[go: up one dir, main page]

  • ¿Startup B2B? Si no vendés, estás muerto¿Startup B2B? Si no vendés, estás muerto

    ¿Startup B2B? Si no vendés, estás muerto

    Hay una fantasía muy arraigada en el mundo tech que va más o menos así: construís algo suficientemente bueno, lo lanzás, y el mercado lo descubre solo. Los usuarios llegan. Se convierten en clientes. Iterás. Más clientes firman. El producto “se vende solo”.

    Es una mentira. Y no una mentira inocente, es una de las mentiras que mata más startups B2B que cualquier otra cosa.

    Paul Graham la desmontó con quirúrgica precisión en 2013 en su ensayo Do Things That Don’t Scale: la premisa de que un startup “despega o no despega” por mérito propio es falsa. Los founders tienen que hacer que despegue, manualmente, con esfuerzo que no escala, cliente por cliente. Esto no es una fase incómoda a superar, es el trabajo diario.

    Pero mientras Graham habla principalmente de adquisición de usuarios; Peter Thiel va más lejos y lo convierte en argumento estratégico. En su clase 9 de CS183 en Stanford (uno de los textos más citados del ecosistema) Thiel escribe algo que debería estar impreso en la pared de cada incubadora:

    “If you’ve invented something new but you haven’t invented an effective way to sell it, you have a bad business, no matter how good the product.”

    Y va todavía más lejos: más startups fracasan por mala estrategia de ventas que por mal producto. Esto es una herejía para la cultura tech, donde el culto al producto es casi religioso. Pero Thiel tiene razón.

    El founder que no quiere vender es un problema

    Y ojo, entiendo la resistencia. La mayoría de los founders en B2B son técnicos, o vienen del lado de producto. Vender les parece una actividad menor, incómoda, no diría deshonesta pero algo que no quieren hacer y prefieren “construir”. Prefieren iterar. Prefieren cualquier cosa antes que levantar el teléfono y pedirle dinero a alguien.

    Acá hay que ser brutal: eso es un lujo que no te podés permitir.

    Red flag pin. Banner with toothpicks for food labeling. Stationery accessories. Map marker. Target pointer. 3d rendering

    Y si genuinamente sos incapaz de sobreponerte a esa resistencia, hay una sola salida válida: un co-founder que venda. No un “sales hire” temprano. Un socio. Alguien con equity, con ownership, con la misma obsesión por el éxito que vos, porque lo que viene no es un trabajo de empleado y aca el mejor ejemplo es como Gates pese a ser un mercenario tuvo que contratar a Steve Ballmer que tiene mas acciones que el mismo Gates.

    ¿Por qué no podés simplemente contratar a alguien y delegarlo? Acá entra uno de los papers más importantes que existen sobre ventas en startups, y que curiosamente viene de HBR y no de un blog de VC.

    La curva de aprendizaje que no podés evitar

    En 2006, Mark Leslie y Charles Holloway publicaron en Harvard Business Review un artículo titulado The Sales Learning Curve. La tesis central es simple: antes de poder vender un producto innovador de manera eficiente, toda la organización tiene que aprender cómo los clientes lo van a adoptar y usar. Eso no se puede delegar ni comprar.

    Leslie y Holloway llaman a la fase inicial (que en un B2B startup suele extenderse hasta casi el Series B) la etapa de initiation. Durante este período, pocas cuentas van a estar dispuestas a comprar, y las que lo hagan van a requerir atención y adaptación constante.

    El tipo de vendedor que necesitás en esta fase no es el “coin-operated rep” que ejecuta un playbook, sino lo que ellos llaman el “Renaissance Rep”: alguien capaz de navegar la ambigüedad, construir el modelo de ventas desde cero, y aprender mientras vende.

    El problema es que ese Renaissance Rep, en casi todos los startups B2B, sos vos.

    Contratar antes de tiempo es quemar plata y perder conocimiento

    Mark Suster, es uno de los VCs que más me gusta, VC en Upfront Ventures y dos veces founder que vendió su empresa a Salesforce, lo explica sin anestesia en Both Sides of the Table:

    Cuando un founder sale a buscar un vendedor en etapa temprana para liberarse de vender, generalmente todavía no existe el fit entre el producto y lo que el cliente necesita. El sales hire llega, no puede cerrar, y el founder concluye que contrató mal. Pero el problema no es la persona — es que no hay nada que vender todavía en términos escalables. Lo único que conseguís es más burn rate y menos tiempo para resolver el problema real.

    Suster lo dice directo: si no tenés claro el pain del cliente, cómo lo resolvés, cómo diferenciás y en qué rango de precio estás dispuesto a operar, agregar un vendedor externo no te va a salvar. Te va a dar excusas.

    Una idea no es un producto. Un producto no es una empresa.

    Acá está el punto que más se ignora:

    Sin ventas, no sabés si lo que construiste resuelve un problema real o es una idea brillante que existe solamente en tu cabeza y en los slides de tu pitch deck.

    El mercado no te manda un email cuando tu producto no sirve. No te deja una review negativa. Simplemente no compra. Y si no estás en la calle vendiendo (esto es: hablando con clientes, escuchando objeciones, perdiendo deals y entendiendo por qué) no vas a recibir esa señal hasta que sea demasiado tarde.

    Podés tener el mejor equipo de ingeniería de la región. Podés tener cultura de empresa, OKRs, un deck hermoso y referencias de primera línea. Sin ventas, todo eso es hipótesis.

    La única forma de convertir una hipótesis en empresa es vender. Primero vos. Después con alguien que te acompañe. Y recién mucho después, con un equipo.

    El resto es storytelling. Por no decir humo.

  • ¿Porque Garmin y Whoop se complementan?¿Porque Garmin y Whoop se complementan?

    ¿Porque Garmin y Whoop se complementan?

    Si usás Garmin cuando me ves tambien usando un Whoop me decis ¿para que ambas cosas? y luego cuando usás Garmin y y WHOOP al mismo tiempo, la primera reacción es confusión. Los números no coinciden y pensás que no de los dos debe estar equivocado, ¿no?

    No. Whoop y Garmin mirán lo mismo pero desde diferentes ángulos especialmente a la noche donde tu cuerpo se recupera y es tan importante como el esfuerzo… aca abajo una copia de mi sueño ayer:

    Envidien mis 9.8hs de sueño

    El HRV no es un número fijo. Se mueve constantemente según: la fase del sueño, el patrón respiratorio y la actividad del sistema nervioso. Garmin toma todo eso y promedia. WHOOP, mientras, intenta aislar los momentos donde el cuerpo está más cerca de su baseline de recuperación. Por eso ver 28 vs 23 no es desacuerdo; son dos resúmenes de algo que no es estable para empezar.

    El problema que le veo a ambos

    La parte que parece más “científica” (deep sleep, REM, light sleep) es en realidad la menos confiable. Podés tener una hora de sueño profundo en Garmin y más de dos en WHOOP, de la misma noche, y ninguno tiene necesariamente razón.

    Incluso en laboratorio esto es difícil de medir bien, asi que en la muñeca, es más estimación que medición.

    Optimizar el entrenamiento en base a “anoche tuve más REM” es ruido pero con lindos gráficos; pero al mismo tiempo ambos tienen algo genial.

    Strain: lo que WHOOP ve y lo que no ve

    WHOOP sí trackea lo que hacés y genera un Strain score que refleja la carga cardiovascular real del día. Fisiológicamente es honesto. Pero hay una diferencia de fondo que importa para alguien que entrena con potencia.

    WHOOP mide strain de forma pasiva y RETROSPECTIVA. Detecta cuánto trabajó el corazón, por cuánto tiempo, a qué intensidad. Es real, pero no tiene potencia, no tiene velocidad, no tiene segmentos, no tiene Training Load en el sentido que un ciclista entiende esa métrica.

    Garmin mide la actividad con precisión de EJECUCION. Sabe que hiciste 3h12min, que promediaste 185W normalizados, que el 67% del tiempo estuvo en Zona 2 y que el TSS fue 210. Eso es planificación de periodización, algo que WHOOP Strain no puede reemplazar.

    Y acá está el punto fino: WHOOP ve que entrenaste fuerte ayer, lo refleja en el Strain acumulado. Pero no sabe cómo entrenaste. Un fondo de 3 horas en Zona 2 y una sesión de intervals de 90 minutos pueden tener strain cardiovascular muy parecido, pero son estímulos completamente distintos para la recuperación muscular y la adaptación. Garmin los distingue. WHOOP no.

    Por eso el Strain de WHOOP es útil como techo “hasta acá puedo dar” pero no como mapa de lo que estás construyendo.

    Imaginemos que entrenas para fondos (carreras o escalada o tria)

    Con seis días de entrenamiento por semana (tres de bici, tres de fuerza) la pregunta que importa no es que dispositivo tiene razón. Es cuál usar para tomar qué decisión.

    WHOOP anticipa. Te dice lo que viene: fatiga acumulada, HRV en tendencia, si el cuerpo está absorbiendo la carga o hundiéndose bajo ella y estas destruyendo por falta de recuperacion o mala planificación en vez de construir sobre tu fisiología.

    Garmin es la señal de ejecución. Te dice lo que pasa en vivo y lo pasó: potencia real, Training Status, TSS acumulado, si realmente fuiste a Zona 2 o te hiciste el picante y tus horas de esfuerzo no sirven para nada porque no mejoras tu cardio.

    Mi sistema, que seguro no es perfecto pero algo ayuda

    A la mañana, miro WHOOP y decido la intensidad del día. Si es VERDE, empujo. Si es AMARILLO voy a esfuerzo sostenido siguiendo lo que dice mi entrenadora y si es, ROJO, me guardo. Ya aprendí.

    Después me olvido de WHOOP. Cuando decidí que hago ahi está el Garmin para ejecutar bien lo que decidí y, al terminar, Garmin me dice si realmente hice lo que quería hacer (y ahi salen los titulos de mi Strava con insultos o buena onda)

    Consejo, no mezclés las métricas; no intentés que los números coincidan porque NO lo van a hacer (especialmente los de sueño porque son algoritmos diferentes). En el momento que usás Garmin para decidir y WHOOP para explicar, siempre llegás tarde.

    Lo que mueve la aguja

    Nadie se lesiona o se funde en un día. Se funde en semanas donde sistemáticamente tomó malas decisiones pequeñas, salió fuerte cuando no debía, ignoró señales tempranas, confió en que “me siento bien” era suficiente dato.

    Para carreras de fondo, especialmente si no sos un profesional que tenés un equipo alrededor tuyo o si no sos un Tadej que hace 5hs diarias en z2 a 300w… el trabajo (120km promedio en z4 alta) es demasiado largo como para improvisar la recuperación.

    Con tu volumen actual de entrenamiento, los dos devices juntos no te hacen más rápido automáticamente; pero te dan más chances de no sabotearte a vos mismo.

    ¿Estás trackeando percepción subjetiva de esfuerzo en algún lado o solo confiás en los devices para eso también? Podria recomendarles TrainingPeaks tambien pero es un rabbit hole todo esto y les dejo dos links interensantes para leer:

    3 habitos de Ciclistas profesionales
    Norwegian Training en Rouvy (bueno es su negocio pero funca)
    Have power meters, heart-rate monitors and training software made any difference to how we train?

    TIP: si queres comprar un Whoop o probarlo, usa este link que te da 1 mes de prueba y el equipo gratis.

  • Si te sorprende que un startup subsidie precios, estás en el mercado equivocadoSi te sorprende que un startup subsidie precios, estás en el mercado equivocado

    Si te sorprende que un startup subsidie precios, estás en el mercado equivocado

    Cada vez que una startup quema plata para ganar mercado aparece alguien explicando, con cara de contador responsable, que ese modelo de negocio “no es sustentable”. Lo dice como si los VCs no supieran lo que están financiando.

    Spoiler: lo saben. Ese es literalmente el punto, y por eso se llama burn rate.

    Pero antes de llegar ahí, vale hacer una distinción que casi nadie hace: no todo subsidio es igual. Hay startups que queman plata porque el modelo nunca va a funcionar, y hay startups que queman plata porque están comprando tiempo para construir algo que después es muy difícil de atacar. Confundir las dos cosas es el error de base de casi toda la indignación moral que rodea este tema.

    Desde Amazon hasta WeWork

    Amazon pasó años sin generar free cash flow mientras reinvertía todo en infraestructura logística y AWS. Wall Street lo odiaba. Bezos seguía igual. El resultado fue una empresa de $2 billones con una posición en cloud computing que nadie pudo replicar en condiciones similares. MercadoLibre hizo lo mismo en Latinoamérica: años subsidiando logística y pagos en mercados donde el e-commerce era marginal, construyendo el hábito de comprar online antes de que existiera la demanda natural para sostenerlo. Hoy tiene más de 100 millones de compradores únicos solo en Brasil. Uber acumuló casi $33 mil millones en pérdidas antes de su primer trimestre positivo.

    (Un detalle: 2022 fue el peor año en el papel, -$9.14B, pero gran parte son pérdidas contables por revaluación de inversiones en Didi y Aurora, no pérdidas operativas. La primera ganancia operativa real llegó en 2023.)

    ¿Para qué existe el capital de riesgo si no para financiar exactamente esto? Un fondo VC no está prestando plata que espera recuperar con intereses. Está comprando una opción sobre un mercado futuro. Y hay una diferencia monstruosa entre ser dueño de un porcentaje de un retailer y ser dueño de un porcentaje de un mercado completo… porque no olvidemos a Peter Thiel: companies should aim for monopoly status to avoid competition.

    La lógica es: subsidiá crecimiento ahora, construí el moat, y cuando el mercado madure tenés una posición que cuesta mucho más atacar de lo que costó construir. La mayoría de las apuestas fallan. Eso también está en el modelo: el portfolio diversificado existe precisamente porque están financiando experimentos, no empresas maduras.

    La pregunta legítima entonces es “¿los unit economics mejoran con escala o empeoran?” y “¿qué pasa con los usuarios cuando suben los precios?”. Esas preguntas separan un subsidio estratégico de un modelo roto.

    WeWork quemaba plata y los unit economics empeoraban con cada nueva sede. Uber quemaba plata y el costo marginal de cada viaje caía con más escala y más conductores en la red. Son situaciones fundamentalmente distintas que desde afuera parecen iguales porque en ambos casos el P&L es negativo.

    Ahora, la pregunta se hace más difícil de responder cuando la inversión es en un mercado inexistente, como eran los LLMs hace apenas tres años. ¿Cómo medís el potencial retorno de un mercado que ni siquiera tenías en el radar? ¿Cómo medís el TAM de algo que no conocés?

    Porque seamos honestos: ¿quién se imaginó que el uso de tokens iba a ser una métrica, o que centenas de millones de personas iban a pagar por un producto que es un chatbot que, honestamente, ni siquiera entienden del todo? Es, literalmente, una apuesta a una nueva macro-ola de cambio.

    Y si miramos la historia del mercado tecnológico, cada ola no solo se hizo más grande sino que se aceleró: de PCs a Mobile a Cloud a SaaS a IA. Y la lógica indica, mirando ese patrón, que si sos capaz de agarrar al futuro Microsoft, Apple, Amazon o Meta cuando valen unos millones o unos pocos billones, deberías hacerlo a toda costa antes de que se hagan públicos y sean las empresas de trillones que son hoy.

    El problema es que la indignación no distingue. “Están perdiendo plata” se convierte en sentencia, independientemente de por qué están perdiendo plata y hacia dónde van los números. Y esa indignación dice más sobre quién la expresa que sobre la startup que critica.

    ¿Cuántos de los que hoy cuestionan los precios subsidiados de cualquier app usaron Uber cuando valía $16 un viaje que costaba $70? ¿Cuántos imaginamos que Microsoft estaba loco al invertir en Meta, cuando todavía era un startup, a $10b y hoy la vemos varios trillones?

  • Salesforce tardó 7 años en duplicar sus ingresos. OpenAI, 7 meses. Anthropic, 2 meses.Salesforce tardó 7 años en duplicar sus ingresos. OpenAI, 7 meses. Anthropic, 2 meses.

    Salesforce tardó 7 años en duplicar sus ingresos. OpenAI, 7 meses. Anthropic, 2 meses.

    OpenAI y Anthropic están generando ingresos a una velocidad que no tiene precedentes en la historia del software, con ambas compañías acercándose o superando los 20 mil millones de dólares en ARR a principios de 2026, con tasas de crecimiento de 3× a 10× por año, a esta escala.

    OpenAI lleva la delantera con ~$25B de ARR (febrero 2026), pero Anthropic la viene pisando los talones con ~$19B de ARR (marzo 2026), impulsada por una demanda empresarial explosiva vía API y el éxito descomunal de Claude Code… una con mas peso en consumer y la otra con más peso en enterprise pero sin ser estático. Múltiples analistas proyectan que Anthropic podría superar a OpenAI a mediados o finales de 2026.

    Pero lo nunca visto es que detrás de estos dos líderes, ya hay un segundo nivel: Cursor ($2B+ ARR), xAI (~$500M), Mistral ($400M), ElevenLabs ($330M), Cohere ($240M) y Perplexity (~$200M)… todos creciendo a tasas anuales de tres dígitos.

    El conjunto de la capa de aplicaciones de IA ya es un mercado de más de $50B en ingresos que crece aproximadamente 3–5× por año, una trayectoria que deja chica a cualquier ola previa en la historia del software. (y no incluyo ahí a los ~$50bn que generan AWS o GCP o AzureAI)

    ARR de IA Pura vs Clous/SaaS cotizandoARR de IA Pura vs Clous/SaaS cotizando
    Compando ingresos anualizados de las 3 privadas con los 4 SaaS tipicos y Azure AI que informa por separado sus ingresos… nunca se vio esta velocidad para alcanzar a los grandes.
    Leer el post completo
  • El NYSE va on-chain. Para Latam, esto es la mejor excusa para dar un salto.El NYSE va on-chain. Para Latam, esto es la mejor excusa para dar un salto.

    El NYSE va on-chain. Para Latam, esto es la mejor excusa para dar un salto.

    Ayer el NYSE anunció que se asocia con Securitize para construir su plataforma de tokenized securities y Securitize será el primer digital transfer agent habilitado para mintear acciones y ETFs blockchain-native (y es clave que sean nativos, pero eso luego)

    Hace pocos años se habla de RWA y de golpe todo parece hype pero hay, al menos, 3 razones concretas que me interesan para este post:

    • Settlement instantáneo, 24/7. Los mercados tradicionales operan en horarios de oficina con T+2. Esta plataforma apunta a liquidación on-chain en tiempo real. El costo de capital que libera eso es enorme.
    • Derechos reales, no derivativos. La mayoría de los “tokenized stocks” que existen hoy son sintéticos (son una representacion de un tercero que es dueño de la acción real) y eso introduce un riesgo a la ecuación. El NYSE apunta a ownership genuino y eso cambia todo el análisis regulatorio y de adopción institucional.
    • Wall Street no está “adoptando crypto”; está construyendo su propia infraestructura on-chain. NYSE + Securitize; Nasdaq + Kraken/Securitize; ICE invirtiendo en OKX. El patrón es claro: las exchanges tradicionales quieren las rails y sus ventanas..

    La semana pasada la SEC aprobó el framework de Nasdaq. Esta semana el NYSE firma MOU con Securitize. El mercado de tokenized stocks ya superó $1B en market cap y $2.5B en volumen mensual.

    Con lo que salimos de “Esto es un experimento” y acompañado por la regulación. Con Atkins en la SEC y el “innovation exemption” framework avanzando, el timing se está alineando.

    Estamos en el momento en que el RWA deja de ser una tesis y se convierte en plomería financiera.

    Y Latam tiene acá una gran oportunidad

    No como espectador; sino como protagonista potencial.

    Si miramos y diagnosticamos por arriba; los mercados financieros de la región tienen un problema estructural conocido: baja profundidad, settlement lento, acceso restringido y horarios que excluyen a la mayoría.

    Brasil, México, Argentina, Colombia; todos con bolsas que operan en ventanas cortas, con T+2 o peor, y con millones de personas sin acceso real a instrumentos de inversión.

    El modelo NYSE + Securitize ofrece exactamente lo que Latam necesita pero nunca pudo construir con infraestructura legacy: settlement 24/7, fraccionalización, funding en stablecoins y acceso sin fricción.

    La historia del leapfrog tecnológico en la región ya pasó antes. Con la telefonía móvil, expandimos un mercado donde no existia porque no teníamos que construir redes fija para llegar a cada pueblo. Lo mismo con los bancos y las fintech en un smartphone; dejamos de necesitar las sucursales en cada pueblo para ampliar la base; ahora a nivel transaccional, no tenemos que replicar el T+2 de Wall Street para tener mercados de capitales modernos y podemos acceder a colateralización en cualquier billetera, sea cripto o no.

    En definitiva: Podemos saltar directo a la infraestructura on-chain y tener casos de uso obvios que amplian la base de mercado y crean un ecosistema gigantesco… como nuestros mercados sub-atendidos.

    Los casos de uso más obvios: deuda corporativa de pymes que hoy no accede al mercado de capitales, activos reales como real estate o agro tokenizados (si, ya se, repito el tema pero es un low hanging fruit) para inversores regionales, y acceso a equities globales desde billeteras digitales locales sin necesidad de un broker tradicional.

    El riesgo no es la tecnología, porque ya vemos que existe en el mercado de capitales más sofisticado; nuestra oportunidad de saltar a un mercado moderno está ahora en ver como avanzan los jugadores financieros locales y regionales; y sobre todo que los reguladores locales no tarden una década en ponerse de acuerdo mientras el mundo construye sin ellos.

  • 780bn y sin modelo de negocio: OpenAI sigue buscando a qué jugar780bn y sin modelo de negocio: OpenAI sigue buscando a qué jugar

    780bn y sin modelo de negocio: OpenAI sigue buscando a qué jugar

    TL;DR: nos vamos antes de que Sora (y ojalá OpenAI) se muera.

    Eso es lo que Disney le dijo al mundo ayer, envuelto en diplomacia corporativa. El comunicado oficial dice que “respetan la decisión de OpenAI”, que “aprendieron mucho de la colaboración”, que van a seguir explorando la IA “responsibly.” Pero la traducción es mucho más simple.

    Hace tres meses, Bob Iger anunciaba con bombos y platillos el acuerdo entre Disney y OpenAI. “The rapid advancement of artificial intelligence marks an important moment for our industry,” dijo el CEO de The Walt Disney Company, prometiendo que juntos iban a “extend the reach of our storytelling through generative AI.” El deal incluía licenciar más de 200 personajes de Disney, Marvel, Pixar y Star Wars para que Sora los pudiera usar, más una inversión de 1.000 millones de dólares de Disney en OpenAI.

    Leer completo
  • Líneas de código, tokens y el arte de confundir el mapa con el territorioLíneas de código, tokens y el arte de confundir el mapa con el territorio

    Líneas de código, tokens y el arte de confundir el mapa con el territorio

    En una semana vi tres cosas que me hicieron ruido. Gary Tan, presidente de YC, contando que se medica con estimulantes del sistema nervioso central para escribir más líneas de código. Jensen Huang declarando que si tu ingeniero de $500K no está quemando al menos $250K en tokens “algo está mal”. Y OpenAI premiando a los devs que consumen más tokens con medallas de plata, negro y azul, como si fuera un programa de millas (tip: escrito desde EZE).

    Lo que no escuché en ninguno de los tres casos: alguien hablar de impacto en el negocio.

    Ni UNA sola referencia a qué problema se resuelve, a qué cliente se le mejora la vida, a qué métrica de negocio se mueve. Solo consumo, actividad, movimiento. El mapa confundido con el territorio.

    El problema con las vanity metrics disfrazadas de productividad

    Eric Ries lleva más de quince años explicando la diferencia entre vanity metrics y actionable metrics. Las primeras se ven bien en una presentación y no te dicen nada sobre si tu negocio funciona. Las segundas son las que conectan con causas y consecuencias reales.

    “Líneas de código escritas por día” es una vanity metric de manual. Siempre lo fue. La industria del software aprendió esto hace décadas: un programador que escribe 500 líneas de código limpio, bien estructurado, que resuelve el problema correcto, es infinitamente más valioso que uno que genera 5.000 líneas de spaghetti que nadie entiende y que hay que reescribir en seis meses.

    Que el presidente de la aceleradora más influyente del mundo esté hablando de “más líneas de código” como indicador de productividad personal no es solo un error conceptual. Es una señal preocupante sobre qué valores se están promoviendo hacia abajo.

    Y lo del carpintero con 5.000 clavos por minuto es exacto: no importa cuántos clavos uses si no sabés dónde va cada uno.

    Leer nota completa
  • El mito de planear un viaje con AIEl mito de planear un viaje con AI

    El mito de planear un viaje con AI

    Planificar un viaje con AI es el ejemplo perfecto de lo que la AI todavía no puede hacer. Claude acaba de mostrarme su nueva función de “pensar en voz alta” antes de responder. El ejemplo que eligió para demostrarla: “Armá tu viaje con AI” la demo favorita de la industria. ChatGPT lo usa, Google lo usa, cada nueva herramienta que sale lo usa.

    Screenshot

    Dos años de escucharlo, sigo esperando encontrarme con alguien que realmente lo haya hecho bien. El problema no es que los modelos sean malos. El problema es que planificar un viaje (de verdad, para una familia real, con restricciones reales) es uno de los problemas de razonamiento más complejos que existen en la vida cotidiana.

    El árbol de decisiones que nadie dibuja

    Empecemos por lo que parece más simple: el equipaje.

    ¿Despachás valija o no? Suena fácil. Pero la respuesta depende del clima en destino, de cuántos días son, de si vas a hacer compras y necesitás espacio de vuelta, de si tus hijos pueden llevar su propia valija o vos cargás todo, de si hay escalas con aerolíneas distintas que tienen políticas diferentes, de si viajás directo a un solo destino o hacés varios. Son ocho variables para una sola pregunta sobre equipaje.

    Y no me hagan entrar en caprichos como los mios de “Yo no despacho” vs Marcelo Liahaff “yo despacho siempre y mucho!”

    Ahora multiplicalo por todos los elementos de un viaje: pasajes, alojamiento, traslados, actividades, comida, agenda de cada persona.

    Y acá viene lo que hace el problema genuinamente difícil: las dependencias. Pensemos en el alojamiento y olvidemos por un minuto las preferencias y presupuesto; la elección depende de las actividades que querés hacer, que dependen de quiénes viajan, que dependen de cuándo podés viajar, que depende de las agendas de todos, que depende de si hay eventos o temporadas altas en destino que afectan los precios. “Todo está conectado con todo” condenada dixit.

    Leer nota completa
  • Amazon y la oportunidad perdida en AI: el dilema del innovadorAmazon y la oportunidad perdida en AI: el dilema del innovador

    Amazon y la oportunidad perdida en AI: el dilema del innovador

    ¿Cómo la empresa de cloud más grande del mundo, la referencia técnica para developers durante más de una década, quedó tercera en la carrera por infraestructura de AI? ¿Al punto de tener que invertir en OpenAI a valores 15 veces superiores que Microsoft, sin ninguna de sus ventajas contractuales? ¿Por qué hasta Google, que tiene todo el stack de AI completo de forma propietaria, invirtió más y mejor en Anthropic que Amazon? ¿Dónde perdió el rumbo AWS?

    Esas preguntas que tenía en la cabeza me quedaron dando vueltas después de leer que Amazon anunciaba una inversión de hasta $50B en OpenAI a un precio altisimo y sin una sola ventaja competitiva. La respuesta no es simple pero tampoco es un misterio y lo importante es el contexto de como Microsoft y Google los dejaron atrás

    MIcrosoft y el su “Peaje Estructural”: Una Cobertura Perfecta

    Para entender el tamaño del problema de Amazon, primero hay que entender qué construyó Microsoft entre 2019 y 2026. Satya Nadella no solo invirtió en OpenAI como una startup prometedora; construyó una posición estructural e inexpugnable en toda la economía de la AI.

    Sam Altman y Satya Nadella...Sam Altman y Satya Nadella...
    Sam Altman y Satya Nadella…
    Leer Mas
  • Murder by policy: guerra abierta contra AnthropicMurder by policy: guerra abierta contra Anthropic

    Murder by policy: guerra abierta contra Anthropic

    Cuando publiqué el post anterior sobre Anthropic y el Departamento de Guerra, el daño parecía mayormente simbólico. Una amenaza sin base legal sólida, una señal política agresiva, pero todavía reversible. Diez días después, la situación cambió y no solo hay perdidas millonarias reales sino… inversores y hasta competidores que empiezan a asustarse.

    A eso sumenle demandas judiciales, declaraciones bajo juramento con números concretos, y un detalle clave: los competidores directos de Anthropic (OpenAI y Google DeepMind) presentaron un amicus brief en la corte apoyando a la empresa que compite contra ellos todos los días.

    Los números bajo juramento

    El CFO de Anthropic, Krishna Rao, declaró ante la corte federal del Distrito Norte de California el 9 de marzo. Bajo pena de perjurio.

    “Si los clientes adoptan una lectura estrecha de la designación (solo afecta contratos directos con el Pentágono), hay cientos de millones de dólares en revenue 2026 en riesgo. Si adoptan la lectura amplia (que hacer cualquier negocio con Anthropic te expone como contratista federal), el impacto podría reducir el revenue total de la empresa en múltiples miles de millones de dólares en 2026.

    ¿Porque es importante el contexto? Anthropic generó $5 mil millones en ventas totales desde que empezó a comercializar en 2023. Gastó más de $10 mil millones en entrenar y servir modelos. Y necesitó levantar más de $60 mil millones en capital externo para operar (porque en frontier AI ninguna empresa puede autofinanciarse todavía, por más revenue que genere).

    Leer post completo
  • Los Agentes de AI no siempre defienden tus intereses. Alineacion y oportunidades.Los Agentes de AI no siempre defienden tus intereses. Alineacion y oportunidades.

    Los Agentes de AI no siempre defienden tus intereses. Alineacion y oportunidades.

    Pedís baterías, Alexa compra Amazon Basics. No Energizer, la marca que compraste los últimos 10 años en Amazon y cuya historia la plataforma tiene disponible 100%. El sistema sabe lo que preferís, sólo elige ignorarlo porque hay un incentivo económico más fuerte que tu preferencia.

    Eso no es un bug, es diseño. Y lo que viene con los agentes de IA es exactamente el mismo playbook, pero con un poder de ejecución que Alexa no podía ni imaginar.

    El problema no es la tecnología. Es el modelo de negocio.

    Los agentes de IA van a manejar cada vez más decisiones que hoy todavía hacés vos: Reservas de hotel, compras recurrentes, renovación de suscripciones, seguros, gestión de cuentas de servicios y mucho más. El ejemplo de Alexa es de hace años. Lo que se viene es lo mismo con mil veces más poder de ejecución.

    Anthropic, OpenAI y Google no te dicen explícitamente para quién trabajan los agentes cuando hay un conflicto de interés. Y ese conflicto existe desde el momento en que hay un modelo de negocio atrás. [Les recomiendo leer lo que es el Superalineamiento]

    (more…)
  • La discusión sobre Tokenizacion de activos RWA acaba de cambiarLa discusión sobre Tokenizacion de activos RWA acaba de cambiar

    La discusión sobre Tokenizacion de activos RWA acaba de cambiar

    La Fed acaba de eliminar el último obstáculo para la adopción institucional de RWA. Se terminó el debate sobre si los activos tokenizados son “demasiado riesgosos” para el balance de un banco. La Reserva Federal (junto con la OCC y la FDIC) acaba de publicar un FAQ clarificador sobre el tratamiento de capital para Tokenized Securities.

    Como alguien que lleva más de 10 años navegando el ecosistema de Real World Assets (RWA), les digo: este es el “momento de claridad” que el mercado institucional estaba esperando.

    ¿Qué significa esto en la práctica?

    (more…)
  • US contra Anthropic: Murder By PolicyUS contra Anthropic: Murder By Policy

    US contra Anthropic: Murder By Policy

    La semana pasada el Departamento de Guerra de Estados Unidos (antes conocido como Departamento de Defensa, rebautizado por la administración Trump) designó a Anthropic como “riesgo de cadena de suministro para la seguridad nacional”. El mismo rótulo que se le pone a Huawei y el mismo que se reserva históricamente para empresas controladas por adversarios extranjeros.

    Anthropic es una empresa americana. Fue la primera empresa de frontier AI en desplegar modelos en las redes clasificadas del gobierno americano, la primera en hacerlo en los Laboratorios Nacionales, la primera en ofrecer modelos customizados para clientes de seguridad nacional. Tenía un contrato de $200 millones con el Pentágono firmado en julio de 2025. Acaba de participar en un contrato de $100 millones para enjambres de drones manejados con voz en conflictos armados del DoD. Y antes de todo esto, cortó varios cientos de millones de dólares en revenue para no vender a firmas vinculadas al Partido Comunista Chino —incluyendo algunas designadas por el propio Departamento de Guerra como Compañías Militares Chinas.

    Si buscás la lógica, es dificil de encontrar.

    Lo que sí puedo explicar es por qué esto importa, por qué no es tan simple como “Anthropic tiene razón y el gobierno está loco”, y por qué la reacción de OpenAI merece más atención de la que está recibiendo.

    (more…)
  • Prometheus: Jeff Bezos y su conglomerado de IA en el mundo realPrometheus: Jeff Bezos y su conglomerado de IA en el mundo real

    Prometheus: Jeff Bezos y su conglomerado de IA en el mundo real

    Hay una parte del story de Proyecto Prometheus que no está circulando en la prensa general, y que cambia completamente cómo hay que leer la apuesta de Bezos, no es un “AI Lab” o una empresa de Inteligencia Artificial más realmente.

    Prometheus es un AI lab con $6.2B de funding, enfocado en “physical AI” para manufactura, aerospace, y chips. Eso es lo que cubrió todo el mundo en noviembre. Prometheus también está levantando un holding company separado (con decenas de miles de millones adicionales) para adquirir las empresas industriales que su propia tecnología va a disrumpir.

    Para entenderlo simple; con una mano están construyendo la tecnología que va a destruir un sector más allá de los LLMs, mientras arman el fondo para comprar ese sector mientras está barato; una estrategia de consolidación industrial con AI como weapon of choice.

    Un modelo que ya existe, pero a escala minúscula

    (more…)
  • El mundo físico: qué viene después de los LLMsEl mundo físico: qué viene después de los LLMs

    El mundo físico: qué viene después de los LLMs

    Hay una pregunta que los LLMs no pueden responder: ¿qué pasa si soltás una taza?

    No en el sentido de “escribir un texto sobre física newtoniana”. En el sentido real: simular internamente qué va a ocurrir, planificar cómo atraparla, anticipar la trayectoria. Eso que vos hacés sin pensar, los modelos de lenguaje no lo tienen. Predicen tokens. No simulan causalidad.

    Y esa brecha — entre predecir texto y entender el mundo físico — es donde está la siguiente gran apuesta del campo.

    Lo que los LLMs no tienen

    Cuando vas a agarrar algo, tu cerebro no corre ecuaciones. Tiene un modelo implícito del mundo: sabe que los objetos caen, que el agua fluye, que una silla aguanta tu peso sin que tengas que calcularlo cada vez. Es física intuitiva, incorporada, automática.

    Los LLMs no tienen nada de eso. Son extraordinariamente buenos prediciendo la siguiente palabra dado un contexto, y esa capacidad escaló mucho más de lo que nadie esperaba. Pero no tienen un modelo interno de cómo funciona el mundo físico. Pueden describir física perfectamente. No pueden hacer física.

    Esta limitación no importaba demasiado cuando el uso principal era generación de texto. Importa muchísimo si querés sistemas que interactúen con el mundo real: robots, diseño de ingeniería, simulación industrial.

    Ahí es donde entra la siguiente oleada.

    (more…)
  • Construir código no es construir un negocio; y ese error borró millones del mercado de SaaSConstruir código no es construir un negocio; y ese error borró millones del mercado de SaaS

    Construir código no es construir un negocio; y ese error borró millones del mercado de SaaS

    El reporte de Citrini Research que salió la semana pasada movió mercados. Adobe cayó, Salesforce cayó, DoorDash cayó. Los titulares declararon el fin del SaaS. Y todo basado en… un thought experiment escrito desde la perspectiva hipotética de junio de 2028 donde el desempleo llegó a 10,2% y el S&P cayó 38% desde sus máximos.

    Seamos honestos sobre lo que es esto: un escenario de ciencia ficción con formato de macro memo. Citrini lo aclara en el preface (es un “thought exercise, not a prediction”), pero el mercado leyó los titulares y vendió. Conviene preguntarse si eso fue accidental.

    Hoy, la gente de Citadel Securities respondió con datos reales. Y la diferencia entre los dos documentos es la diferencia entre un escenario que suena coherente y un análisis que es coherente.

    El problema de confundir tecnología con adopción

    El argumento central de Citrini es que la IA va a destruir el empleo white-collar tan rápido que el consumo colapsa, lo cual destruye la economía, lo cual genera una crisis sistémica que hace que el S&P caiga 38%. Todo en dos años.

    (more…)
  • It’s time to build agents. Pero no donde todos miran.It’s time to build agents. Pero no donde todos miran.

    It’s time to build agents. Pero no donde todos miran.

    El nuevo estudio de Anthropic sobre uso de agentes en el mundo real tiene un número que domina la conversación: 49,7% de toda la actividad agentica está en software engineering. Casi la mitad. Y la reacción natural es “claro, tiene sentido” (los developers adoptaron Claude Code primero, entienden las herramientas, las usan más). Todo lógico hasta ahí. 

    Excepto que es un caso clásico de survivorship bias. Ves los dominios que sobrevivieron a la fricción de adopción temprana y concluís que ahí está el mercado. Pero los números chicos (finanzas con 3%, salud con 1%, legal con 0,9%) no son evidencia de poco interés, sino la evidencia de alta fricción en mercados que todavía no explotaron. El mejor ejemplo: salud pasó de 3% a ser uno de los sectores de mayor crecimiento en adopción de AI en solo dos años (Menlo Ventures, 2025).

    Repito: Estamos mirando el gráfico antes de que explote.

    (more…)
  • Freelancers e IA, el mismo modelo de negocioFreelancers e IA, el mismo modelo de negocio

    Freelancers e IA, el mismo modelo de negocio

    Ya que hablamos de trabajo “desplazado por la IA”: los datos sobre el estado del freelancing muestran que son, efectivamente, el sector más golpeado. Y tiene sentido por razones estructurales que un paper reciente hace muy explícitas.

    Payrolls to Prompts: Firm-Level Evidence on the Substitution of Labor for AI (Ryan Stevens, enero 2026) es posiblemente la primera medición directa a nivel micro de que la IA generativa se está usando como sustituto parcial del trabajo humano.

    La metodología es sólida: usan datos de gasto real de empresas (no job postings, sino pagos efectivos) de una plataforma de gestión de gastos de EE.UU. Siguieron el gasto trimestral desde Q3 2021 hasta Q3 2025 en marketplaces de trabajo online como Upwork y Fiverr, y en los principales proveedores de IA. El evento de corte que usan para medir causalidad es el lanzamiento de ChatGPT en octubre 2022 — lo cual les permite construir un modelo difference-in-differences y no quedarse en correlación.

    El resultado central: una caída de $1 en gasto en trabajo online se asocia con aproximadamente $0,03 de gasto adicional en IA. Lo que implica ahorros de costos de un orden de magnitud, no mejoras marginales.

    (more…)
  • El impacto real de la IA en el empleo: lo que muestran los datosEl impacto real de la IA en el empleo: lo que muestran los datos

    El impacto real de la IA en el empleo: lo que muestran los datos

    Desde que apareció ChatGPT que la idea del impacto de la inteligencia artificial en el trabajo es un péndulo que va desde “vamos a convertirnos en máquinas ultraproductivas con un copiloto” hasta “no necesitaremos más programadores (o abogados, o insertá acá tu profesión)” y muy pocas voces coherentes en el medio. Este estudio es interesante porque analiza con datos qué impacto se está viendo en el mercado laboral y muestra algunas conclusiones que van más allá del hype y el pánico.

    El paper “Canaries in the Coal Mine” de Stanford usa datos administrativos de ADP (la empresa de nóminas más grande de EEUU) para trackear qué está pasando realmente con el empleo desde que ChatGPT explotó a fines de 2022. La muestra es enorme: millones de trabajadores cada mes, con información hasta septiembre 2025.

    Los cuatro hallazgos clave

    (more…)
  • Anthropic levantó $30.000 millones y tiene perfecto sentidoAnthropic levantó $30.000 millones y tiene perfecto sentido

    Anthropic levantó $30.000 millones y tiene perfecto sentido

    Anthropic anunció que levantó $30.000 millones en su Serie G, duplicando su valuación a $380.000 millones en apenas cinco meses y muchos dudan de la logica de esta ronda. La ronda fue liderada por GIC y Coatue, con co-liderazgo de D. E. Shaw Ventures, Dragoneer, Founders Fund, ICONIQ, y MGX. La lista de inversores lee como un directorio de quién es quién en capital global: Accel, Blackstone, Fidelity, Goldman Sachs, JPMorgan, Sequoia, y varios fondos soberanos.

    Y mirá, ya sé lo que estás pensando. “$380.000 millones de valuación para una empresa que hace tres años facturaba cero. Es una locura. Estamos en plena burbuja”. Excepto que no: NO ESTAMOS EN UNA BURBUJA.

    Esta ronda tiene toda la lógica del mundo si entendés la dinámica real de la carrera de IA. Y el hecho de que suene excesiva es precisamente el punto.

    (more…)

Denken Über

Suscribite y recibi los nuevos posts por mail, es mas simple y juro no ahogarte en mails.

Saltar y ver el contenido ↓