No existe la receta para crear el próximo unicornio
Diario de Innovación #387
Hace apenas unos años parecía que la receta era sencilla.
Tenías una buena idea.
Reunías un equipo brillante.
Levantabas una ronda de financiación.
Encontrabas el product-market fit.
Y el resto era cuestión de escalar.
La realidad, sin embargo, es bastante más incómoda.
Porque hay empresas que lo tienen prácticamente todo y aun así desaparecen.
La historia de Descartes Labs es uno de esos casos que obligan a replantearse muchas de las certezas del ecosistema startup. Una compañía nacida en Los Álamos, capaz de procesar un petabyte de datos en menos de 24 horas, con algunos de los mejores científicos de datos del mundo, más de 200 millones de dólares entre inversión y negocio generado, contratos multimillonarios con el gobierno estadounidense, clientes como Cargill y tecnología que rozaba la ciencia ficción terminó siendo vendida en una fire sale por un valor prácticamente nulo.
Cuando uno lee el relato de su fundador, Mark Johnson, descubre algo mucho más interesante que la historia de una empresa.
Descubre hasta qué punto seguimos obsesionados con encontrar una receta universal para construir compañías extraordinarias.
Y probablemente esa receta nunca haya existido.
El problema de las historias de éxito
Cuando una empresa triunfa, siempre buscamos una explicación sencilla.
“NVIDIA ganó porque apostó por las GPUs.”
“OpenAI ganó porque llegó antes.”
“Palantir ganó porque tenía una tecnología diferencial.”
Pero eso no es una explicación.
Es una simplificación.
Los psicólogos llaman a este fenómeno causalidad narrativa: nuestra tendencia a construir historias lineales para explicar fenómenos que, en realidad, son extraordinariamente complejos.
Necesitamos creer que existe una única causa.
Porque aceptar que el éxito depende de decenas de variables interactuando entre sí resulta mucho más incómodo.
Sin embargo, la realidad empresarial se parece bastante más a un ecosistema que a una ecuación.
El error de copiar el ingrediente visible
Durante el auge de la IA generativa estamos viendo exactamente el mismo patrón.
Cada semana aparecen cientos de nuevas startups.
Todas parecen compartir la misma lista de ingredientes: modelos fundacionales; agentes autónomos; MCP; financiación; talento técnico o crecimiento acelerado.
Y muchas persiguen exactamente el mismo objetivo: parecerse a la startup de éxito del momento.
El problema es que solemos copiar aquello que vemos. Nunca aquello que realmente explica el resultado.
Descartes Labs es un buen ejemplo.
Según Johnson, la empresa nunca debió intentar convertirse en un SaaS escalable. Su verdadera ventaja competitiva estaba en otra parte: combinar una plataforma tecnológica extraordinaria con científicos capaces de resolver problemas extremadamente complejos para un pequeño número de grandes clientes, un modelo mucho más cercano a Palantir que a Salesforce. Sin embargo, la presión por encajar en las métricas que el capital riesgo esperaba de una empresa SaaS acabó condicionando decisiones estratégicas durante años.
No fracasó por falta de tecnología.
Ni por falta de clientes.
Ni por falta de talento.
Fracasó, según su fundador, porque la empresa dejó de parecerse a sí misma para intentar parecerse al modelo de éxito que el mercado esperaba.
Quizá no exista el Product-Market Fit
Llevamos años hablando del Product-Market Fit como si fuera el gran hito que toda startup debe alcanzar.
Pero quizá nos estemos haciendo la pregunta equivocada.
Porque una empresa no necesita únicamente que su producto encaje con el mercado.
Necesita que todo el sistema encaje.
Me gusta pensar en ello como un Company-Market Fit.
No basta con tener un gran producto.
También deben alinearse:
el momento histórico;
la estructura financiera;
la cultura de la empresa;
el modelo de negocio;
la velocidad de ejecución;
el consejo de administración;
los incentivos de los inversores;
las capacidades reales del equipo;
y las necesidades concretas de los clientes.
Cuando esas piezas encajan, desde fuera parece magia.
Cuando dejan de hacerlo, incluso las mejores compañías pueden entrar en una espiral muy difícil de detener.
El éxito es una propiedad del sistema
Imagina un coche de Fórmula 1.
Puedes tener el mejor motor.
El mejor piloto.
Los mejores neumáticos.
El mayor presupuesto.
Y aun así perder la carrera, o quedar tercero en el campeonato.
Porque ganar nunca depende de una sola pieza.
Depende de cómo funcionan todas juntas.
Las startups no son diferentes.
El mejor producto del mercado puede fracasar con una mala ejecución.
Un equipo extraordinario puede quedarse sin caja.
Una tecnología brillante puede llegar demasiado pronto.
O demasiado tarde.
Una empresa puede levantar cientos de millones… y seguir sin haber encontrado el modelo adecuado para capturar el valor que genera.
Food for thought
Quizá la mayor enseñanza de Descartes Labs no tenga nada que ver con la tecnología geoespacial, la inteligencia artificial o el capital riesgo.
Tiene que ver con nuestra obsesión por encontrar patrones simples.
Hoy todo el mundo quiere descubrir cuál será “el próximo OpenAI”, “el próximo Cursor” o “el próximo unicornio de IA”.
Pero la historia demuestra que las grandes compañías no nacen siguiendo una receta.
Nacen cuando consiguen alinear una combinación irrepetible de tecnología, personas, financiación, cultura, ejecución y contexto.
Y esa combinación nunca es exactamente igual dos veces.
Porque el éxito empresarial no es un ingrediente. Es una propiedad emergente de un sistema complejo.
Quizá por eso la próxima gran empresa de IA no será la que mejor copie el manual del momento.
Será la que tenga el valor de escribir el suyo propio.
🌍 El eco del mercado
🧩 El portátil del desarrollador es el nuevo punto débil de la cadena de suministro. Las herramientas y dispositivos de los desarrolladores se están convirtiendo en una vía de entrada crítica para ataques contra entornos empresariales. A esto se suman extensiones aparentemente inocentes, como VPN gratuitas, capaces de espiar el portapapeles.
📱 Apple sufre otra señal de riesgo en su cadena de suministro. Hackers habrían robado 181 archivos de un socio de ensamblaje de Apple en India. Más allá del posible leak del iPhone 18, la noticia apunta a un problema mayor: la exposición de terceros dentro de cadenas globales muy distribuidas.
🔐 Compartir una cuenta de IA no es como compartir Netflix. Cada vez más usuarios comparten cuentas de IA para ahorrar dinero, pero el riesgo es mucho mayor que en una plataforma de streaming. Estos asistentes pueden guardar conversaciones, contexto, documentos, preferencias y memoria personal.
🕶️ Meta convierte sus gafas inteligentes en servicio recurrente. Meta empieza a imponer límites de uso y suscripciones sobre funciones de sus Ray-Ban inteligentes. El hardware es solo la puerta de entrada; el negocio está en las capacidades de IA que se activan encima.
☁️ Together AI dispara la valoración del neocloud. Together AI levanta 800 millones y alcanza una valoración de 8.300 millones. La tesis es clara: alojar modelos open source se ha convertido en una capa estratégica del mercado.
🕸️ Cloudflare fuerza una frontera entre búsqueda, agentes y entrenamiento. Cloudflare exigirá a las compañías de IA separar crawlers de búsqueda, entrenamiento y agentes, o arriesgarse a bloqueos por defecto en sitios de publishers.
Lectura estratégica: Al igual que vimos ayer con Reddit, el acceso al contenido deja de ser una externalidad gratuita y empieza a convertirse en mercado regulado de facto.
🛡️ Anthropic recupera modelos, pero acepta nuevas condiciones de seguridad. EE. UU. levanta restricciones sobre Fable 5 y Mythos 5, pero Anthropic incorpora nuevas salvaguardas de ciberseguridad y un marco contra jailbreaks.
🌏 La guerra fría de la IA se endurece. Anthropic restringe el acceso de desarrolladores y empresas chinas a sus modelos, mientras empuja más colaboración doméstica.
🍽️ Square convierte ChatGPT y Claude en un nuevo canal de adquisición. Los restaurantes podrán aceptar pedidos directamente desde ChatGPT y Claude mediante una integración de Square, sin setup técnico y con menos comisión que los marketplaces tradicionales.
🖼️ Getty y Shutterstock chocan con el nuevo antitrust de los datos visuales. Getty cancela su fusión de 3.700 millones de dólares con Shutterstock tras las restricciones del regulador británico, pese al visto bueno previo de EE. UU. La operación se cae en un momento clave para el valor de las imágenes en la era de la IA generativa.
⚙️ El cuello de botella de la IA ya no es el modelo: es el cómputo. Google no pudo dar a Meta toda la capacidad de Gemini que pedía. La IA empieza a parecerse menos al software y más a una industria pesada con racionamiento de recursos.
🔋 Honda también gira hacia los data centers. Honda empieza a producir baterías destinadas a centros de datos, no a coches. La demanda energética de la IA está atrayendo a actores industriales que antes no parecían parte del tablero cloud.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD. Si este tema te interesa, merece la pena leer The Hard Thing About Hard Things, de Ben Horowitz; High Growth Handbook, de Elad Gil; De Cero a Uno, de Peter Thiel; y Amp It Up, de Frank Slootman. Todos ellos muestran que construir una empresa tiene mucho menos que ver con seguir recetas y mucho más con tomar decisiones difíciles cuando nadie tiene la respuesta correcta.
PD2. Si estás montando una startup, hay cuatro inversiones que probablemente amortizarás antes que cualquier gadget de moda: una mesa elevable eléctrica para las jornadas maratonianas, una silla ergonómica de calidad que cuide tu espalda, un monitor ultrapanorámico de 40” para visualizar producto, métricas y código al mismo tiempo, y una base Thunderbolt/USB-C que convierta el portátil en un puesto de trabajo completo con un solo cable. No harán crecer tu empresa por sí solos, pero sí harán más fácil ejecutar cada día un poco mejor.