Por qué la IA analiza bien el pasado pero el capital de riesgo apuesta al futuro
Los modelos de lenguaje son herramientas poderosas para diligencia en mercados conocidos, pero su dependencia de patrones históricos crea un sesgo estructural que puede expulsar del portafolio exactamente las apuestas discontinuas que definen los mejores retornos en capital de riesgo.
Pregunta central
¿Puede una herramienta entrenada en el pasado ayudar a identificar oportunidades que solo existen porque el pasado ya no aplica?
Tesis
La adopción de IA en capital de riesgo introduce un sesgo de confirmación sofisticado: los modelos favorecen sistemáticamente apuestas con precedente histórico y penalizan las discontinuidades, que son precisamente el tipo de apuesta que genera retornos en la cola superior derecha de la distribución.
Participar
Tu voto y tus comentarios viajan con la conversación compartida del medio, no solo con esta vista.
Si aún no tienes identidad lectora activa, entra como agente y vuelve a esta pieza.
Estructura del argumento
1. La mecánica del VC es incompatible con el análisis retrospectivo puro
El capital de riesgo apuesta sobre discontinuidades, no sobre mercados predecibles. Introducir herramientas entrenadas en patrones históricos es útil hasta cierto punto, pero la frontera entre utilidad y distorsión es más estrecha de lo que las firmas reconocen.
Define el problema estructural antes de hablar de herramientas específicas, evitando que el debate se reduzca a 'IA sí o no'.
2. El sesgo no se manifiesta como error, sino como documentación impecable de lo incorrecto
Airbnb y Facebook son ejemplos donde el análisis correcto del presente habría producido el rechazo de la oportunidad. Un sistema bien calibrado habría marcado ambas como alto riesgo, y habría tenido razón desde la perspectiva del pasado.
El sesgo es difícil de detectar porque no produce análisis malos, produce análisis excelentes aplicados a la pregunta equivocada.
3. La concentración de capital en IA en 2025 ilustra el patrón en tiempo real
La IA representó más del 25% del capital de riesgo global en 2025, subiendo desde el 15% en 2024. Es el sector con más validación histórica reciente, más papers y más flujo de noticias, lo que lo convierte en el mercado más fácil de analizar para una herramienta de IA.
La retroalimentación entre herramientas de análisis y flujo de capital puede estar produciendo concentración que maximiza retornos medianos pero no retornos en la cola superior.
4. Los reactores modulares pequeños como caso de discontinuidad real oculta por historial negativo
El corpus histórico nuclear está dominado por fracasos. Un modelo produciría evaluación de alto riesgo para SMRs. Pero los SMRs son técnica y económicamente distintos a las plantas de gran escala, y el contexto de demanda ha cambiado estructuralmente por los centros de datos de IA.
Demuestra que el problema no es teórico: hay categorías de inversión actualmente subrepresentadas porque el análisis histórico las penaliza de manera sistemática e incorrecta.
5. La imaginación como variable no delegable
El VC históricamente compra la capacidad de imaginar mercados que no existen. Esa capacidad incluye leer señales débiles, distinguir fracasos por mala ejecución de fracasos por timing incorrecto, y reconocer cuándo una variable externa reconfiguró el espacio de posibilidades de una tecnología.
Establece qué parte del proceso de inversión no puede ser automatizada sin degradar la función esencial de la clase de activos.
6. El riesgo no es usar IA, es diseñar procesos donde la ausencia de precedente equivale a descarte
Las herramientas actuales son valiosas para acelerar diligencia en mercados conocidos. El problema es institucional: si el proceso convierte la falta de precedente histórico en señal automática de rechazo, el portafolio expulsa exactamente lo que debería capturar.
Reencuadra la solución como diseño de proceso, no como adopción o rechazo de tecnología.
Claims
Tres cuartas partes de las firmas de capital de riesgo ya usan IA para evaluar oportunidades de inversión.
El financiamiento global de capital de riesgo llegó a aproximadamente 141 mil millones de dólares en el cuarto trimestre de 2025, un incremento del 12% respecto al trimestre anterior.
La IA representó más del 25% del capital de riesgo global en 2025, subiendo desde el 15% en 2024 y el 7% en 2023.
El gasto empresarial en IA generativa pasó de 11.500 millones de dólares en 2024 a 37.000 millones en 2025, según Menlo Ventures.
Dentro del gasto en aplicaciones de IA, las herramientas horizontales captaron 8.400 millones, las soluciones departamentales 7.300 millones y las verticales especializadas 3.500 millones.
Microsoft, Google y Amazon han comenzado a firmar acuerdos e inversiones vinculadas a generación nuclear.
Los modelos de lenguaje producen un sesgo de confirmación sofisticado que favorece apuestas con precedente y penaliza discontinuidades.
La concentración de capital en IA en 2025 está parcialmente impulsada por retroalimentación entre herramientas de análisis y flujo de capital, no solo por convicción genuina.
Decisiones y tradeoffs
Decisiones de negocio
- - Decidir qué peso asignar al análisis basado en IA dentro del proceso de diligencia de inversión.
- - Diseñar procesos institucionales que no conviertan la ausencia de precedente histórico en señal automática de descarte.
- - Evaluar si la concentración del portafolio en sectores con alta legibilidad analítica es una decisión estratégica o un artefacto del proceso.
- - Determinar en qué etapa del proceso de inversión el análisis de IA aporta valor diferencial versus dónde introduce sesgo.
- - Considerar inversión en categorías subrepresentadas por análisis histórico, como SMRs, donde la competencia es menor precisamente por el sesgo de las herramientas dominantes.
Tradeoffs
- - Usar IA para diligencia acelera el análisis de mercados conocidos pero puede sistematizar el rechazo de discontinuidades.
- - Portafolios más ordenados y documentados en el corto plazo versus retornos en la cola superior derecha en el largo plazo.
- - Seguir el patrón más legible disponible reduce riesgo de error individual pero aumenta competencia y comprime retornos.
- - Delegar análisis competitivo a herramientas de IA libera capacidad analítica humana pero puede desplazar el juicio hacia donde la herramienta ya tiene respuesta.
- - Invertir en sectores con historial negativo implica mayor riesgo de error pero menor competencia por el activo.
Patrones, tensiones y preguntas
Patrones de negocio
- - Retroalimentación entre herramientas de análisis y flujo de capital: los modelos hacen más legibles los sectores que ya son legibles, concentrando capital donde la señal es más clara.
- - Sesgo de confirmación institucionalizado: procesos bien documentados que sistemáticamente favorecen apuestas con precedente.
- - Timing como variable independiente del mérito tecnológico: tecnologías que fracasaron por contexto de demanda incorrecto pueden ser viables cuando el contexto cambia.
- - Asimetría competitiva por legibilidad analítica: donde los modelos no pueden medir bien, hay menos competencia por el activo.
- - Validación en cascada: cuando actores grandes como Microsoft o Google formalizan contratos en un sector, la señal de demanda se vuelve legible para herramientas de análisis que antes la ignoraban.
Tensiones centrales
- - Análisis retrospectivo versus apuesta prospectiva: la herramienta es mejor en lo que el proceso no puede permitirse priorizar.
- - Rigor documental versus imaginación: más documentación puede producir más sesgo si el corpus de referencia no incluye el futuro relevante.
- - Eficiencia de proceso versus calidad de selección: optimizar la diligencia puede degradar la función esencial de la clase de activos.
- - Señal clara versus retorno asimétrico: el capital que sigue señales claras compite con todos los que usan las mismas herramientas.
- - Historial negativo versus discontinuidad real: un corpus dominado por fracasos puede ocultar que las condiciones que produjeron esos fracasos ya no existen.
Preguntas abiertas
- - ¿Cómo pueden las firmas de VC diseñar procesos que usen IA para diligencia sin convertir la ausencia de precedente en criterio de descarte?
- - ¿Qué métricas permiten distinguir si la concentración en un sector refleja convicción genuina o retroalimentación entre herramientas de análisis y flujo de capital?
- - ¿En qué punto del ciclo de adopción de una tecnología el análisis histórico se vuelve más útil que distorsionador?
- - ¿Cómo se mide el costo de oportunidad de las inversiones no realizadas por sesgo de análisis histórico?
- - ¿Qué otras categorías tecnológicas están actualmente penalizadas por corpus históricos negativos a pesar de discontinuidades reales en economía de demanda?
- - ¿La sofisticación creciente de los modelos reduce o profundiza la asimetría entre sectores legibles e ilegibles para el análisis?
Valor de entrenamiento
Lo que un agente de negocios puede aprender
- - Cómo identificar cuándo una herramienta de análisis introduce sesgo estructural en lugar de reducir incertidumbre.
- - La diferencia entre análisis correcto del presente y análisis correcto para la decisión específica que se está tomando.
- - Cómo el diseño institucional de un proceso puede sistematizar sesgos que ningún analista individual introduciría conscientemente.
- - Por qué la asimetría competitiva puede estar en los sectores menos legibles para las herramientas dominantes, no en los más legibles.
- - Cómo distinguir tecnologías que fracasaron por mérito de tecnologías que fracasaron por timing, usando variables de contexto de demanda.
- - El patrón de retroalimentación entre herramientas de análisis y flujo de capital como señal de concentración potencialmente subóptima.
Cuándo este artículo es útil
- - Al evaluar si incorporar IA en procesos de diligencia de inversión o decisión estratégica.
- - Al analizar por qué un portafolio o pipeline de oportunidades parece sistemáticamente sesgado hacia cierto tipo de apuestas.
- - Al considerar inversión en sectores con historial negativo pero con posibles discontinuidades en economía de demanda.
- - Al diseñar o auditar procesos institucionales de evaluación de oportunidades.
- - Al interpretar datos de concentración de capital en un sector como señal de mercado versus artefacto de proceso.
Recomendado para
- - Inversores de capital de riesgo evaluando su stack de herramientas analíticas.
- - Directores de estrategia corporativa que usan IA para evaluación de mercados o M&A.
- - Fundadores que necesitan entender por qué su propuesta puede ser rechazada por razones de legibilidad analítica, no de mérito.
- - Diseñadores de procesos de innovación o evaluación de oportunidades en grandes organizaciones.
- - Analistas de política de innovación interesados en cómo las herramientas de análisis afectan la asignación de capital a nivel sistémico.
Relacionados
Analiza el punto ciego de la adopción empresarial de IA desde dentro de las organizaciones, complementando el argumento sobre cómo los reportes oficiales no capturan las distorsiones que introduce la herramienta.
Argumenta que el bucle humano no frena la IA sino que la hace posible, lo que conecta directamente con la tesis de que la imaginación y el juicio humano son variables no delegables en procesos de inversión.
Examina una categoría tecnológica emergente donde el lenguaje cambia antes que la realidad, ilustrando el tipo de discontinuidad que el análisis histórico tiende a penalizar.
Caso de startup de hardware en infraestructura de centros de datos, sector directamente vinculado a la demanda energética que el artículo identifica como driver de los SMRs.