La próxima generación de startups de IA en Latinoamérica vende resultados

El valor de una startup de software solía estar en el producto que te entregaba. Ahora está en el trabajo que hace por vos. Es un cambio de fondo, y la región tiene más para ganar con él que casi cualquier otro mercado.

Cuando hablamos de empresas de IA en Latinoamérica, la conversación casi siempre ronda sobre una misma idea. Startups que usan modelos existentes para construir SaaS apalancados en AI con buenos system prompts, interfaces limpias y suscripciones baratas. Funciona y va a seguir funcionando. Pero al lado de ese modelo está creciendo otro, con mucho menos ruido y bastante más potencial. Son las empresas de AI services.

Este tipo de empresas construyen sistemas de inteligencia artificial que se integran a tu operación, aprenden cómo funcionan tus procesos y los automatizan de principio a fin. No te venden una herramienta para que tu equipo la use. Se hacen cargo del proceso completo y te entregan el resultado.

El contraste con el modelo de SaaS es claro. Lo que comprás ya no es el software sino la tarea terminada. Cuando un hospital integra IA en su operación, el sistema transcribe la consulta, arma el expediente y marca interacciones peligrosas entre medicamentos antes de que el médico levante la vista. Un agente de AI comercial maneja los primeros contactos y deja en manos del vendedor solo las oportunidades listas para cerrar. En logística, las rutas se reasignan y los proveedores se coordinan sin que nadie intervenga. La AI dejó de ser una ayuda en el proceso para volverse el proceso, y el operador dejó de ejecutar la tarea para supervisar el resultado.

Telepatía es de los ejemplos más claros de la región. No vende simplemente un software hospitalario. Despliega modelos entrenados sobre guías clínicas locales y datos de millones de consultas que corren dentro de los sistemas existentes de los hospitales. Desde su lanzamiento en julio de 2025 llegaron a 14 millones de pacientes, y hace unos días levantaron una Serie A de 33 millones de dólares (mdd) liderada por Andreessen Horowitz, con los fundadores de Rappi y Nubank entre los inversores. Otro claro ejemplo es la fintech argentina Rexi. Lo que antes obligaba a un equipo a investigar a mano por qué los números no coinciden entre un banco, un procesador de pago y los sistemas internos, los agentes de IA de Rexi lo resuelven solos. Y es exactamente este enfoque lo que el mercado empezó a premiar.

El activo que las empresas no saben que tienen

Uno de los grandes combustibles de estos sistemas que completan tareas de punta a punta son sus datos privados. La mayoría de las empresas de la región está sentada sobre los suyos sin usarlos, acumulados durante años, a veces décadas. Ahí es donde este modelo de negocio encuentra su materia prima.

Un modelo entrenado sobre ese historial aprende de cada decisión que la empresa tomó y de cómo resultó, y termina ejecutando el proceso con el criterio que esa empresa desarrollo a lo largo de su trayectoria. Es justo lo que los modelos generalistas no tienen. GPT y Claude parten de información pública y resultan extraordinarios para tareas amplias pero son ajenos a los protocolos internos de una compañía, los patrones de su industria o el lenguaje con el que sus clientes describen sus problemas.

Y esa ventaja se profundiza con cada mes de operación. Es lo que ya hacen compañías como Digitt, fintech mexicana para refinanciación de deudas, que usa sus propios datos con AI para evaluar perfiles y recomendar el producto adecuado para cada cliente.

Cuando los que venden los modelos te dicen que el modelo no alcanza

Conviene mirar quién más se está moviendo hacia acá. Las mismas empresas que construyen los modelos fundacionales, las que en teoría más ganan vendiéndote acceso a la AI como commodity, están apostando fuerte a que el verdadero valor está en la implementación.

En 2026 OpenAI creó una consultora de IA de 4,000 mdd para mandar ingenieros a trabajar dentro de las empresas, y armó un programa de partners con McKinsey, BCG y Accenture por 150 millones. Anthropic lanzó el suyo con 100 millones. Su propio comunicado lo dijo sin anestesia. El cuello de botella ya no está en el modelo, está en saber implementarlo.

Cuando el que te vende el insumo empieza a competir en tu mismo terreno, es señal de que el margen ya no está en el insumo, sino en lo que hacés con él.

Cómo se construyen estas implementaciones

Por eso estas implementaciones no se parecen a instalar un software. No se hacen a distancia ni se entregan llave en mano. Alguien se mete dentro del cliente, observa cómo funciona el proceso en la realidad y no en el manual, y construye la solución desde adentro de la operación, ajustándola sobre la marcha hasta que ejecuta la tarea de punta a punta.

Ese perfil tiene un nombre, el forward deployed engineer, un concepto que popularizó Palantir hace más de una década y que recién ahora se volvió central. En Latinoamérica, donde los problemas que importan raramente vienen documentados en un manual, ese trabajo desde adentro es lo que separa una demo que impresiona de un sistema que de verdad opera.

El trabajo cambia, no desaparece

Acá aparece el miedo de siempre, y vale la pena mirarlo de frente. Más que eliminar puestos, este modelo reconfigura el rol de la gente. No la saca de la operación, le cambia el lugar que ocupa dentro de ella. El analista de riesgo que antes procesaba decenas de solicitudes ahora recibe solo los casos que requieren su juicio, con el contexto ya armado.

El vendedor pasa de 40 llamadas en frío por día a 50 conversaciones por mes con prospectos que ya quieren comprar. El profesional sube un peldaño y se queda con lo que la AI todavía no hace, como el criterio y la negociación. Las tareas que se automatizan son las que nadie va a extrañar.

Una forma de cobrar más alineada con el cliente

El SaaS factura por usuario y por mes, generen valor o no ese período. El modelo de servicios permite atar el precio al resultado. Cobrás por contrato revisado, por lead calificado, por error evitado, por operación completada. Eso alinea a las dos partes y tiene un efecto que el SaaS nunca pudo ofrecer. La propuesta de valor se vuelve verificable antes de firmar.

Lo que ponés sobre la mesa deja de ser una promesa de eficiencia y pasa a ser un número concreto. En mercados donde justificar una apuesta tecnológica es difícil, esto derriba la barrera de entrada.

¿Cómo impacta esto a Latinoamérica?

En Estados Unidos ya hay una capa de software para casi todo. Adoptar IA ahí significa reemplazar o convivir con lo que ya está instalado, con toda la fricción que eso arrastra. En Latinoamérica hay industrias enteras que nunca se digitalizaron. Cuando llegás con un sistema que ejecuta el proceso entero, no competís contra el software de nadie. Competís contra la planilla de Excel y el trabajo manual, y esa pelea, con calidad y eficiencia, se gana rápido.

Por eso lo difícil se corrió de lugar. Ya no es la tecnología, que existe y cada vez cuesta menos, sino entender un sector lo suficientemente bien como para automatizarlo, conseguir los datos que lo reflejan y ganarse la confianza de una organización para operar en el centro de su negocio. Eso no se resuelve con más compute ni levantando capital, se resuelve conociendo el terreno. Y por una vez, eso juega a favor de los que están acá.

Y lo que está en juego es más grande que el negocio de unas pocas startups. En una región donde los recursos son escasos y el costo de operar es alto, una tecnología que se hace cargo de la carga operativa permite hacer más con menos y mejorar servicios que hoy no dan abasto. No es una mejora incremental, es la posibilidad de que las cosas funcionen mejor.