Por qué la IA analiza bien el pasado pero el capital de riesgo apuesta al futuro
Tres cuartas partes de las firmas de capital de riesgo ya usan inteligencia artificial para evaluar oportunidades de inversión. El dato, por sí solo, suena a modernización inevitable. Pero hay una tensión estructural que ese porcentaje no captura: los modelos de lenguaje son extraordinariamente buenos haciendo exactamente lo que el capital de riesgo no puede permitirse hacer con demasiada frecuencia, que es mirar hacia atrás.
El capital de riesgo es, en su mecánica más básica, una apuesta sobre discontinuidades. No sobre mercados que se expanden de manera predecible, sino sobre momentos en que una tecnología o un comportamiento rompe con lo que los datos previos sugerían como probable. Introducir herramientas entrenadas en patrones históricos en ese proceso es útil hasta que deja de serlo, y la frontera entre ambos estados es más estrecha de lo que la mayoría de las firmas está reconociendo en voz alta.
El sesgo de confirmación más sofisticado que ha existido
Los grandes modelos de lenguaje generan respuestas identificando patrones en corpus masivos de texto. Eso los hace extraordinariamente capaces para tareas analíticas con contornos bien definidos: mapear competidores, identificar obstáculos regulatorios, resumir literatura técnica, señalar riesgos en un mercado conocido. Lo que no pueden hacer, por construcción, es reconocer el momento en que esos contornos están a punto de redibujar el mapa completo.
La historia del capital de riesgo está llena de ejemplos donde el análisis correcto del presente fue la razón por la que se perdió el futuro. Cuando Airbnb levantó sus primeras rondas en 2008, la tesis de que extraños pagarían por dormir en casas ajenas no era solo contraintuitiva; era directamente inconsistente con los datos disponibles sobre comportamiento del consumidor en ese momento. El análisis de sentimiento de esa época apuntaba en la dirección opuesta. Lo mismo ocurría con las primeras etapas de la web social: las encuestas dominantes de inicios de la década de 2000 mostraban que el principal freno al uso de internet era el miedo a la privacidad. Facebook fue construido, en parte, ignorando esa lectura.
Un sistema bien calibrado hubiera marcado ambas propuestas como de alto riesgo. Y habría tenido razón, desde la perspectiva del pasado. El problema no está en que el análisis fuera incorrecto; está en que era el análisis equivocado para esa decisión específica.
Aquí es donde el sesgo se vuelve difícil de detectar dentro de las firmas que han adoptado IA como parte estándar del proceso de diligencia. No se manifiesta como un error obvio. Se manifiesta como una serie de análisis muy bien documentados que sistemáticamente favorecen las apuestas que tienen precedente y desfavorecen las que no lo tienen. En el corto plazo, eso produce portafolios más ordenados. En el largo plazo, produce portafolios que no generan los retornos que justifican la clase de activos.
Lo que revela el flujo de capital hacia la IA en 2025
La concentración del capital de riesgo global en 2025 ilustra con precisión ese patrón. El financiamiento global de capital de riesgo llegó a aproximadamente 141 mil millones de dólares en el cuarto trimestre, un incremento del 12% respecto al trimestre anterior, convirtiendo a 2025 en el año más activo desde 2021. La inteligencia artificial representó más del 25% del capital de riesgo global ese año, subiendo desde el 15% en 2024 y el 7% en 2023. En el segmento empresarial, el gasto en IA generativa pasó de 11.500 millones de dólares en 2024 a 37.000 millones en 2025, según datos de Menlo Ventures.
Esos números describen una industria que, en parte, está apostando al futuro con convicción genuina. Pero también describen una industria que, en parte, está siguiendo el patrón más legible disponible. La IA es hoy el sector con más validación histórica reciente, con más citas en papel de investigación, con más flujo de noticias. Es, en términos prácticos, el mercado sobre el que más fácilmente puede producir análisis una herramienta de IA. El resultado es una retroalimentación que concentra capital donde la señal es más clara, que es exactamente el tipo de concentración que produce los retornos medianos más altos pero no necesariamente los retornos en la cola superior derecha.
La distribución dentro del segmento IA también merece atención. Menlo Ventures desglosa el gasto de 2025 entre 19.000 millones en la capa de aplicaciones y 18.000 millones en infraestructura. Dentro de las aplicaciones, las herramientas horizontales captaron 8.400 millones, las soluciones departamentales 7.300 millones y las verticales especializadas 3.500 millones. Esa granularidad sugiere que la apuesta ya no es sobre si la IA importa como categoría, sino sobre cuál capa de la cadena de valor capturará márgenes sostenibles. Esa es una pregunta mucho más fina, y es precisamente el tipo de pregunta donde el análisis bien ejecutado, con o sin IA, puede aportar valor diferencial.
Lo que no puede resolver el análisis histórico es identificar qué categorías que hoy no figuran en ningún dataset van a capturar la siguiente oleada. La energía nuclear modular es el ejemplo más claro en este momento.
Cuando la historia de fracasos oculta una discontinuidad real
Los registros sobre energía nuclear están llenos de advertencias. Tres Mile Island, Chernóbil, Fukushima. Décadas de intentos de comercialización fallidos. Plazos de construcción que se extendieron de años a décadas. Sobrecostos estructurales. Un sistema de análisis entrenado sobre ese corpus produciría, de manera completamente razonable, una evaluación de alto riesgo para cualquier startup que proponga reactores modulares pequeños como solución energética.
El problema es que los reactores modulares pequeños son técnica y económicamente distintos a las plantas nucleares de gran escala que generaron ese historial. Están diseñados para fabricación en serie y estandarización, no para construcción bespoke en cada sitio. Y el contexto de demanda ha cambiado de manera estructural: los centros de datos de IA requieren volúmenes de energía continua y predecible que las fuentes intermitentes no pueden satisfacer de manera económicamente eficiente a escala. Empresas como Microsoft, Google y Amazon ya han comenzado a firmar acuerdos y realizar inversiones vinculadas a generación nuclear, lo que indica que la señal de demanda existe y está siendo formalizada en contratos, no solo en declaraciones de intención.
Un modelo entrenado en el pasado nuclear probablemente vea riesgo acumulado. Un analista que entienda qué ha cambiado en la economía de la demanda energética puede ver una tecnología que llega al mercado en el momento en que el mercado finalmente la necesita. La diferencia entre esas dos lecturas no es optimismo versus pesimismo. Es la capacidad de identificar cuándo una variable externa ha reconfigurado el espacio de posibilidades de una tecnología que antes era inviable.
Esa capacidad no puede ser delegada a un sistema que no tiene acceso a la información sobre lo que todavía no ha ocurrido.
La imaginación no es un lujo analítico, es la variable que el modelo no puede importar
Lo que el capital de riesgo ha comprado históricamente no es análisis del mercado existente. Ha comprado la capacidad de imaginar mercados que aún no existen y de identificar a los equipos que pueden crearlos. Esa capacidad tiene componentes que no son delegables a sistemas de análisis de patrones históricos: la lectura de señales débiles, la capacidad de reconocer cuándo un comportamiento emergente está a punto de volverse masivo, la distinción entre un mercado que fracasó por mala ejecución y uno que fracasó porque el momento era incorrecto.
Nada de esto significa que las firmas deberían reducir su uso de IA en el proceso de inversión. Las herramientas actuales son genuinamente valiosas para acelerar la diligencia sobre mercados conocidos, presionar supuestos de modelo de negocio y estructurar el análisis competitivo. Usadas bien, hacen más riguroso el trabajo que los analistas ya estaban haciendo.
El riesgo no está en usar IA. Está en construir procesos donde la ausencia de precedente histórico se convierte automáticamente en señal de descarte. Ese diseño institucional expulsa del portafolio exactamente las oportunidades que el capital de riesgo debería estar mejor posicionado para capturar.
El capital que fluye a donde los modelos ya pueden medir bien está compitiendo con cada firma que usa los mismos modelos. El capital que fluye a donde los modelos todavía no pueden medir bien está compitiendo con mucho menos. Esa asimetría no desaparece porque la herramienta sea más sofisticada. Se profundiza.
