La IA generó nuevos problemas para los clientes, y las fintech corren a resolverlos

Ramp acaba de cerrar una ronda de 750 millones de dólares a una valoración de 44.000 millones. El artículo argumenta que la compañía probablemente no necesitaba ese dinero: lo que compró con la ronda fue una narrativa coherente sobre convertirse en 'AI-native', y esa narrativa resulta creíble porque Ramp se está reconstruyendo alrededor de trabajos ('jobs') que sus clientes solo tienen porque existe la IA. El ejemplo central es Router, la herramienta de Ramp que busca el modelo de menor coste y mayor calidad para cada petición y que, según la propia empresa, ahorra a sus clientes un 40%. Stripe estaría montando un stack parecido: pagos en la base, Metronome midiendo y facturando el consumo, y OpenRouter enrutando tráfico entre más de 400 modelos; Stripe habría pagado más de 7.000 millones de dólares por esa capa superior.

La idea de fondo, tomada del marco de 'Jobs to be Done' de Clayton Christensen, es que los clientes no compran un producto sino que lo 'contratan' para hacer un trabajo. Trabajos como gestionar gastos, conciliar facturas o prevenir fraude son anteriores a la IA: los modelos modernos pueden ejecutarlos más rápido y barato, pero el cliente ya quería eso antes. La IA, sin embargo, creó una segunda categoría de trabajos que antes no existían: vigilar el gasto en tokens, enrutar cada petición de inferencia al mejor modelo, o dejar que un agente compre algo sin entregarle toda la identidad y la cuenta bancaria del usuario. El artículo distingue así entre 'AI-native' (describe el producto) y 'AI-created' (describe la demanda).

Para ordenar esto, el autor propone una matriz 2x2 que cruza el tipo de trabajo (antiguo vs. creado por la IA) con el tipo de compañía (preexistente vs. imposible sin la IA moderna). Nubank, con NuFormer, ejemplifica una empresa preexistente que usa IA para hacer mejor un trabajo antiguo (suscripción de crédito). Harvey, Hebbia y Rogo son productos que no podrían haber existido antes de los modelos actuales pero que resuelven trabajos antiguos (investigación legal y financiera). Ramp y Stripe son empresas preexistentes que ahora también capturan demanda creada por la IA (gestión de tokens, enrutado de modelos). Y OpenRouter y fal son compañías que solo tienen sentido porque la inferencia se convirtió en una industria en sí misma. El propio artículo señala que una misma empresa puede ocupar varias casillas a la vez: el negocio de gastos de Ramp es 'trabajo antiguo', mientras que su dashboard de tokens y Router son 'trabajo nuevo'.

A partir de ahí, el autor propone tres posturas posibles frente a la IA. Los 'adopters' usan IA para servir la demanda que ya tenían (por ejemplo, añadiendo un copiloto), lo que las hace más rápidas y baratas pero no cambia su embudo de ventas. Los 'beneficiaries' —el caso de Ramp o Stripe— siguen sirviendo los trabajos antiguos, pero además capturan la nueva demanda que la IA generó justo al lado de su negocio principal. Los 'natives' —OpenRouter, fal— solo existen por esa demanda nueva; no tienen negocio en un mundo sin inferencia que vender.

El artículo plantea una escalera de progresión hacia lo 'AI-native'. El requisito previo es operar la propia empresa con IA (equipos que ya usan IA internamente, product managers y diseñadores que escriben código, herramientas internas construidas por los propios equipos), algo que acelera la operación pero no cambia por sí solo qué se vende. El primer peldaño son los trabajos antiguos resueltos mejor: cribado de cumplimiento normativo, conciliación de documentos y correos, investigación legal o reporting financiero, tareas que empresas como Beacon, Sardine, Gradient Labs, Harvey, Hebbia y Rogo abordan combinando cientos de documentos y fuentes de datos con modelos actuales; el producto habría sido imposible hace pocos años, aunque el trabajo en sí sea antiguo.

El segundo peldaño son los trabajos nuevos que aparecen junto al negocio central. Uno es ayudar a gestionar el gasto en IA: el dashboard de tokens de Ramp vive dentro de un producto que ya existía, y según la compañía el gasto en tokens de IA de sus clientes creció 20,7 veces entre junio de 2025 y junio de 2026; Metronome, ya parte de Stripe, se sitúa en el otro lado de ese mismo trabajo, midiendo y facturando ese consumo. Otro es permitir que los agentes se conecten al producto y trabajen: compañías como Mercury, Visa y Ramp están lanzando interfaces de línea de comandos (CLI), y la propia Stripe lanzó la suya hace siete años, notando un salto brusco de uso desde el lanzamiento de Claude Code. Las CLIs son más fáciles de navegar para los agentes y consumen muchos menos tokens: según el ejemplo del artículo, una transacción en modo '--agent' de la CLI de Ramp cuesta unos 105 tokens en JSON, frente a los 280 tokens que cuesta la misma transacción con formato bonito en modo '--human'. Un tercer trabajo nuevo es lograr que la propia tienda o marca sea descubierta por agentes de IA: aproximadamente un tercio de la generación Z ya recurre a la IA en lugar de Google para investigar qué comprar, lo que está llevando a plataformas como Shopify y WooCommerce, y a los proveedores de pagos que ya trabajan con comercio electrónico, a optimizar también para ese canal.

El tercer y último peldaño son los trabajos que directamente no existían antes del reciente auge de la IA y que nadie ha resuelto todavía del todo. Uno es la confianza: cómo saber si se puede confiar en un agente con los propios datos o decisiones, especialmente cuando ese agente no vive dentro de un proveedor de software con el que ya se tiene un acuerdo empresarial, sino que es el producto en sí mismo (de un laboratorio como Anthropic, una startup o un departamento interno). El artículo menciona compañías construyendo o comprando 'harnesses' o planos de control para envolver esos agentes, como Primitive, y enfoques como AIUC, que busca certificar y suscribir agentes. Otro trabajo nuevo es la confianza para que un agente transaccione: si un agente aparece en una tienda intentando comprar algo, cómo conocer su reputación o su creador, y si el usuario realmente lo autorizó. Aquí están surgiendo estándares como A2A de Google, el Trusted Agent Protocol de Visa y un estándar de identidad de FIDO, además de compañías como Natural Payments, Skyfire y A-comm, que se posicionan en la parte del flujo de comercio agéntico donde los agentes efectivamente mueven dinero. Un tercer trabajo nuevo es conseguir inferencia y cómputo más baratos: según datos de Brex, las empresas añaden su primer proveedor de cómputo abierto en los cinco meses siguientes a su primer cargo de API de OpenAI o Anthropic, pasando de pagar a un laboratorio de modelos a comparar opciones como Together AI, Fireworks y Baseten. El artículo señala que la IA creó primero una cadena de suministro de software y ahora está generando una estructura de capital debajo de ella, con Nvidia y Wall Street intentando movilizar 500.000 millones de dólares en torno a esa capa.

Una sección aparte se dedica a la distribución de los agentes. La idea es que ningún cliente empresarial quiere 'el agente' de cada proveedor por separado, sino tener su propio agente operando dentro de cada producto que usa. La mayoría de empresas terminará operando algún tipo de plano de control u 'harness' central desde el que se presupuestan, permiten y observan los agentes del CFO, de ingeniería o de operaciones, por encima de las herramientas individuales; y los consumidores tendrán sus propias versiones, ya sea a través de asistentes de OpenAI, Google o, eventualmente, Apple. El artículo cita una advertencia de Garry Tan sobre cómo esa capa de orquestación amenaza al software incumbente: los sistemas de registro ya poseen los datos, permisos y distribución que necesita un 'harness', pero corren el riesgo de que una nueva capa de orquestación se coloque por encima y convierta a cada producto subyacente en un simple proveedor invocable. De ahí surgen, según el autor, tres opciones estratégicas no excluyentes entre sí: poseer la orquestación (convertirse en el lugar donde el cliente ve y gestiona todos sus agentes), poseer un punto de control de confianza dentro de esa orquestación (identidad, reputación, enrutado, aprovisionamiento, liquidación), o convertirse en el producto más fácil de invocar para cualquier 'harness' importante, a través de CLI, API y superficies pensadas para agentes.

El artículo cierra con una recomendación práctica dirigida a fundadores que buscan levantar grandes rondas apelando a ser 'AI-native': la respuesta no es de posicionamiento sino de producto. Hay que encontrar el trabajo que la IA creó justo al lado del valor que ya se entrega, construir la superficie para ese trabajo y decidir después cómo distribuirlo (poseyendo la orquestación, un punto de control de confianza, o siendo fácilmente invocable). El texto recuerda que Ramp no llegó a los 44.000 millones de valoración por ser la mejor en gestión de gastos, sino porque los inversores creen que la IA seguirá creando demanda nueva junto a ese núcleo y que Ramp tiene la velocidad para capturarla: su volumen total procesado (TPV) creció un 170% interanual hasta marzo, su ritmo más rápido en tres años, después de que el negocio ya se hubiera multiplicado por 20.