Indigo Star · Informe especial ·
¿Qué empresas podrán convertir el avance de la inteligencia artificial en valor para sus accionistas durante muchos años?
Introducción · pág. 4
El mercado recompensa estar en lo correcto y recompensa mucho más estarlo antes de que esa conclusión resulte cómoda y se vuelva consenso. Esa idea está detrás de este informe y de la pregunta que nos llevó a escribirlo: ¿qué empresas podrán convertir el avance de la inteligencia artificial en valor para sus accionistas durante muchos años?
Los nuevos modelos y las inversiones necesarias para desarrollarlos ofrecen una parte visible de la respuesta. Creemos, sin embargo, que esa atención puede dejar en segundo plano otra oportunidad: los negocios que ya conocemos y que podrían mejorar considerablemente al incorporar estas herramientas. Una empresa puede participar del crecimiento de la IA como usuaria, sin desarrollar modelos ni construir centros de datos, si consigue atender mejor a sus clientes, producir más o reducir el costo de su operación.
La tercera ola ocupa un lugar especial en nuestra tesis. Un distribuidor, una aseguradora o una compañía de servicios pueden disponer de relaciones comerciales, información y procesos construidos durante años. Si la IA mejora su operación y esos activos conservan su utilidad, el negocio podría fortalecer su posición competitiva. El management puede reinvertir el ahorro o compartirlo con los clientes; cuando eso atrae más actividad rentable, la mayor escala permite seguir reduciendo costos y crear valor durante años.
Cómo ordenamos la investigación
Las tres se superponen y una compañía puede participar en varias a la vez.
01
Nace del avance de los modelos y de lo que permiten hacer.
Capítulo II
02
Reúne los procesadores, los centros de datos, la energía y el capital necesarios para sostener su uso.
Capítulo III
03
Aparece cuando las empresas incorporan esas herramientas y consiguen producir más y mejor con menos recursos por unidad.
Capítulo IV · nuestro focoGuía de lectura · pág. 5
Estas preguntas recorren el argumento del informe, desde la economía de los modelos y la financiación de la infraestructura hasta las mejoras que la IA puede traer a los negocios que ya conocemos.
El informe sigue tres olas que se superponen: asombro, infraestructura y eficiencia. Nuestra búsqueda se concentra especialmente en la tercera, donde empresas que ya conocemos pueden aprovechar la tecnología para mejorar lo que hacen. Una parte del valor de los nuevos modelos y de la infraestructura puede terminar en los negocios que los utilizan para atender mejor, producir más y crecer con menos recursos.
Ir al capítuloSu avance amplía lo que las personas y las empresas pueden hacer con IA, y sus necesidades de cómputo sostienen buena parte de la inversión en infraestructura. Los laboratorios compiten por usuarios mientras afrontan grandes gastos de investigación y operación. Su capacidad de cobrar por el servicio y conseguir financiación influye también en los ingresos de quienes les suministran equipos y capacidad informática.
Ir al capítuloLa eficiencia técnica, la competencia de los modelos abiertos y los subsidios al uso permiten extender la IA a tareas y productos que antes resultaban demasiado caros. Esa expansión puede aumentar la demanda total de cómputo aun cuando cada tarea necesite menos recursos. Es la posibilidad que describe Jevons: una tecnología más económica encuentra muchos más usos.
Ir al capítuloLos modelos necesitan chips, memoria, redes, centros de datos y electricidad. Construir esa capacidad lleva tiempo y exige capital, por lo que algunos proveedores pueden beneficiarse de restricciones que sus clientes no resuelven con facilidad. La oportunidad depende de cuánto dure esa escasez y de lo que el precio de la acción ya dé por hecho sobre los beneficios futuros.
Ir al capítuloUna empresa puede haber firmado alquileres todavía no iniciados, compras futuras y garantías que comprometen su caja durante años. También puede financiar instalaciones mediante sociedades separadas que toman deuda respaldada por esos contratos. Aunque frene nuevas inversiones, los pagos pactados siguen pendientes y las garantías pueden activarse. El riesgo que asume puede ser bastante mayor de lo que su deuda reconocida deja ver.
Ir al capítuloLa tecnología puede seguir siendo útil aun cuando sus ingresos no alcancen para remunerar todo lo invertido. Los modelos y la infraestructura impulsan inversiones que se apoyan entre sí, y una corrección puede extenderse por la cadena. Cuando un proveedor también financia o garantiza a sus clientes, queda expuesto por varias vías a la misma demanda que sostiene sus ventas.
Ir al capítuloPuede resolver limitaciones que hoy le impiden crecer: falta de especialistas, tareas administrativas costosas, errores o una coordinación difícil. La misma estructura puede entonces atender más clientes, ofrecer un servicio mejor o aceptar trabajos que antes no resultaban rentables. El progreso también puede aparecer en menos inventario y menos capital necesario para acompañar las ventas.
Ir al capítuloUna red densa, relaciones de confianza, información útil de su operación o una capacidad de ejecución difícil de reproducir pueden hacer que la misma herramienta rinda más dentro de esa empresa. Nuestra hipótesis es que la IA puede abaratar su operación más que la posibilidad de copiar el negocio. La ventaja permanece cuando el cliente sigue recibiendo algo que otros encuentran difícil igualar.
Ir al capítuloMejores precios pueden atraer más compras, cuyo volumen reduce otra vez el costo por unidad y permite seguir mejorando la oferta. Costco ayuda a entender ese recorrido: compartir las ventajas de escala puede hacer más difícil que un competidor alcance a la empresa de manera rentable. El accionista participa en un negocio que gana clientes y capacidad de producir beneficios, incluso con un margen porcentual parecido.
Ir al capítuloComparar ofertas, negociar una renovación o cancelar una suscripción puede requerir mucho menos esfuerzo. Eso amenaza ingresos que dependían del desconocimiento o de la inercia del comprador, y puede acercar clientes a proveedores que ya ofrecen buen valor. Una empresa que reduzca sus gastos también tendrá que seguir justificando lo que cobra frente a un cliente mejor informado.
Ir al capítuloLa robótica puede llevarla a tareas físicas a medida que los equipos aprendan a trabajar con mayor autonomía. En ciencia, la IA puede ayudar a investigar tratamientos, materiales y procesos que mejoren la productividad y hagan posibles nuevos productos. Sus efectos pueden extenderse a industrias enteras, a través de aplicaciones y negocios que tardan años en desarrollarse.
Ir al capítuloBuscamos buenas empresas a buen precio cuya capacidad de generar beneficios pueda mejorar más de lo que el mercado reconoce. A esa oportunidad la llamamos alpha de absorción. Nos importa qué hará el management con el ahorro, quién conservará la mejora y cuánto capital exigirá conseguirla. Queremos participar de ese progreso a largo plazo pagando un precio que deje espacio para equivocarnos.
Ir al capítulo
Capítulo I · págs. 8 a 11
Una línea de tiempo de setenta años
La inteligencia artificial que hoy parece haber aparecido de golpe es el resultado de más de setenta años de trabajo, con varios inviernos de por medio en los que el campo perdió financiamiento y credibilidad. La línea de tiempo que sigue no busca ser exhaustiva. Selecciona los hitos que cambiaron algo, en la técnica, en la percepción pública o en la economía del sector.
1950
Plantea el juego de imitación, hoy conocido como Test de Turing, y reemplaza la pregunta sobre si las máquinas pueden pensar por una verificable.
1956
John McCarthy acuña el término inteligencia artificial. Es el acta de nacimiento del campo como disciplina.
1980s
Primer ciclo comercial fuerte de la IA, seguido de un nuevo invierno cuando las promesas superaron a los resultados.
1997
Deep Blue gana el match contra el campeón mundial Garry Kasparov. En 1996 ya había logrado la primera victoria en una partida con controles de tiempo de torneo contra el campeón vigente.
2012
Reduce el error de reconocimiento visual de forma drástica y abre la era moderna del aprendizaje profundo, apoyado en más datos y en las GPU.
2016
La IA demuestra intuición estratégica en el go, un juego considerado demasiado humano. Más de 200 millones de personas siguieron el match.
2017
Investigadores de Google presentan la arquitectura Transformer, que se convierte en una base central de los grandes modelos de lenguaje y de muchos sistemas generativos posteriores.
2020
Muestra que escalar el tamaño del modelo produce saltos de capacidad inesperados. Cambia la estrategia de toda la industria.
2021
AlphaFold 2 logra un avance importante en la predicción de estructuras de proteínas. Amplía las herramientas de investigación, aunque las predicciones requieren evaluación y, según el uso, validación experimental.
2022nov
Convierte la IA generativa en fenómeno público global. La adopción más rápida de una aplicación de consumo hasta ese momento.
2023
Llega la multimodalidad y se desata una explosión de inversión privada en IA generativa.
2024
Avanzan los modelos de texto, imagen y video y los agentes. AlphaFold 3 amplía la predicción de interacciones moleculares. Demis Hassabis y John Jumper comparten con David Baker el Nobel de Química de 2024.
2025
La adopción empresarial se acelera y el gasto en centros de datos, chips y energía alcanza escalas comparables a las de la industria petrolera.
2026
Adopción en expansión, infraestructura en construcción y primeras evidencias sobre productividad y empleo. La rentabilidad difiere entre proveedores y usuarios.
La aceleración
Dos rasgos aparecen con claridad al recorrer esta cronología. El primero es la aceleración: entre Turing y Deep Blue pasan casi cincuenta años, entre Deep Blue y AlexNet quince, entre AlexNet y ChatGPT apenas diez, y desde ChatGPT los saltos se cuentan en meses. El segundo es que la inteligencia artificial generativa que llegó al público en 2022 descansa sobre una arquitectura concreta, el Transformer, publicada por investigadores de Google en 2017. El asombro de la primera ola fue repentino para el público, pero fue la consecuencia tardía de una década de avances técnicos que casi nadie afuera del campo había registrado.
1.1 · Cuando el exceso acelera una revolución
Carlota Perez propuso en 2002 un marco para estudiar cinco grandes revoluciones tecnológicas. Distingue una fase de instalación, con construcción de infraestructura y fuerte participación del capital financiero, y otra de despliegue, en la que la tecnología se extiende por la economía. Entre ambas identifica períodos de ajuste, con cambios financieros e institucionales. El marco ayuda a formular preguntas sobre la IA; no establece una secuencia que deba repetirse.
Las grandes revoluciones tecnológicas no siempre avanzan mediante una asignación ordenada y prudente del capital. Algunas necesitan un período de entusiasmo excesivo que concentre dinero, talento y capacidad industrial antes de que exista una forma confiable de calcular el retorno. En Boom: Bubbles and the End of Stagnation, Byrne Hobart y Tobias Huber describen estas etapas como burbujas que aceleran la innovación: pueden terminar mal para muchos de sus inversores y, aun así, dejar activos que modifican la economía durante décadas.
Los ferrocarriles victorianos siguieron transportando pasajeros y mercadería después de la caída de sus acciones. La fibra óptica tendida durante la burbuja puntocom sobrevivió a muchas de las compañías que la financiaron. El Manhattan Project se desarmó como programa extraordinario al terminar la guerra, pero la concentración de laboratorios, científicos, métodos de producción y nuevas necesidades de cálculo produjo efectos que excedieron ampliamente su objetivo original. La herencia de un boom no se limita a las empresas que quedan en pie: también incluye conocimiento, infraestructura, estándares, equipos y personas entrenadas para resolver problemas que antes parecían imposibles.
Ola 01 · Capítulo II · págs. 12 a 29
¿Cómo se construye un mercado alrededor de una tecnología que millones de personas quieren usar, pero cuyo modelo económico todavía no está resuelto?
30 de noviembre de 2022
El 30 de noviembre de 2022, OpenAI presentó ChatGPT y dejó una versión de investigación al alcance de usuarios que nunca habían trabajado con un modelo de lenguaje. Para probarlo bastaba con escribir una pregunta, sin saber programar ni entender cómo funcionaba por dentro. Quien se acercaba por primera vez podía descubrir sus posibilidades mientras lo usaba, y esa facilidad para empezar fue una parte importante de su atractivo.
Pensemos en esa primera experiencia con la herramienta. Uno le pide un resumen o prueba una traducción y empieza a reconocer tareas de su propio trabajo que podría resolver con ella. En ese momento todavía no cambió la forma de producir de una industria, pero sí lo que esa persona cree posible. Cuando millones de usuarios llegan a una conclusión parecida, las expectativas sobre la tecnología cambian mucho antes que la economía que la rodea.
Fuente: Stanford HAI, AI Index Report 2026. Estimación del valor de uso para consumidores; no son ingresos de los proveedores ni flujo de caja disponible.
El uso y la rentabilidad avanzan a ritmos distintos. Para evaluar la primera ola hay que relacionar la utilidad que recibe el cliente con lo que paga y con el costo de prestarle el servicio.
5 gráficos y cuadros. Tocá cualquiera para verlo grande.
Ola 02 · Capítulo III · págs. 30 a 59
¿Qué debe construirse para sostener esa adopción y quién puede capturar la renta de los recursos que todavía son escasos?
Detrás de cada respuesta
Cuando usamos una aplicación de IA desde un teléfono o una computadora, la mayor parte del trabajo se realiza en otros equipos conectados por internet. Esos equipos se llaman servidores: computadoras preparadas para recibir solicitudes de muchos usuarios, procesarlas y devolver el resultado. Dentro de cada servidor hay procesadores que hacen los cálculos, memoria que guarda la información de trabajo y conexiones para intercambiarla con otros equipos. Los centros de datos reúnen miles de estos servidores y les proporcionan electricidad, refrigeración y acceso a la red.
Los servidores se utilizan primero para entrenar el modelo, es decir, para que aprenda patrones a partir de grandes cantidades de datos, y después para atender las solicitudes de los usuarios, lo que llamamos inferencia. Una empresa puede comprar esa infraestructura o alquilar su uso a un proveedor de nube, que mantiene los equipos y cobra por el servicio. La segunda ola reúne a los fabricantes de sus componentes, los operadores que los ponen a trabajar y quienes financian la construcción de esa capacidad.
Fuente: elaboración propia con datos de Nvidia. Todos los datos corresponden a trimestres fiscales.
Fuente: elaboración propia con datos de IEA, Key Questions on Energy and AI, abril de 2026. Incluye todos los centros de datos, no solo los dedicados a IA. La barra rayada es una proyección.
7 gráficos y cuadros. Tocá cualquiera para verlo grande.
Ola 03 · Capítulo IV · págs. 60 a 72 · Nuestro foco
La ola de eficiencia trata de ese cambio en la vida de una empresa: producir más y mejor, utilizando menos recursos por unidad.
Donde más nos interesa como inversores
La parte de la inteligencia artificial que más nos interesa como inversores empieza en empresas que ya conocemos. Tienen clientes, venden productos o prestan servicios útiles y, para crecer, todavía necesitan repetir una cantidad considerable de trabajo. Cada pedido requiere coordinación, cada cliente trae consultas y cada nueva sucursal vuelve a encontrarse con problemas que otras ya resolvieron. Nos preguntamos qué podrían llegar a hacer esos negocios dentro de diez años si una parte de ese trabajo resultara más sencilla, y cuánto estamos pagando hoy por participar de esa mejora.
Ese espacio se está abriendo gracias a las inversiones que vimos en las dos primeras olas. Los modelos y la infraestructura que los sostiene ponen capacidades cada vez mayores al alcance de compañías que pueden contratarlas para su propia actividad. Una empresa de servicios paga por utilizar la tecnología, adaptarla y hacerla funcionar dentro de su organización, sin tener que financiar el laboratorio que la desarrolló. Lleva a esa relación algo que ya tenía: sus clientes, sus recursos y los años de trabajo que hicieron posible el negocio. Allí puede terminar una parte del valor creado por toda esa inversión.
Un ejemplo del informe
Pensemos en una empresa de mantenimiento industrial, con contratos, técnicos distribuidos por una región y años de información sobre las máquinas que atiende. Sus clientes quieren que los equipos funcionen y que alguien responda cuando fallan. A la empresa le gustaría aceptar más contratos, aunque sus especialistas ya reparten el día entre las reparaciones difíciles, la formación del equipo y la revisión del trabajo de otros técnicos. Hay demanda para crecer, pero el conocimiento que permite resolverla depende demasiado de unas pocas personas.
Con una herramienta que reúna los manuales y el historial de cada equipo, los técnicos podrían relacionar mejor los síntomas de una falla y llegar preparados a la visita. Más personas tendrían acceso al conocimiento acumulado por la compañía, mientras los especialistas dedicarían más tiempo a los problemas que realmente los necesitan y podrían acompañar a un equipo mayor. Si una reparación se resuelve en menos visitas, queda lugar en la agenda para atender otro contrato, responder antes o llegar a una localidad que hasta entonces resultaba demasiado costosa.
Fuente: elaboración propia con datos de C.H. Robinson, T2 2026. La cantidad de empleados corresponde al promedio del trimestre; ambas medidas corresponden al mismo segmento. No aísla el efecto de la IA.
Fuente: elaboración propia.
Pág. 72
Robótica y operaciones físicas · pág. 67
La robótica extiende la ola de eficiencia a tareas físicas, desde preparar un pedido hasta colocar una pieza en una línea de montaje. Los humanoides buscan hacer más de ese trabajo en espacios diseñados para personas, utilizando sus herramientas y puestos existentes. Su efecto también podría llegar a las fábricas que todavía no se construyeron: si producir cuesta menos y las líneas pueden adaptarse con mayor facilidad, algunos proyectos que hoy no justifican la inversión podrían volverse viables.
Como inversores de largo plazo, pensamos en la empresa que seguiremos teniendo cuando la IA sea parte habitual del trabajo. Nos gustaría que entonces sus clientes tuvieran más razones para elegirla, que pudiera ofrecerles algo que hoy le cuesta ofrecer y que necesitara menos capital para seguir creciendo. Ese es el progreso que queremos acompañar: un negocio que mejora para quienes lo utilizan y que, con los años, produce más por cada acción que conservamos.
Capítulo V · págs. 73 a 76
5.1
El avance científico puede aumentar lo que una sociedad es capaz de producir con sus recursos y mejorar la calidad de lo que recibe a cambio. Un proceso químico que utiliza menos energía reduce costos en varias industrias; un material más resistente permite fabricar equipos que duran más; un tratamiento eficaz mejora la salud y amplía las posibilidades de quienes lo necesitan. Parte del beneficio llega a las empresas y otra parte queda en los consumidores, los trabajadores y el sistema de salud.
La IA podría ampliar la productividad del propio trabajo científico al ayudar a interpretar datos, comparar alternativas y elegir experimentos con mejores probabilidades de aportar algo útil. Si un equipo llega antes a una buena solución o puede explorar un problema que antes resultaba demasiado costoso, el efecto puede extenderse al precio, la calidad y la variedad de los productos disponibles. Esa es la relación con nuestra tesis de eficiencia: además de mejorar la operación actual, la tecnología puede ampliar lo que una empresa es capaz de desarrollar.
Capítulo VI · págs. 77 a 80
Pág. 78
Nuestro foco está principalmente en la ola de eficiencia. Buscamos buenas empresas a buen precio, con negocios que podamos entender y oportunidades de mejorar mediante el uso de IA. Creemos que la atención del mercado sigue concentrada en los nuevos modelos y en la infraestructura necesaria para sostenerlos, mientras algunas mejoras posibles en empresas conocidas reciben menos atención. Ahí puede aparecer una diferencia entre lo que un negocio llegará a producir y lo que su cotización ya reconoce.
| Ola | Qué vende o mejora | Empresas y actividades | De qué depende el resultado |
|---|---|---|---|
| 01Asombro | Acceso a modelos y aplicaciones de IA | OpenAI, Anthropic y las actividades de modelos y aplicaciones de Google y Microsoft | Clientes que permanezcan, precios sostenibles y costos de desarrollo y servicio. |
| 02Infraestructura | Procesadores, memoria, redes, energía y capacidad de cálculo | Nvidia, Broadcom, TSMC, Micron, Vertiv, operadores de centros de datos y nubes | Demanda, duración de la escasez y capital necesario para construir y renovar. |
| 03Eficiencia | La operación de un negocio existente: producir más y mejor con menos recursos | Logística, comercio, seguros, bancos y otros servicios; C.H. Robinson, Costco y Mercado Libre, entre los casos tratados | Ahorro neto, calidad del servicio, posición competitiva y retorno de la reinversión. |
Ola de infraestructura
Ola de eficiencia · nuestro foco
6.2 · Cómo llevamos esa mejora a los números
Supongamos una empresa con 100 de ingresos y 90 de costos operativos. Si la IA permite ahorrar 3, pero implementarla cuesta 1 y el management destina otro 1 a mejores condiciones para el cliente, el beneficio pasa de 10 a 11, manteniendo todo lo demás constante. La mejora es del 10%; contar los 3 completos como ganancia exageraría su efecto. Este ejercicio sencillo obliga a distinguir el ahorro técnico del beneficio que recibe el negocio.
Capítulo VII · págs. 81 y 82
Nuestra tesis de eficiencia se sostiene si la IA permite a una empresa producir más, a menor costo y con una calidad que conserve o mejore la relación con el cliente. Al seguir cada negocio, queremos comprobar cómo cambia esa economía después de pagar la tecnología, adaptar los procesos y supervisar el trabajo. Si la mejora queda limitada a una demostración y no llega a la operación habitual, habría que revisar cuánto valor le atribuimos.
También necesitamos observar qué ocurre con la competencia. Una empresa establecida puede aprovechar mejor sus activos, pero la misma tecnología puede facilitar que otros igualen su servicio o hagan prescindible una parte de lo que vende. Si pierde clientes o necesita invertir cada vez más para conservar su posición, los menores costos por sí solos podrían no alcanzar para mejorar el negocio.
Compartir el ahorro con el cliente puede formar parte de una ventaja duradera, como explica la filosofía de Nomad. Para que esa lógica funcione, las mejores condiciones deben favorecer una relación más sólida, más volumen o nuevas oportunidades de reinversión que compensen lo compartido. Nos interesa comprobar ese efecto a lo largo del tiempo: un margen menor puede acompañar un negocio más valioso cuando fortalece su capacidad de crecer de manera rentable.
En infraestructura, seguiremos la capacidad que entra en servicio, los ingresos que deja y los recursos necesarios para financiarla y renovarla. Una demora puede cambiar el retorno de sus proveedores sin eliminar la oportunidad de eficiencia de sus usuarios, de modo que revisaremos cada exposición según su propia economía.
El precio completa esa evaluación. Una empresa puede cumplir buena parte de lo que esperamos y ofrecer un retorno modesto si su valuación ya suponía un resultado extraordinario. La tesis orienta dónde buscamos; la decisión de invertir seguirá dependiendo del negocio, de su management y de lo que paguemos por participar en él.
Capítulo VIII · págs. 83 a 86
Págs. 84 y 85
Como inversores de largo plazo, buscamos empresas que puedan aprovechar la inteligencia artificial durante años y sostenerse si este ciclo de inversión termina mal. La investigación de este informe nos fue mostrando oportunidades en negocios que ya conocemos, pero también varias debilidades en la industria que está haciendo posible esta transformación. A medida que avanzábamos en los balances y los contratos, aparecían relaciones que hacían más difícil separar el crecimiento de una empresa de las necesidades de financiación de otra.
Es fácil pasar por alto esas relaciones cuando hablamos de compañías cuyos productos usamos todos los días. Estamos acostumbrados a verlas ganar dinero, ampliar sus negocios y superar dificultades, y esa experiencia puede darnos demasiada tranquilidad frente a lo que están haciendo ahora. Comprar sus acciones hoy también implica participar de inversiones, garantías y compromisos que antes no tenían, incluso cuando seguimos asociándolas con los mismos negocios que las hicieron conocidas.
En ese entusiasmo también hay inversores que no conocen bien lo que están comprando. Algunos desconocen los riesgos y otros prefieren no detenerse en ellos mientras la inversión siga dando ganancias. Se quieren los resultados ya, y revisar una posición que viene subiendo puede resultar incómodo cuando lo que se desea es que todo siga viento en popa. Así, es posible tener acciones de varias empresas tecnológicas sin haber advertido cuánto dependen unas de otras o hasta qué punto sus planes cuentan con que unos pocos clientes consigan seguir financiándose.
En una parte de esa expansión aparecen OpenAI y Anthropic, con productos de enorme utilidad y necesidades de capital que todavía no pueden financiar de manera sostenida con su propia operación. Además, tienen que seguir invirtiendo para conservar clientes que pueden encontrar una alternativa mejor o más barata pocos meses después. Sus proveedores están comprometiendo recursos por muchos años sobre la expectativa de que esos laboratorios podrán seguir creciendo y pagando. Cuando también los financian o respaldan sus obligaciones, una dificultad del cliente puede alcanzarlos por varios caminos, incluso aunque sus propios negocios sigan siendo rentables.
Estas son algunas de las relaciones que estamos estudiando con más profundidad, empresa por empresa. Estamos leyendo las notas de los balances junto con los anuncios del management y las conferencias de resultados, tratando de reconstruir cuánto dinero se ha comprometido, cuándo habrá que pagarlo y qué recursos estarán disponibles entonces. Nos interesa conocer esas diferencias antes de que un problema de financiación obligue a todos a prestarles atención, y también encontrar compañías cuya situación sea más sólida de lo que sugiere haberlas incluido en el mismo grupo.
Esa fragilidad puede convivir con una tecnología que siga mejorando y encontrando aplicaciones, como ocurrió con internet. En el año 2000 ya se podía imaginar que iba a cambiar la forma de vender, comunicarse y organizar una empresa, aunque resultaba mucho más difícil anticipar los negocios que terminarían construyéndose sobre ella. Hoy conocemos lo que vino después y eso hace que muchas decisiones parezcan más evidentes de lo que eran en aquel momento. Con la IA estamos viviendo algo parecido, porque ya podemos ver mejoras concretas sin alcanzar a imaginar todos los usos que aparecerán cuando sea más barata, más capaz y más fácil de incorporar al trabajo cotidiano.
Si el entusiasmo terminara en una crisis, esas posibilidades no desaparecerían junto con las cotizaciones. Algunos proyectos podrían frenarse y otros continuar bajo nuevos propietarios, especialmente si las empresas con mayor capacidad financiera pudieran adquirir equipos, tecnología o negocios que sus dueños ya no estuvieran en condiciones de sostener. En 2008, JPMorgan compró las operaciones bancarias de Washington Mutual mediante una venta organizada por la FDIC. En la IA también podría ocurrir que parte del valor desarrollado con el capital de unos terminara en manos de otros, mientras las empresas que utilizan esa tecnología siguieran incorporándola a su actividad.
Es en esas empresas donde estamos concentrando buena parte de nuestra búsqueda. Nos interesan negocios que ya tengan clientes, generen dinero y puedan financiar su actividad, donde la IA acompañe su desarrollo y les permita mejorar lo que hacen. Queremos que puedan seguir funcionando aunque se frene la inversión en el sector, sin depender de que se cumplan todas las expectativas que hoy rodean a la tecnología. Si además tienen ventajas que sus competidores no pueden comprar con la misma herramienta, esas mejoras pueden acumularse durante años. El management tendrá entonces más recursos para reinvertir y, en algunos casos, para ofrecer mejores condiciones al cliente y conseguir que compre más o vuelva con mayor frecuencia.
Ese cliente también tendrá mejores herramientas para decidir con quién trabajar. Podrá comparar precios, revisar lo que paga por una suscripción y cambiar de proveedor con menos esfuerzo, de modo que parte del análisis consiste en entender por qué seguiría eligiendo a la empresa. Nos gustaría ser socios de negocios que puedan responder bien a esa comparación, donde el ahorro permita mejorar algo que el cliente ya valora. Nos sentiríamos bastante menos cómodos si una parte importante de las ganancias dependiera de que no entienda una comisión, no encuentre una alternativa o se olvide de cancelar un servicio.
Al buscar esas oportunidades, queremos que el precio que pagamos deje espacio para participar de la mejora. Una empresa puede incorporar la IA con éxito y aun así ofrecer poco al accionista si el mercado ya está pagando por resultados extraordinarios. Por eso seguimos trabajando sobre negocios cuyo valor podamos entender a partir de lo que hacen hoy y de las posibilidades que tienen por delante, sin necesitar que continúe el entusiasmo actual para justificar la inversión. Sus acciones pueden atravesar caídas importantes, y llegar a esos momentos con el negocio estudiado nos daría mejores condiciones para decidir si hay una oportunidad o si lo que cambió exige revisar nuestra posición.
Dentro de unos años volveremos a estas páginas con información que hoy no tenemos. Habrá cifras viejas, expectativas que no se cumplieron y aplicaciones de la IA que ahora ni siquiera sabemos nombrar. Nos gustaría encontrar también algunas empresas que entendimos bien y que tuvimos la paciencia de acompañar mientras mejoraban. Poder seguir siendo sus socios, después de haber visto cómo atravesaron tanto el entusiasmo como las dificultades, sería una buena razón para volver sobre este trabajo.
Franco Rodríguez Skok
93 páginas
Cada capítulo con sus gráficos, notas y fuentes, para leer acá mismo.
Este informe tiene fines informativos y educativos. No constituye una oferta pública de valores negociables, una invitación a invertir, una solicitud de suscripción ni una recomendación personalizada de compra o venta. La información procede de fuentes consideradas confiables, sin garantía de exactitud, integridad o actualización. Las opiniones y proyecciones pueden cambiar y no aseguran resultados futuros. Los autores pueden mantener posiciones en los instrumentos mencionados. Toda inversión implica riesgos, incluida la pérdida parcial o total del capital, y las rentabilidades pasadas no garantizan rendimientos futuros. El contenido no contempla los objetivos, la situación financiera ni las necesidades particulares de cada lector.