Eric Glyman, CEO de Ramp, usó una metáfora hace poco que no puedo sacarme de la cabeza.

Ernest Shackleton y 27 hombres estaban acampando sobre hielo antártico después de perder su barco. Una noche, el hielo se quebró debajo de ellos. Los que reaccionaron rápido saltaron al lado seguro. En minutos, la brecha era demasiado ancha para cruzar.

El punto de Glyman: la misma división está sucediendo ahora mismo en la economía. Pero esta grieta es silenciosa. Aparece en los márgenes, en las tasas de crecimiento, en la retención de talento, en la conversión y el churn. La mayoría de las empresas del lado equivocado ni siquiera lo ven.

Llevo meses observando los datos que respaldan esto. Y tres fuentes completamente independientes — los datos de gasto de Ramp, investigación de Princeton y el crecimiento empresarial de Anthropic — apuntan a la misma conclusión.

La brecha es real. Se está ampliando. Y el diferenciador no es qué modelo de IA elegiste.

Los datos de 50,000 empresas

El Economics Lab de Ramp rastrea el gasto de más de 50,000 empresas. Desde 2023, el cuartil superior de gasto en IA en la plataforma más que duplicó sus ingresos. ¿El cuartil inferior? Prácticamente plano.

Y no son solo empresas de tecnología.

Pensemos en una empresa de techado en Texas, que empezó a usar IA para presupuestos y documentación de obras en 2025 y vio sus ingresos subir un 24%. O el caso de un instalador de ventanas en Utah, que tras usar herramientas de IA para agilizar propuestas durante más de un año, consiguió un aumento del 59%. Hasta una pequeña constructora de cinco personas en Florida, con más de $20M en ingresos, creció 65% el año pasado al usar LLMs para el papeleo que antes les comía la mitad de la semana.

Techadores. Instaladores de ventanas. Constructoras. No startups en San Francisco con $50M de capital de riesgo.

La brecha ha crecido cada año, acelerándose cada vez. Y los datos de Ramp están sesgados hacia empresas de rápido crecimiento y early adopters — el resto de la economía probablemente luce aún más marcado.

Aquí viene la parte que debería preocupar a cualquiera que se sienta cómodo: los ingresos son un indicador rezagado. Cuando se mueven, el mercado ya se movió. La desaceleración de ingresos ni siquiera es donde termina. Termina en márgenes que se encogen, fuga de talento e irrelevancia eventual.

No se trata de qué modelo eliges

Aquí es donde la mayoría de las empresas se equivocan. Pasan semanas evaluando GPT vs. Claude vs. Gemini, comparando benchmarks, debatiendo niveles de precio. Y se pierden la palanca real.

Investigadores de Princeton publicaron un estudio que probó el mismo modelo de IA — capacidades idénticas, mismo entrenamiento — con diferentes configuraciones de entorno. Una configuración tenía un sistema bien diseñado alrededor del modelo: las herramientas correctas conectadas, información entregada en el formato adecuado, ciclos de retroalimentación que atrapaban errores temprano. La otra era una configuración cruda, por defecto.

El resultado: 64% mejor rendimiento. Mismo modelo. La única variable fue el entorno.

Piensa en esto así. Dos restaurantes con el mismo horno. En una cocina, los ingredientes están organizados, las recetas a la mano, las estaciones de preparación limpias y un sistema de reabastecimiento mantiene todo fluyendo. En la otra, los ingredientes están repartidos en tres cuartos, no hay receta, y el chef tiene que ir a buscar cosas a medio servicio. Mismo horno. Mismo chef. Platos completamente distintos.

Eso es lo que está pasando con la IA en los negocios. Las empresas que obtienen retorno real no son las que eligieron el “mejor” modelo. Son las que conectaron la IA a sus datos reales, sus flujos de trabajo reales y sus puntos de decisión reales. El modelo es lo que piensa. El sistema alrededor determina sobre qué piensa.

OpenAI lo demostró operativamente cuando un equipo de tres ingenieros entregó más de un millón de líneas de código productivo usando agentes de IA. El cuello de botella nunca fue la capacidad del modelo. Siempre fue el diseño del entorno alrededor — las herramientas, los ciclos de retroalimentación, las conexiones de datos. Anthropic demostró lo mismo construyendo Claude Code. El rendimiento escaló con la calidad del sistema circundante, no del modelo.

Para tu empresa, esto significa que el debate sobre qué proveedor de IA usar es aproximadamente el 20% de la decisión que importa. El otro 80% es qué tan profundamente conectas la IA a la forma en que tu negocio realmente opera.

Por qué Claude pasó de 4% a 40% del mercado empresarial

Si quieres ver este principio en acción a escala de mercado, mira lo que le pasó a Claude de Anthropic en el segmento empresarial.

En aproximadamente un año, Claude pasó de cerca de 4% a cerca de 40% de participación en el mercado empresarial. Más de 500 clientes ahora gastan más de $1M al año con Anthropic. Ese tipo de crecimiento no viene de tener benchmarks ligeramente mejores.

Vino de la integración.

Claude no se sienta al lado de las herramientas empresariales como una pestaña separada. A través del Model Context Protocol (MCP), Claude vive dentro de las herramientas que la gente ya usa. Escribe código en tu IDE. Ejecuta flujos de trabajo a través de tus sistemas existentes. Se conecta a tus bases de datos, tus documentos, tus APIs internas.

Eso es un producto fundamentalmente distinto a “entra a esta página web y escribe tu pregunta.”

Y crea una dinámica competitiva fundamentalmente distinta. La IA de consumo es una guerra de marcas — la app #1 de hoy es la #2 de mañana, y los usuarios cambian sin fricción. La IA empresarial es integración de flujos de trabajo que se acumula con el tiempo. Una vez que la IA está integrada en cómo tu equipo realmente trabaja — en tus flujos de compras, tus pipelines de reportes, tus operaciones de servicio al cliente — el costo de cambio no es una suscripción. Es recablear toda tu operación.

Los modelos compiten. Los flujos de trabajo se acumulan. Por eso el 95% del potencial de la IA sigue sin aprovecharse — la mayoría de las empresas compraron el modelo pero nunca construyeron la capa de integración.

Kodak inventó la cámara que la mató

Glyman hizo otra comparación que se me quedó grabada: Kodak.

Kodak inventó la fotografía digital en 1975. Tenían los datos. Tenían la tecnología. Podían ver la tendencia. Igual quebraron en 2012.

El problema no fue que no supieran. Es que no reestructuraron sus operaciones alrededor de lo que sabían. Siguieron haciendo lo cómodo porque los ingresos todavía se veían bien. Hasta que dejaron de verse bien.

Hoy, los datos son públicos. Ramp los publicó. Princeton publicó la investigación. La participación de mercado de Anthropic habla por sí sola. La pregunta ya no es si la integración de IA impulsa los ingresos — ya pasamos ese debate. La pregunta es si tu empresa actúa o sigue confiando en los números actuales mientras el terreno se mueve.

Que los ingresos se vean bien hoy no significa estar seguro. Tus inversiones actuales en IA podrían estar depreciándose — y la brecha entre las empresas que integraron la IA profundamente y las que la trataron como una herramienta al margen se amplía cada trimestre.

Congelarse no se siente peligroso. Glyman tiene razón. Se siente tranquilo. La gente se quita el abrigo. Y para cuando se dan cuenta, el hielo se separó demasiado para saltar.

No siempre salté

Escribo esto con la honestidad de alguien que ha estado en ambos lados.

A lo largo de mi carrera, hubo momentos donde el hielo se quebró y no salté. Me quedé del lado cómodo, convencido de que los números todavía se veían bien, de que había tiempo. No lo había. Y el costo de no haber saltado fue real — oportunidades que no recuperé, ventajas que otros construyeron mientras yo esperaba.

Pero también hubo veces donde salté antes que todos. Donde la incomodidad de moverse temprano se convirtió en ventaja precisamente porque nadie más se había movido todavía.

La metáfora de Glyman es poderosa, pero incompleta. Saltar es solo la mitad. La otra mitad es qué haces cuando llegas al otro lado. Porque el hielo seguro tampoco es permanente — eventualmente se vuelve a quebrar, y necesitas estar listo para saltar otra vez.

Eso es lo que aprendí: no se trata de un solo salto heroico. Se trata de construir la capacidad de saltar cada vez que el hielo se mueve.

Lo que hacemos al respecto en IQ Source

Diseñamos la capa de integración.

No selección de modelo — somos model-agnostic. Lo que importa es cómo la IA se conecta a tus datos, tus flujos de trabajo y tus puntos de decisión. Ahí es donde vive la mejora del 64%. Eso es lo que convirtió a una constructora de cinco personas en una operación de $33M. Eso es lo que llevó a Claude de 4% a 40%.

En nuestra experiencia trabajando con empresas B2B en América Latina, la mayoría de las implementaciones fallidas de IA tenían un modelo capaz y cero estrategia de integración. La IA era poderosa. Simplemente no estaba conectada a nada que importara.

Nosotros la conectamos.

Si sospechas que tu IA está al lado de tus operaciones en vez de adentro, envíanos un párrafo describiendo tu configuración actual. Te devolvemos un diagnóstico rápido de integración — dónde están las brechas entre tu IA y tus flujos de trabajo, y cómo se vería conectarlos.

Enviar mi configuración para diagnóstico