Me invitaron a hacer una charla este sábado en EtMday, el encuentro de emprendimiento e innovación que organiza Emprende tu Mente en Santiago de Chile y que se presenta como el más grande de América Latina: este año esperan más de 60.000 asistentes. Lo que me pidieron contar fue cómo construir una empresa AI-native. Armando la charla me di cuenta de que, para casi todos los que van a estar en el público, esa es la pregunta equivocada.
En 2008 fundé Betazeta. Teníamos plata de inversionistas y llegamos a 10 millones de usuarios al mes, pero no logramos armar el equipo que hacía realidad el sueño. Hace poco fundamos Reten.ai; hacerla como se hacía antes habría costado unos US$2 millones y 18 meses de trabajo. Gastamos US$100 mil, contando la IA y los servidores: veinte veces menos. Son dos veces desde cero, con 18 años de diferencia, y entre una y otra bajó el precio de construir: en 2008 había que juntar un equipo antes de hacer cualquier cosa, y hoy uno parte con 2 personas y agentes de IA.
Reten.ai nació AI-native. Yom, la empresa que fundé hace diez años y que dirijo, no. Tampoco la mayoría de las empresas de quienes leen esto, porque ya existían cuando llegó la IA. Para ellas, la pregunta de cómo construir una empresa AI-native llegó tarde. Para ellos, la pregunta que realmente sirve es: Qué hacer primero según el punto desde el que partes.
Construir se volvió barato para todos
Lo que pasó entre Betazeta y Reten.ai no me pasó solo a mí. Este año AWS encuestó a más de 3.400 fundadores y ejecutivos de startups en 20 países y definió como AI-native a las empresas de menos de cinco años que ponen la IA en el centro de su producto. Según el informe, publicado en junio, sus ingresos crecen en promedio 156% al año, contra 65% del total de startups, y llegan a valer US$1.000 millones en unos tres años y medio, la mitad de lo que tomaba antes de la IA generativa.
La velocidad se volvió commodity; el dominio no. Si un equipo chico puede construir con US$100 mil lo que antes costaba US$2 millones y un año y medio, la velocidad de construir deja de ser una ventaja. Les llega a todos al mismo tiempo, porque los modelos son los mismos para todos. Lo que no se puede comprar es lo que tu empresa sabe: cómo compran tus clientes, por qué se van, qué hiciste la última vez que algo se rompió.
McKinsey llegó a algo parecido después de entrevistar a líderes de 15 empresas construidas alrededor de la IA, desde startups de cuatro personas hasta plataformas globales. Una de sus siete verdades operativas de las empresas AI-native, publicadas en junio, dice que el techo de lo que la IA puede hacer en una empresa lo pone la calidad de su conocimiento y qué tan fácil es llegar a él, más que el modelo. Las reuniones que no quedan registradas, los datos desordenados y lo que solo sabe una persona son lo que frena a los agentes.
Lo que se abarató fue construir. Cambiar una empresa que ya existe cuesta lo mismo que antes.
Nativo es dónde naciste
La definición de AWS sirve para contar a las empresas AI-native. Yo le agrego algo que explica su velocidad: una empresa AI-native nace diseñada para que los agentes hagan el trabajo repetible y las personas pongan el criterio, y por eso escribe su conocimiento desde el primer día.
Lovable, una plataforma para crear aplicaciones describiéndolas en lenguaje natural, llegó en febrero de 2026 a US$400 millones de ingresos recurrentes anuales con 146 empleados. Son casi US$2,8 millones de ingresos por cada empleado. Esa cifra es consecuencia de cómo nació la empresa, y crecer así no convierte en nativa a nadie más.
Walmart nació en 1962. En enero de 2024 presentó un buscador con IA generativa: escribes que vas a armar una fiesta para ver el partido y aparecen las papas, las bebidas y la tele, sin buscar producto por producto. En agosto de ese año, su CEO, Doug McMillon, contó que habían usado varios modelos de lenguaje para crear o corregir más de 850 millones de datos de su catálogo, y que sin IA ese trabajo habría necesitado casi cien veces la dotación que tenían. En febrero de 2026 Walmart pasó por primera vez el billón de dólares de valor de mercado (un millón de millones de dólares, lo que en inglés se llama one trillion).
Entre fines de 2023 y el 17 de noviembre de 2026, la acción de Walmart subió casi 150%. La de Target, su competidor más directo en Estados Unidos, subió 25%. Esa diferencia no se explica solo por la IA. Cuando Walmart pasó el billón de dólares, Reuters lo atribuyó a varias cosas a la vez: una apuesta temprana y agresiva por la IA y por automatizar su cadena de suministro, un marketplace con más de 500 millones de productos, entregas en una hora y un negocio de publicidad de US$4.000 millones. En Walmart, la IA está dentro de la operación: en la cadena de suministro, en el catálogo y en el buscador.
Walmart no es nativa y está empezando a operar como si lo fuera. Lovable es nativa y no tiene sesenta años de clientes, proveedores y tiendas que la IA pueda leer. Lo que sí tiene una empresa que parte de cero es intención: sabe qué quiere ser y puede escribirlo antes de tener nada más. Nativo es dónde naciste; lo que decide si ganas es cómo operas.
Tres puntos de partida
Si cruzas dos variables, cuánto sabe ya tu empresa y cuánto le cuesta romper cosas, aparecen tres puntos de partida.
Desde cero. Poco contexto y casi nada que romper. Es Reten.ai. Puede moverse rápido, pero todavía no tiene una historia propia con qué alimentar a la IA.
Del medio. Una startup con años o una scaleup, como Yom. El conocimiento está en la cabeza de la gente y en pocos sistemas. Tiene poca estructura, así que puede equivocarse sin que le cueste mucho.
Con la operación andando. Una empresa grande. Es Walmart y, en América Latina, Kavak, la plataforma de autos usados nacida en México. Tiene todo el contexto, pero armó procesos de control para manejar la escala, y cada cambio choca con ellos.
En la del medio y en la grande, el conocimiento vive en las personas. Lo que las separa es cuánto cuesta romper cosas. Al que parte de cero le toca fabricar lo que su empresa sabe. Al grande, bajar lo que le cuesta cambiar.
Antes de seguir leyendo, ubícate en una de las tres. Lo que viene se lee distinto según dónde estés.
El primer hito es el mismo
Las tres tienen que llegar al mismo punto antes de que la IA les sirva de verdad: que la IA pueda leer la empresa. Que lo que la empresa sabe esté escrito en algún lugar donde un agente lo encuentre y lo entienda.
Es una condición, y no garantiza nada. Una empresa puede escribirlo todo y no sacar ningún provecho si nadie pone eso a trabajar. Sin ese paso, en cambio, todo lo demás se construye sobre lo que alguien recuerda.
Cada ruta llega a ese hito por un camino distinto. En Reten.ai partimos cuando los modelos solo podían leer textos cortos. Eso nos obligó a escribir lo mínimo indispensable sobre el negocio, y escribirlo nos obligó a pensarlo. En la otra punta, el CEO de Walmart dijo en la misma llamada en que contó lo de los 850 millones de datos que la calidad de los datos de su catálogo afecta casi todo lo que hacen. Una empresa grande parte ordenando lo que ya tiene.
Mismo destino, otro orden
El destino es el mismo para las tres. Lo que cambia según dónde partes es el cuello de botella, y por eso cambia el primer movimiento.
Desde cero, el cuello es que no hay datos con qué alimentar el sistema. Tienes la intención escrita, pero cada cliente tiene que volver al sistema para que la IA aprenda algo que no sepa todo el mundo. En Reten.ai ningún agente revisa su propio trabajo: dos modelos de empresas distintas juzgan cada cambio, y nada pasa a producción hasta que los dos lo aprueban. Aun así, lo más lento es pasar del piloto que funciona a un sistema que alguien entienda. Es el costo de romper que le llega al que no lo tenía.
Del medio, el cuello de botella es el liderazgo. En Yom nos pasó lo mismo que cuenta Kavak: entregar herramientas de IA a todo el equipo no movió nada. Lo planteé cuando presenté E² en abril: el recorrido parte por el líder usando la IA en su propio trabajo, y recién después llega a la organización. Una empresa del medio tiene algo que la grande no tiene, que es poder equivocarse barato. Esa ventaja se pierde si el que manda mira desde lejos. Y cuando el líder mete las manos, lo que termina moviendo la plata muchas veces es el agente de la persona que sufre el proceso: en Yom, el agente que hoy coordina el soporte lo construyó nuestra Chief of Staff, que no sabía programar (lo conté acá).
Con la operación andando, el cuello de botella es el costo de romper lo que ya funciona. Sacar el conocimiento de la cabeza de la gente y de sistemas hechos para controlar exige permisos, seguridad y comités. Cada agente pasa por riesgo y cumplimiento, y choca con roles e incentivos pensados para la escala. Kavak concluyó que darle herramientas de IA a su gente no bastaba, y rediseñó sus sistemas, sus equipos y la experiencia de sus clientes alrededor de agentes, que hoy manejan el 96% de las interacciones con clientes y el 95% de las transacciones. Para sostenerlo, pone tanto esfuerzo de ingeniería en evaluar a sus agentes como en construirlos. Walmart, por su parte, partió por lo aburrido: el catálogo.
En cada ruta, el error típico es empezar por el primer movimiento de otra. Una empresa grande que parte por el asistente que se ve en la app, sin ordenar lo que hay debajo, está copiando a una startup que no tiene nada que ordenar.
Lo que ya sabemos
La mayoría de las empresas de América Latina está en la segunda o en la tercera ruta: empresas familiares con décadas, distribuidoras, retailers, bancos, y startups que ya cumplieron cinco o diez años. Para ellas, la conversación sobre empresas AI-native suele terminar en una de dos conclusiones: que llegaron tarde, o que tienen que copiar a una startup de San Francisco. Las dos dejan fuera lo que esas empresas ya tienen.
Kavak muestra que una empresa grande de la región puede rehacerse. Y lo que no se abarata con la IA, lo que una empresa sabe de sus clientes, sus vendedores, sus rutas y sus errores, es lo que tiene una empresa latinoamericana con años. Para todos nosotros, la ventaja está en lo que ya sabemos, siempre que la IA lo pueda leer.
Las tres hacen lo mismo. Ninguna lo hace en el mismo orden.
PD: Este sábado 21 de noviembre, a las 15:30, presento esto en EtMday, en el Escenario Conecta (Zona Morada) del Parque Bicentenario, en Vitacura, en la sesión de IE Business School. Ahí voy a recorrer las cinco capas que cualquier empresa tiene que construir para que la IA trabaje en ella, cómo se ve cada una desde los tres puntos de partida y cuál es el primer movimiento concreto para cada uno. Si estás en Santiago, te espero.

