La transformación de los servicios de inteligencia artificial puede ser más difícil de lo que piensan los inversores.

Créditos de la imagen: Bryce Durbin / TechCrunch

Los inversores de capital de riesgo se han convencido de que han encontrado la siguiente gran ventaja de inversión: utilizando AI para extraer márgenes de software de servicios tradicionalmente laboriosos. La estrategia implica adquirir empresas de servicios profesionales maduras, implementar AI para automatizar tareas, y luego utilizar el flujo de caja mejorado para adquirir más empresas en un ciclo virtuoso.

Liderando esta estrategia está General Catalyst (GC), que ha dedicado $1.5 mil millones de su última ronda de financiación a una estrategia que llama “creación”, centrada en incubar empresas de software nativas de AI en sectores específicos, y luego utilizar esas empresas como vehículos de adquisición para comprar empresas establecidas y sus clientes en los mismos sectores. GC ha apostado en siete industrias, desde servicios legales hasta gestión de TI, con planes de expandirse a hasta 20 sectores en total.

“Los servicios a nivel global generan $16 billones de ingresos al año,” dijo Marc Bhargava, quien lidera los esfuerzos relacionados de GC, en una reciente entrevista con TechCrunch. “En comparación, el software solo genera $1 billón a nivel global,” señaló, añadiendo que la atracción de la inversión en software siempre ha sido sus márgenes más altos. “Cuando el software escala, hay muy poco costo marginal y hay una gran cantidad de ingresos marginales.” Si puedes automatizar el negocio de servicios, dijo, atacando entre el 30% y el 50% de esas empresas con AI, y hasta el 70% de esas tareas principales en el caso de centros de llamadas, el cálculo comienza a parecer irresistible.

El flujo de caja mejorado proporciona munición para adquirir más empresas a precios más altos de lo que pueden permitirse los compradores tradicionales, creando lo que los defensores ven como un ciclo virtuoso.

El plan parece estar funcionando. Tomemos Titan MSP, una de las empresas de cartera de General Catalyst. La firma de inversión proporcionó $74 millones en dos tramos para ayudar a la empresa a desarrollar herramientas de AI para proveedores de servicios gestionados, y luego adquirió RFA, una empresa de servicios de TI bien conocida. A través de programas piloto, dice Bhargava, Titan demostró que podía automatizar el 38% de las tareas típicas de MSP. La empresa ahora planea utilizar sus márgenes mejorados para adquirir más MSP en una estrategia de roll-up clásica.

De manera similar, la firma incubó Eudia, que se centra en departamentos legales internos en lugar de bufetes de abogados. Eudia ha firmado acuerdos con clientes de la lista Fortune 100, como Chevron, Southwest Airlines y Stripe, ofreciendo servicios legales a precio fijo impulsados por AI en lugar de facturación por hora. La empresa recently adquirió Johnson Hanna, un proveedor de servicios legales alternativos, para expandir su alcance.

General Catalyst busca duplicar, al menos, el margen EBITDA de las empresas que está adquiriendo, explicó Bhargava.

La firma de capital de riesgo Mayfield no está sola en esta forma de pensar. Mayfield ha dedicado $100 millones específicamente a inversiones en “AI teammates” y lideró la ronda Serie A de Gruve, una startup de consultoría de TI que adquirió una empresa de consultoría de seguridad por $5 millones y la creció a $15 millones en ingresos en seis meses, logrando un margen bruto del 80%, según sus fundadores.

“Si el 80% del trabajo se hará con AI, puede tener un margen bruto del 80% al 90%,” dijo Navin Chaddha, director gerente de Mayfield, en una entrevista con TechCrunch este verano. “Podrías tener márgenes combinados del 60% al 70% y producir un 20% a 30% de ganancias netas.”

El inversor individual Elad Gil ha estado persiguiendo una estrategia similar durante tres años, respaldando empresas que adquieren negocios maduros y los transforman con AI. “Si posees el activo, puedes transformarlo mucho más rápidamente que si solo vendes software como proveedor,” dijo Gil en una entrevista con TechCrunch esta primavera. “Y porque puedes elevar el margen bruto de una empresa, digamos, del 10% al 40%, eso es un gran salto.”

Sin embargo, hay señales tempranas de que esta transformación de la industria de servicios puede ser más complicada de lo que los VCs anticipan. Un reciente estudio de investigadores del Stanford Social Media Lab y BetterUp Labs que encuestó a 1,150 empleados a tiempo completo en diversas industrias encontró que el 40% de esos empleados tienen que asumir más trabajo debido a lo que los investigadores llaman “workslop”, es decir, trabajo generado por AI que parece pulido pero carece de sustancia, creando más trabajo (y dolores de cabeza) para los colegas.

Esta tendencia está afectando a las organizaciones. Los empleados involucrados en la encuesta dicen que están pasando casi dos horas manejando cada instancia de workslop, incluyendo para primero descifrarlo, luego decidir si enviarlo de vuelta o no, y a menudo simplemente para corregirlo ellos mismos.

Basado en las estimaciones de tiempo de los participantes, junto con sus salarios autoinformados, los autores del estudio estiman que workslop lleva un impuesto invisible de $186 al mes por persona. “Para una organización de 10,000 trabajadores, dados los niveles estimados de workslop . . . esto da como resultado más de $9 millones al año en pérdida de productividad,” escriben en un nuevo artículo de Harvard Business Review.

Implementar AI no garantiza resultados mejorados, en resumen.

Bhargava disputa la idea de que AI está sobrevalorada, argumentando en cambio que todos estos fracasos de implementación realmente validan la estrategia de General Catalyst. “Creo que esto muestra la oportunidad, que es, no es fácil aplicar tecnología de AI a estos negocios,” dijo. “Si todas las empresas de la lista Fortune 100 y todas estas personas pudieran simplemente contratar una consultoría, aplicar un poco de AI, obtener un contrato con OpenAI y transformar su negocio, entonces nuestra tesis [sería] un poco menos robusta. Pero la realidad es que es realmente difícil transformar una empresa con AI.”

Señaló la sofisticación técnica requerida en AI como la pieza del rompecabezas más crítica que falta. “Hay mucha tecnología diferente. Es buena en diferentes cosas,” dijo. “Realmente necesitas ingenieros de AI aplicados de lugares como Rippling y Ramp y Figma y Scale, que han trabajado con los diferentes modelos, entienden sus matices, entienden cuáles son buenos para qué, y entienden cómo envolverlo en software.” Esa complejidad es exactamente por lo que la estrategia de General Catalyst de emparejar especialistas en AI con expertos de la industria para construir empresas desde cero tiene sentido, argumentó.

Sin embargo, no se puede negar que workslop amenaza con socavar la economía central de la estrategia. La gran pregunta es cuán severo es el problema y si esa imagen cambia con el tiempo.

Por el momento, si las empresas reducen personal como sugiere la tesis de eficiencia de AI, tendrán menos personas disponibles para atrapar y corregir errores generados por AI. Si mantienen los niveles actuales de personal para manejar el trabajo adicional creado por la salida problemática de AI, los grandes márgenes que los VCs están contando nunca se materializarán.

Es fácil argumentar que cualquier de estas dos situaciones debería probablemente ralentizar los planes de escalado que son centrales en la estrategia de roll-up de los VCs y que potencialmente socavan los números que hacen atractivas estas operaciones para ellos. Pero, en realidad, porque generalmente adquieren negocios con flujo de caja existente, General Catalyst dice que sus “estrategias de creación” ya son rentables.

“Mientras la tecnología de AI continúe mejorando y veamos esta inversión masiva y mejora en los modelos, creo que habrá más y más industrias para las que podamos ayudar a incubar empresas,” dijo Bhargava.