En 2023 y 2024, una oleada de startups basadas en LLM lanzó sus productos. Envolvieron GPT-4 o Claude en una interfaz, ofrecieron un caso de uso concreto y cobraron suscripciones. Muchas ganaron tracción; muchas desaparecieron.
Los fracasos no se debieron a que los productos fueran malos, sino a que carecían de un foso competitivo. Cualquiera podía construir lo mismo con el mismo modelo subyacente. Los clientes migraban a la opción más barata, mientras los márgenes se reducían cuando los proveedores de modelos base bajaban precios o lanzaban funcionalidades competidoras.
En 2026, las lecciones están más claras. Construir un producto basado en LLM no equivale a construir un SaaS tradicional: cambian la economía, la dinámica competitiva y los fosos defensivos. Los equipos que no comprenden estas diferencias terminan convertidos en casos de estudio sobre “startups de IA que desaparecieron”.
Este artículo explica qué implica realmente lanzar un producto basado en LLM en 2026: precios, márgenes, patrones estratégicos y fosos competitivos que funcionan frente a los que no.
¿Qué distingue a los productos basados en LLM?
Algunas características que distinguen los productos basados en LLM del SaaS tradicional:
Los costes variables crecen con el uso. Cada interacción tiene un coste de inferencia por llamada. A diferencia del software, donde atender al usuario número 10,000 es prácticamente gratuito, la llamada número 10,000 al LLM cuesta lo mismo que la primera.
Los márgenes son más estrechos. En muchos casos, la inferencia representa el 10-40% de los ingresos. Tras pagar alojamiento, capacidad de cálculo y demás infraestructura, los productos de IA suelen tener márgenes brutos del 50-75%, no el 80-90% de un SaaS puro.
Los modelos base son productos básicos. GPT, Claude y Gemini están disponibles para todos. Tus competidores usan los mismos modelos; cualquier capacidad que proceda exclusivamente de ellos carece de diferenciación.
Los modelos base cambian. Cada trimestre llegan versiones nuevas, retiradas y cambios de precios. Tu producto depende de una infraestructura que no controlas.
La calidad es difícil de defender. Un prompt ingenioso puede reproducirse mediante ingeniería inversa. Un ajuste fino singular puede replicarse y una innovación de flujo de trabajo puede copiarse.
Las expectativas de los clientes cambian rápidamente. Lo que hoy parece impresionante será la norma dentro de 6 meses. La barra se mueve rápidamente.
Presión de precios. Los proveedores de modelos de base lanzan productos que compiten con sus clientes. Salesforce + OpenAI; Microsoft + OpenAI; competidores con una gran distribución.
Estas no son teorías. Son la realidad diaria de construir en 2026.
La estructura de costes
La estructura de costes típica de un producto basado en LLM:
Costes variables (por usuario/uso):
- Inferencia (API de LLM o alojamiento).
- Embedding (para RAG).
- Base de datos de vectores o almacenamiento.
- Otra infraestructura que escala con el uso.
Costes fijos:
- Salarios del equipo.
- Oficina/operaciones.
- Licencias de software (CRM, herramientas).
- Alojamiento base.
- Marketing/ventas.
La diferencia está en el coste variable. Si asciende a €0.05 por usuario activo al día y cobras €20 al mes, el margen de contribución es €20.00 - días_activos × €0.05. Los usuarios intensivos pueden erosionarlo de forma considerable.
Un ejemplo real. Una empresa que ofrece una herramienta de escritura de IA a €20 por usuario al mes:
- Usuario promedio: 5 sesiones al día × 20 días al mes = 100 sesiones al mes.
- Sesión media: 5 llamadas al LLM × 2K tokens de media.
- Tokens totales: 1M tokens al mes por usuario (entrada + salida).
- Coste con los precios de Claude Sonnet (€3/M de entrada, €15/M de salida): ~€7-12 por usuario al mes.
- Margen bruto: ~50-65%.
Para sus usuarios intensivos (10-20x más sesiones):
- 10-20M tokens al mes.
- Coste de inferencia: €70-200 al mes.
- Pérdida por usuario intensivo.
Sin controles de consumo, los usuarios intensivos pueden resultar deficitarios. El SaaS tradicional no sufre este problema en la misma medida.
Modelos de precios
La pregunta sobre los precios es más difícil que en el SaaS tradicional. Opciones:
Tarifa fija por usuario. Es sencilla y suele ser la opción por defecto. Sin embargo, los usuarios intensivos pueden ser deficitarios y los ocasionales los subvencionan.
Por asiento con límites de uso. Cada asiento incluye N acciones, llamadas o tokens al mes. Los usuarios intensivos pagan los excesos o alcanzan el límite.
Uso puro. Se paga por llamada, token o acción. Alinea costes e ingresos y ofrece un margen predecible, pero la incertidumbre de las facturas puede frenar la adopción.
Por planes. Plan gratuito, profesional con límites y empresarial personalizado. Es el patrón estándar de SaaS adaptado a los límites de uso.
Híbrido. Precio por asiento y cobro por uso de funcionalidades avanzadas. Combina previsibilidad y alineación con el consumo.
Basado en resultados. Se paga por un resultado —negocio cerrado, ticket resuelto o contenido generado—. Aporta mucho valor, pero es difícil de operar. Gana terreno a medida que la IA realiza más trabajo medible.
Cada opción implica compromisos. El “modelo correcto” depende de:
- Necesidades de previsibilidad (tuyas y del cliente).
- Varianza en el uso.
- Estructura de márgenes.
- Entorno competitivo.
La mayoría de los productos LLM exitosos utilizan planes o un modelo híbrido. Los usuarios intensivos alcanzan límites o pagan excesos; los ocasionales reciben un valor razonable.
La cuestión de la economía unitaria
Un marco útil: ¿qué unidad cobras y qué cuesta?
Para un asistente de chat:
- Unidad: una “conversación.”
- Coste: €0.10-1.00 por conversación según su longitud.
- Ingresos: ?
Si cobras €20 por usuario al mes y mantienen 100 conversaciones, el ingreso medio por conversación es €0.20. El margen es mínimo o negativo.
Si cobras €30 por usuario al mes con un límite de 200 conversaciones y la mayoría de los usuarios tienen 50: margen cómodo.
El ejercicio consiste en estimar el coste por unidad, fijar los ingresos por unidad y comprobar que el margen sea viable en toda la distribución de usuarios.
Los usuarios intensivos suelen generar las pérdidas. Decide expresamente: ¿los subvencionas, los obligas a pasar al plan empresarial o limitas su uso?
Protección de márgenes
Algunas tácticas para proteger los márgenes:
1. Asigna modelos por plan y función
Ofrece las funciones económicas en el plan básico y reserva las costosas —modelos de razonamiento, contexto largo y salidas extensas— para el plan premium.
Un usuario gratuito con un modelo equivalente a Claude Haiku puede costar €0.10 al mes en inferencia. Uno premium con un modelo equivalente a Claude Opus podría costar €5-20. Asigna los modelos en consecuencia.
2. Optimización de costes (explicada en otro artículo)
Caché, enrutamiento y control de salida. La optimización de costes en producción suele ahorrar 60-90%. Para muchos productos, marca la diferencia entre ser rentables o deficitarios.
3. Transparencia del uso
Muestra a los usuarios su consumo. Es una guía implícita para que optimicen su comportamiento.
No es una medida punitiva, sino información útil para ambas partes. Los usuarios valoran conocer su consumo; los intensivos se moderan o cambian de plan.
4. Caché inteligente
La caché específica de cada usuario u organización reduce considerablemente los costes de quienes más utilizan el producto. Pueden seguir usándolo sin verse penalizados por límites de consumo.
5. Híbrido gestionado/con alojamiento propio
Para grandes clientes empresariales, ofrecer variantes con alojamiento propio o BYO-cloud les transfiere el coste de inferencia. Ellos ganan privacidad y control; tú reduces costes.
6. Basado en resultados para alto valor
Algunos flujos producen resultados medibles, como negocios cerrados o tickets resueltos. Cobrar por resultado captura el valor de otra forma que cobrar por token y puede mejorar mucho los márgenes.
La pregunta sobre el foso
La pregunta más difícil. ¿Qué hace que tu producto sea defensible?
Una lista de fosos competitivos reales frente a otros aparentes:
Fosos reales
Datos propietarios. Tienes datos que los competidores no pueden obtener fácilmente. Los datos específicos del cliente son el ejemplo canónico. Cuanto más aprende tu producto de los datos de cada cliente, más difícil es cambiar.
Distribución. Estás integrado en flujos de trabajo o plataformas donde los competidores no están. Microsoft Copilot tiene un foso de distribución masivo a través de Office.
Confianza. Los clientes de sectores regulados o sensibles confían en ti. Cambiar resulta costoso por las revisiones de seguridad y cumplimiento y por la formación.
Integración. Estás integrado con muchas herramientas del cliente, sustituyéndolas o ampliándolas. Cada integración añade un coste de cambio.
Especialización en flujos de trabajo. Has construido específicamente para un flujo de trabajo que requiere conocimiento de dominio profundo. Las herramientas de IA genéricas no pueden replicar sin una inversión similar.
Efectos de red. Los usuarios se benefician de otros usuarios mediante la comunidad, el contenido compartido o benchmarks comparativos. Son poco frecuentes en la IA de productividad individual, pero reales en algunas categorías.
Marca y costes de cambio. En ventas empresariales, la reputación profesional del comprador queda ligada a la elección. Cambiar entraña riesgos; una vez elegido, disfrutas de una posición defendible.
Integración vertical. Tienes infraestructura significativa (modelos propios, inferencia propia, pipelines de datos propios). Difícil de replicar.
Fosos aparentes
Un prompt o flujo de trabajo específico. Fácil de invertir. Los clientes pueden construirlo ellos mismos.
Una elección específica de modelo. Disponible para competidores.
Una interfaz ingeniosa. Puede copiarse en un trimestre.
Velocidad de iteración. Es una ventaja durante un tiempo, pero los competidores acaban alcanzándote. Por sí sola no es duradera.
Marketing o branding. Descartable en la era de la IA; reputaciones se construyen y se destruyen rápidamente.
La mayoría de los wrappers de IA dependen de estos fosos aparentes, lo que explica su elevada tasa de fracaso.
Los patrones estratégicos
Algunos patrones que producen productos de LLM defensibles:
Patrón 1: Flujo de trabajo + IA, no “herramienta de IA”
En lugar de “IA que hace X”, construye un flujo de trabajo que incorpora IA como parte de un sistema más grande.
Ejemplo: no “resumidor de contratos legales con IA”, sino “plataforma de gestión de contratos con IA integrada”.
El valor de la plataforma —almacenamiento, organización, colaboración, historial y cumplimiento— constituye el foso; la IA es una funcionalidad.
Las herramientas que solo ofrecen IA se convierten en productos indiferenciados. Las plataformas con funcionalidades de IA perduran.
Patrón 2: ciclo virtuoso de datos del cliente
El uso de cada cliente genera datos que mejoran su experiencia (y posiblemente la de otros). Cambiar significa perder la personalización acumulada.
Ejemplo: un asistente de ventas de IA que aprende la voz, las cuentas y los patrones de cada usuario. Después de 6 meses, cambiar a un competidor significa empezar de nuevo.
Construye este ciclo desde el primer día. Haz que el producto mejore con el uso.
Patrón 3: Especialización profunda en vertical
Elige un vertical. Construye para él profundamente. Salud, derecho, finanzas, inmobiliaria.
El conocimiento del vertical es tu foso. Las herramientas de IA genéricas no pueden competir en especificidad de dominio. Los competidores especializados pueden — pero cada vertical es su propio mercado con espacio para unos pocos especialistas.
Patrón 4: Integración en flujos de trabajo existentes
No pides a los usuarios que vengan a tu producto. Integra en donde ya trabajan — Slack, Microsoft 365, Google Workspace, su CRM.
La distribución a través de la integración es un foso real. Una vez que estás en sus herramientas diarias, sacarte es costoso.
Patrón 5: Operaciones nativas de IA
Algunas empresas son nativas de IA de extremo a extremo — no venden IA a humanos; usan IA para entregar un servicio. Tutoría con IA, servicio al cliente con IA como resultado, contenido con IA como mercancía.
El “producto” es el resultado; la IA es operativa. Los competidores con IA similar pero peores operaciones pierden.
Patrón 6: Fosos multidimensionales
Un producto con fosos en múltiples dimensiones: vertical + datos + integración + flujo de trabajo. Ninguna dimensión es un foso, pero juntas son difíciles de replicar.
Este es el aspecto de la mayoría de los productos de IA exitosos: no un único gran foso, sino varios que se refuerzan entre sí.
Estudios de caso de precios
Unos pocos casos reales (anónimos):
Caso 1: el wrapper en una “carrera hacia el fondo”
Una startup se lanzó en 2023 con una interfaz de chat para redactar contenido. Plan gratuito y plan profesional a €20 al mes.
Año 1: ingresos crecieron. Año 2: 5 competidores lanzaron productos similares. Presión de precios: €10 al mes, luego €5 al mes. Márgenes comprimidos; crecimiento detenido.
Año 3: ChatGPT incluyó características similares en su suscripción de consumidor. Posición competitiva insostenible. Cerrada.
Lección: un wrapper sin otros fosos no tiene defensa.
Caso 2: El especialista en vertical
Una empresa construida específicamente para IA en investigación farmacéutica. Integración profunda con bases de datos de investigación. Prompts especializados para terminología médica. Cumplimiento para flujos de trabajo de FDA.
Precio: €1,500 por usuario al mes. Márgenes saludables y baja rotación de clientes. Los competidores directos tienen dificultades para igualar esta profundidad.
Lección: la profundidad vertical + el cumplimiento + la integración forman un foso real.
Caso 3: La plataforma integrada
Una característica de IA añadida a una plataforma existente de gestión de proyectos. Los usuarios ya estaban allí para gestión de proyectos; la IA la hizo más valiosa.
Precio: incluido en los planes existentes, sin una tarifa de IA separada. Efecto neto: aumentaron la retención y el ARPU.
Lección: la distribución existente + la IA como funcionalidad adicional forman una combinación sólida.
Caso 4: el ciclo virtuoso de datos
Una herramienta de ventas que aprende las cuentas, la voz y los patrones de cada cliente con el tiempo. Después de 12 meses de uso, el modelo conoce bien su negocio específico.
Precio: por asiento, con tarifas empresariales personalizadas. La retención es alta; cambiar tiene un coste real (perder 12 meses de personalización).
Lección: Datos específicos del cliente son un foso real.
¿Qué sale mal
Modos de falla comunes:
Fallo 1: Compresión de márgenes. Comenzó con márgenes saludables; competidores y presión de precios los comprimieron. Ahora los ingresos crecen pero los beneficios no.
Fallo 2: Lanzamiento de modelos de base. OpenAI / Anthropic lanzaron una característica que competía con tu producto. Tu diferenciación se evaporó.
Fallo 3: economía de usuarios intensivos. Unos pocos usuarios generan costes desproporcionados y producen pérdidas. O les cobras adecuadamente o asumes esas pérdidas.
Fallo 4: Regresión de calidad. Una actualización del modelo de base cambió el comportamiento. Tus prompts ajustados se rompieron. La confianza del cliente cayó. La recuperación es lenta.
Fallo 5: Rotación de clientes a alternativas gratuitas. ChatGPT o Claude pueden hacer la mayoría de lo que tu producto hace, por menos. Los usuarios se fueron.
Fallo 6: Expectativas del ciclo de ventas. El sector empresarial espera valor a largo plazo. Tu producto podría ser reemplazado por Microsoft Copilot en 18 meses. La confianza es difícil de construir.
Fallo 7: escalar sin disciplina de márgenes. El crecimiento financia el crecimiento y se ignoran los márgenes. Al final se agota el dinero sin que exista un camino hacia la rentabilidad.
Fallo 8: riesgo de dependencia del proveedor base. Una subida de precios, una retirada de versión o una caída de la API interrumpen tu negocio por una causa que no controlas.
Patrones específicos de precios que funcionan
Algunos patrones de productos que han hecho funcionar la economía:
Por acción con límites. Cobra por “tarea completada” o “resultado satisfactorio” y limita el uso incluido en cada plan. Los usuarios intensivos pagan los excesos. El precio queda claramente alineado con el valor.
Trae tu propia clave de API. Los usuarios avanzados pueden aportar su clave de OpenAI o Anthropic y pagar directamente los costes de inferencia. Tú cobras por el producto que la rodea y eliminas ese gasto de tus cuentas.
Precios personalizados para empresas. Los grandes clientes negociarán. Puedes incorporar el coste al precio; los clientes pequeños utilizan los planes estándar.
Plan gratuito con una vía clara de actualización. Un plan gratuito generoso impulsa la adopción y los planes de pago ofrecen un valor evidente. Los usuarios gratuitos se autoseleccionan y algunos pasan a pagar.
Contratos anuales con descuentos. Ingresos comprometidos; suaviza la predicción de uso; reduce la rotación. Patrón estándar de SaaS, aún funciona.
Un marco para la decisión de precios
Pasos:
-
Modela tu estructura de costes. ¿Cuánto cuesta realmente atender a un usuario típico, uno intensivo y uno ocasional?
-
Elige tu unidad. ¿Por qué estás cobrando? Asientos, acciones, resultados, tokens?
-
Encuentra el precio correcto. ¿Dónde se alinean el valor para el cliente, tu coste y la presión competitiva?
-
Diseña los planes con criterio. Gratuito/profesional/empresarial, con una progresión clara de valor.
-
Establece límites. ¿En qué punto empiezan los usuarios intensivos a dañar los márgenes? Aplica límites o cobra los excesos.
-
Planifica para el cambio. Los precios de los modelos de base caerán. Tu precio puede seguir. O puedes mantener los precios y crecer el margen. Decide qué.
-
Mide constantemente. Valor de vida del cliente, margen de contribución, rotación, expansión. Ajusta según aprendas.
Una nota sobre startups de IA en 2026
El paisaje honesto:
Las empresas de wrappers suelen tener dificultades. Una capa sencilla sobre un modelo base rara vez sobrevive por sí sola. Las excepciones cuentan con fosos específicos de distribución, marca o integración; el wrapper es la parte menos importante de lo que realmente venden.
Los especialistas verticales prosperan. Los productos de IA específicos de un dominio y con conocimiento profundo del cliente obtienen buenos resultados.
Las plataformas dominan. Microsoft, Google, Salesforce y otros grandes proveedores con distribución controlan gran parte del mercado empresarial de IA mediante paquetes integrados.
Las operaciones nativas de IA funcionan. Empresas que usan IA para entregar servicios (no vender IA) suelen tener mejores economías que empresas de IA como software.
El código abierto redefine el mercado. Los modelos abiertos capaces cambian la dinámica competitiva de algunos segmentos y reducen la dependencia de los modelos base.
Los proveedores de modelos de base son plataformas. OpenAI, Anthropic, Google están construyendo capas de producto sobre sus modelos. Los clientes enfrentan la pregunta: construir sobre OpenAI o ser reemplazados por OpenAI?
Las nuevas empresas exitosas en 2026 navegan estas dinámicas intencionalmente. Las que no, desaparecen en su mayoría.
¿En qué optimizar
Para los fundadores, una jerarquía:
-
Construye algo que haga trabajo real. No “IA para X”. Un resultado medible que los clientes valoran.
-
Establece fosos deliberadamente. Ciclo de datos del cliente, profundidad vertical, integración e inserción en flujos de trabajo. Elige uno o varios y constrúyelos.
-
Ajusta la economía unitaria. Márgenes que funcionen a gran escala y precios que reflejen el valor y protejan los costes.
-
No dependas de una base en movimiento. Diversifica proveedores de modelos. Construye para cambiar. Prepárate para cambios en proveedores.
-
Escala la excelencia operativa. Observabilidad, evaluaciones, seguridad y calidad: el trabajo poco vistoso que distingue lo duradero de lo efímero.
-
Defiende las relaciones. Confianza, integraciones y costes de cambio. Los clientes que no pueden marcharse fácilmente forman parte del foso.
Esto no es diferente de los negocios tradicionales exitosos — pero la urgencia es mayor porque la tecnología subyacente cambia más rápido.
Construye con el foso en mente
Lanzar un producto basado en LLM en 2026 es más difícil que en 2023. La era de los wrappers está casi terminada: los proveedores de modelos base y las plataformas compiten directamente. Los márgenes son más estrechos que en el SaaS tradicional y la competencia, más amplia.
Los productos que tienen éxito tienen fosos que no son “IA”. Son datos propietarios, profundidad en vertical, distribución, integración, confianza, especialización en flujos de trabajo. Construidos deliberadamente, superpuestos, defendidos activamente.
La economía exige rigor: costes variables que crecen con el uso y márgenes protegidos mediante caché, enrutamiento, planes y precios inteligentes. A los usuarios intensivos se les cobra adecuadamente o se les limita.
Los equipos que lo hacen bien construyen negocios reales en IA. Los que no, se convierten en estudios de caso — demostraciones interesantes, tracción breve, luego olvidados.
Es un juego más difícil de lo que sugería el entusiasmo inicial. La oportunidad es real, pero específica. Construye desde el primer día pensando en el foso, gestiona el margen como una prioridad y trata los modelos base como infraestructura básica, no como diferenciación.
Así se lanza un producto basado en LLM que siga existiendo dentro de tres años.
