el flujo son sólidos, se puede dejar que el cliente lo ejecute solo. Es el salto de servicio productizado a producto, donde están las valoraciones más altas — y se habrá ganado, porque el software se construyó haciendo el trabajo en lugar de adivinar.
El mapa: dos preguntas
Dos preguntas deciden casi todo sobre si una idea funciona:
- ¿El cliente ya paga a un proveedor externo por esto? Si sí, el presupuesto existe, el alcance ya está definido y cambiar no le cuesta nada. Si lo hace en casa, se intenta sustituir a un empleado, y esa es una conversación mucho más difícil.
- ¿Hay una respuesta correcta comprobable? Si el resultado se puede verificar contra una regla, la IA más el libro de reglas pueden hacerse cargo. Si hace falta juicio, una persona tiene que quedarse en el circuito.
| Respuesta comprobable | Requiere juicio | |
|---|---|---|
| Ya se externaliza | Construir aquí. Versión más barata y rápida de una firma a la que ya pagan, con trabajo demostrable | Persona en el circuito y precio premium: la IA prepara, la persona decide |
| Se hace en casa | Oportunidad real pero venta difícil: posicionarlo como herramienta del equipo, no como sustituto | Descartar: es un empleo, no un negocio |
Diez oportunidades en la casilla buena
Ninguna es glamurosa, y eso es a propósito:
- Facturación y codificación médica, por reclamación. Las clínicas ya lo externalizan; un código erróneo es una reclamación denegada.
- Cotización de seguros comerciales, por póliza. El trabajo central del corredor es comparar aseguradoras y rellenar formularios.
- Clasificación aduanera y de carga, por envío. Cada importación necesita el código y la documentación correctos; reglado, documental y caro cuando falla.
- Presentaciones regulatorias de negocios con licencia, por presentación. Finanzas, alimentación, sanidad: todos pagan a especialistas para seguir reglas estrictas, y las reglas son la especificación.
- Abstracción de contratos de arrendamiento y trabajo registral, por documento. El inmobiliario comercial está enterrado en esto y ya lo subcontrata.
- Redacción de licitaciones y solicitudes de subvención, por propuesta. Mayormente estructura y precedente, con presupuesto ya asignado.
- Recursos de impuestos sobre la propiedad, por recurso y con participación en el ahorro. El autor cuenta que acaba de pagar el 50 % del ahorro a una firma por esto; el mismo servicio se puede dar por el 10 %.
- Revisión de notas de atención domiciliaria, por nota. El ejemplo desarrollado arriba.
- Cartas de reclamación para despachos de daños personales, por carta. Un asociado júnior dedica horas a cada una; la estructura es repetible y el resultado, comprobable.
- Gestión de excepciones de cuentas a pagar, por excepción. Las empresas pagan a gente para perseguir las facturas que no cuadran, y cuadrar es una regla.
El patrón: trabajo que una empresa ya paga a alguien, con una respuesta correcta que se puede comprobar, en un sector que funciona con software antiguo y odia el proceso. Esa combinación es la señal.
Qué lo hace defendible
La primera pregunta de cualquier fundador o inversor es: ¿por qué el cliente no lo hace él mismo con ChatGPT? La respuesta es que no quiere una herramienta, quiere que esté hecho, y quiere que alguien responda cuando sale mal. Una clínica no va a poner a su administrativa a pegar reclamaciones en un chatbot y esperar. Quiere una firma que sepa qué aspecto tiene una reclamación denegada, que haya cazado ese error trescientas veces y que lo arregle si se cuela. El libro de reglas y la responsabilidad son el producto; el modelo es solo el motor, y todo el mundo tiene el mismo motor.
Ese es el foso. Al vender el trabajo terminado se es dueño de los errores: una empresa de software publica un fallo y lo parchea; una firma que presenta una reclamación equivocada tiene un problema real. Un competidor puede descargarse el modelo en una tarde; lo que no puede descargarse son trescientos encargos de errores anotados en un nicho estrecho. Y por eso importa la capa de revisión: permite hacerse cargo de los errores sin que le devoren a uno, y encoge a medida que crece el libro de reglas.
Lo único que hay que hacer bien
La mayoría de quienes montan «agencias de IA» apuntan la IA a la producción y dejan todo lo demás como estaba. Eso da una agencia ligeramente más barata. Las agencias nunca fueron grandes negocios por la sobrecarga que rodeaba al trabajo —delimitar, comprobar, gestionar, vender—, y esa sobrecarga crecía con cada cliente.
Un servicio nativo de IA colapsa esa sobrecarga a propósito: la entrada es un formulario, el alcance es un menú, la calidad es un libro de reglas, la gestión de cuentas es un panel. Hecho así, el negocio se comporta como software. Sin eso, se ha construido una versión más rápida de lo que nunca funcionó. Y si algún día se quiere vender, con márgenes del 60-80 % se puede aspirar a una salida de 6-12 veces el EBITDA.
Eso es todo: elegir una unidad; construir la entrada, el motor, el libro de reglas, la capa de revisión y la entrega; poner precio contra el humano, por unidad o por cuota; empezar haciendo el trabajo a mano para cinco clientes, anotar cada error y productizar. Los 120.000 dólares que estaban encerrados detrás de una persona están abiertos.
Texto original de Greg Isenberg, publicado en X el 20 de septiembre de 2026 y disponible en este enlace, donde también están las ilustraciones y la referencia a su pódcast @startupideaspod y a Ideabrowser. Esta versión en español se publica con atribución completa; si el autor prefiere que se retire, se retirará.
Preguntas frecuentes
¿Qué diferencia hay entre un servicio nativo de IA y una agencia que usa IA?
La agencia que usa IA acelera la producción pero mantiene la sobrecarga de siempre: reuniones para delimitar cada encargo, revisión manual sin criterio escrito, gestor de cuenta, venta por horas. El servicio nativo de IA elimina esa sobrecarga por diseño: la entrada es un formulario, el alcance es un menú cerrado, la calidad es un libro de reglas y el seguimiento es un panel. La diferencia no está en usar IA, sino en que la entrega escala sin plantilla.
¿Qué es el «libro de reglas» de un servicio nativo de IA?
La lista escrita de lo que significa «correcto» en un nicho concreto y de todas las formas conocidas en que la IA se equivoca, construida error a error a partir de encargos reales. Es el activo defendible del negocio: el modelo lo tiene cualquiera, pero el libro de reglas solo lo tiene quien ha hecho el trabajo.
¿Cómo se pone precio a un servicio nativo de IA?
Por unidad de trabajo terminado (por reclamación, por contrato, por nota) o por cuota mensual con un alcance definido, y siempre en referencia a lo que cuesta la alternativa humana, no a los costes propios. Nunca por horas: eso encadena los ingresos a la plantilla, que es el problema que el modelo viene a resolver.