En los últimos años, emprendedores de todo el mundo han construido empresas añadiendo una capa de interfaz de usuario y lógica de negocio sobre grandes modelos de lenguaje como GPT-4 o Claude. Ahora, una voz líder de Google advierte que este modelo podría tener un futuro más corto de lo que muchos creen.
"Wrappers" y agregadores en la zona de peligro
Según TechCrunch, un VP de Google ha lanzado una advertencia clara: las empresas que funcionan principalmente como una cáscara delgada alrededor de modelos de lenguaje existentes —los llamados wrappers de LLM— y las plataformas que agregan servicios de IA de múltiples proveedores, corren el riesgo de quedar fuera de competencia a medida que la industria de la IA generativa madure.
Los problemas centrales son dos: los márgenes se reducen y la diferenciación es mínima. Cuando los propios modelos se vuelven más baratos, rápidos y accesibles directamente desde los proveedores, gran parte del valor que puede ofrecer una capa intermedia desaparece.
«Los datos de contexto privados son un foso... Son las empresas de wrappers de GPT, no las de modelos fundacionales, las que ahora están cerrando la brecha entre los modelos puros y las necesidades del usuario».
¿Qué diferencia a los ganadores de los perdedores?
La investigación sobre startups exitosas de wrappers de LLM señala algunos patrones claros que distinguen a quienes construyen valor duradero de aquellos en riesgo de ser erradicados.
1. Especialización vertical
En lugar de construir asistentes de IA genéricos, las empresas exitosas se dirigen a industrias específicas. Los estudios muestran que los modelos a medida para el comercio electrónico pueden ofrecer un rendimiento hasta un 10,7 por ciento superior al de las soluciones genéricas de wrappers de GPT, lo que puede suponer millones en ingresos adicionales. En sectores regulados como las finanzas y el farmacéutico, los modelos personalizados pueden reducir la tasa de alucinaciones entre un cinco y un ocho por ciento, siendo en muchos casos la única opción legalmente defendible.
La francesa Bioptimus recaudó 76 millones de dólares en 2025 para construir un modelo fundacional para la biología, mientras que Atomic AI ha recaudado unos 42 millones de dólares para el desarrollo de fármacos basados en ARN. Ambos son ejemplos de empresas que aprovechan una profunda experiencia en el dominio en lugar de competir en amplitud.
2. Datos propietarios como foso
Una de las ventajas competitivas más robustas es el acceso a conjuntos de datos únicos. Las empresas que utilizan técnicas como la Generación Aumentada por Recuperación (RAG) con datos internos y específicos del dominio construyen una barrera difícil de copiar para los competidores, independientemente de qué modelo subyacente esté disponible en el mercado.
3. La orquestación como ventaja competitiva
Una tercera vía es construir sistemas avanzados que coordinen múltiples modelos, fuentes de datos y herramientas en producción. Según análisis del sector, se espera que el mercado de la orquestación de IA crezca un 23 por ciento anual hasta 2028, y se prevé que más de la mitad de todas las empresas hayan adoptado tales plataformas para 2025.
Los sistemas de orquestación bien diseñados pueden, según los datos disponibles, reducir los costes de IA hasta en un 60 por ciento mediante el enrutamiento inteligente y el almacenamiento en caché. Los costes operativos pueden reducirse en un 30 por ciento adicional mediante la automatización de los procesos de ventas y operaciones.
Especialmente relevante para los emprendedores
En los últimos dos o tres años, el ecosistema de startups ha visto un fuerte aumento de empresas que construyen servicios sobre las APIs de OpenAI y Anthropic. Desde tecnología legal hasta herramientas de RR.HH. y plataformas de atención al cliente, muchos actores se encuentran exactamente en la categoría que el VP de Google señala ahora.
La advertencia no significa que todas estas empresas estén condenadas, pero subraya la necesidad de una estrategia clara de diferenciación. La pregunta que los emprendedores deben hacerse es si su producto sobreviviría el día en que OpenAI o Anthropic ofrezcan la misma funcionalidad directamente en sus propias plataformas, algo que ya ha sucedido repetidamente.
¿Qué deben hacer las startups ahora?
El material de investigación apunta hacia algunas medidas concretas. Las empresas que operan en industrias reguladas deberían considerar si los modelos personalizados con entrenamiento específico del dominio son viables, especialmente con volúmenes superiores a 8.000 conversaciones diarias, donde el perfil de costes, según la investigación disponible, se inclina a favor de las soluciones propias frente a la dependencia de las APIs.
Para la mayoría, sin embargo, lo más importante será invertir en datos: recopilar, estructurar y utilizar el conocimiento interno de formas que los competidores no puedan replicar. Aquí es donde se construyen las ventajas competitivas duraderas, independientemente de qué modelo subyacente gane la batalla tecnológica.
Las fuentes de este artículo incluyen TechCrunch (21 de febrero de 2026) y análisis de la industria sobre estrategias de diferenciación entre startups de wrappers de LLM.