Tomasz Tunguz, inversionista de Theory Ventures, publicó una idea el 23 de octubre de 2025 que no ha dejado de rondarme desde que la leí: “el product-market fit es como las millas de United. Sigues volando para mantener el estatus 1K.”

La comparación parece simple. No lo es. Cambia por completo cómo debería pensar cualquier empresa sobre el momento en que “ya encontró” lo que el mercado quiere.

El ajuste al mercado dejó de ser un hito. Es una membresía que se revisa constantemente

Durante años, product-market fit fue tratado como una línea de meta. Lo alcanzas, lo celebras en la junta directiva, y a partir de ahí el trabajo es ejecución: vender mejor, escalar el equipo comercial, optimizar el embudo. Esa forma de pensarlo asume que el producto que encontró el ajuste sigue siendo el mismo producto relevante seis, doce, dieciocho meses después.

Tunguz señala algo que ya vimos pasar de forma brutal entre 2021 y 2024: empresas de software clásico perdieron su ajuste al mercado “literalmente de la noche a la mañana”, en sus propias palabras, sin que su producto hubiera cambiado en nada. Lo que cambió fue lo que un cliente podía obtener gratis o casi gratis de una herramienta de IA general. Cuando ChatGPT, Claude o Copilot suben el estándar de “suficientemente bueno” cada pocos meses, el producto que resolvía un problema real en 2022 puede convertirse, sin ninguna decisión de tu parte, en lo que Tunguz describe como un impuesto de flujo de trabajo en 2026.

Esa es la parte que la mayoría de equipos de producto todavía no ha asimilado. El ajuste al mercado no se pierde porque hiciste algo mal. Se pierde porque el mercado, literalmente, cambió de forma debajo de un producto que se quedó quieto.

Ni siquiera los laboratorios que fijan el estándar están exentos

Lo que hace que este argumento sea más que una metáfora ingeniosa es que ni Anthropic ni OpenAI, las dos empresas que definen lo que “suficientemente bueno” significa en este momento, están exentas de la misma disciplina. Ambas cambiaron sus planes empresariales de una tarifa fija por asiento a precios basados en uso en abril de 2026, y lanzaron modelos nuevos con precios más altos dentro del mismo año: GPT-5.5 al doble del costo de GPT-5.4, Opus 4.7 a cerca de 1.4 veces el costo de Opus 4.6, según documentó Simon Willison.

Willison hizo el ejercicio con su propio consumo: calculó que 30 días de uso directo vía API le habrían costado 1,199.79 dólares en Claude y 980.37 dólares en OpenAI, un total de 2,180.16 dólares, contra apenas 200 dólares mensuales en las suscripciones planas que sustituyó. Eso no es un error de precios. Es evidencia de que incluso el laboratorio con más ventaja competitiva del momento está renegociando activamente cuánto vale lo que entrega, en tiempo real, en vez de defender un acuerdo fijo firmado hace un año.

Tunguz usa otro ejemplo que ilustra la misma velocidad desde el lado competitivo: Google pasó de estar significativamente atrás en capacidad de IA a inicios de 2024 a ser, según mercados de predicción como Polymarket, el favorito para tener el mejor modelo hacia fines de 2025. Ese giro completo de posición competitiva ocurrió en menos de dos años. En ciclos de software tradicionales, ese mismo cambio de posición hubiera tomado media década.

Qué significa “volver a ganar” el ajuste al mercado en la práctica

Acá es donde la metáfora de Tunguz deja de ser una observación interesante y se vuelve una pregunta operativa. Si el product-market fit se vuelve a ganar como millas de aerolínea, la pregunta correcta para cualquier equipo de producto no es “¿cuándo lo encontramos?”. Es “¿qué evidencia tenemos, este mes, de que lo seguimos teniendo?”

Eso exige un ciclo de retroalimentación mucho más corto que una revisión anual en la junta directiva. Ya escribimos sobre cómo el modelo de ingeniería desplegada hacia adelante resolvió exactamente este problema en consultoría: en vez de entregar una recomendación y desaparecer, un ingeniero se queda dentro de la operación del cliente, viendo en tiempo real qué parte de la solución sigue generando valor y cuál ya se volvió obsoleta. Es la misma disciplina que documentamos en el método de pods agénticos de Uber: ciclos de diez días, no trimestres, para confirmar que lo que se está construyendo todavía resuelve el problema real.

La trampa más común que veo, y que ya señalamos en el análisis de por qué adopción no es lo mismo que transformación, es confundir la adopción inicial de una herramienta de IA con haber resuelto el problema de fondo. Adoptar Claude o Copilot en tu flujo de trabajo no es volver a ganar el ajuste al mercado. Es apenas el punto de partida para preguntarte si tu producto sigue aportando algo que esas herramientas, cada vez más capaces, todavía no hacen por tu cliente de forma gratuita.

En IQ Source, cuando evaluamos si un producto o servicio de un cliente todavía tiene ajuste real al mercado, no revisamos el dato una vez al año. Lo tratamos como Tunguz trata sus millas: la pregunta no es cuánto acumulaste. Es qué hiciste este mes para seguir mereciendo el estatus.