El 70% de las startups de IA en India no pasan el filtro más básico del mercado
A mediados de marzo de 2026, Google y Accel publicaron los resultados de uno de los procesos de selección más competidos del año en el ecosistema de inteligencia artificial: más de 4,000 solicitudes para cinco lugares en su programa Atoms AI Cohort 2026. Las cinco startups seleccionadas —Dodge AI, K-Dense, LevelPlane, Persistence Labs y Zingroll— recibirán hasta dos millones de dólares en co-inversión más 350,000 dólares adicionales en créditos de cómputo de Google Cloud, Gemini y DeepMind. El programa, lanzado oficialmente el 11 de marzo en Bengaluru, concluye en junio con una visita a Mountain View para acceder a líderes de IA e inversores globales.
Pero el dato que realmente importa no está en los cinco elegidos. Está en los 3,995 que no lo fueron.
Según Prayank Swaroop, socio de Accel, aproximadamente el 70% de las propuestas vinculadas a India fueron descartadas por ser "wrappers": capas superficiales construidas sobre modelos existentes de lenguaje sin ninguna innovación propietaria debajo. Y el 62% de todas las presentaciones apuntaba a herramientas de productividad; el 13% adicional, a desarrollo de software. Tres de cada cuatro ideas intentaban vender software empresarial construido encima de infraestructura ajena.
Cuando construir sobre lo ajeno se convierte en una trampa cognitiva
Hay una lógica comprensible detrás de la proliferación de wrappers. Cuando una tecnología se democratiza de golpe —como ocurrió con los grandes modelos de lenguaje entre 2023 y 2025— el primer instinto de muchos fundadores es reducir la fricción de entrada al máximo: tomar lo que ya existe, añadir una interfaz más amable o una integración vertical específica, y llamarlo producto. Desde afuera, parece una decisión racional. Desde adentro, es una decisión impulsada por el magnetismo de la velocidad y el miedo al esfuerzo técnico profundo.
El problema no es moral. No hay nada malo en querer lanzar rápido. El problema es estructural: cuando el diferenciador de tu startup vive dentro del modelo de otra empresa, ese diferenciador puede desaparecer en la próxima actualización. Google, OpenAI o Anthropic no necesitan preguntarte permiso para hacer que tu capa adicional quede obsoleta. Lo que un fundador percibe como una ventaja competitiva —conocer bien un caso de uso, diseñar una interfaz superior— es exactamente el tipo de feature que los proveedores de modelos incorporan de forma nativa con cada nueva versión.
Lo que revela la tasa de rechazo del 70% no es que los fundadores indios sean menos capaces. Revela que el magnetismo de construir rápido venció al empuje real de un problema sin resolver. La mayoría de esas 2,800 startups descartadas no surgieron de una frustración genuina con los límites de la tecnología actual. Surgieron de la observación de que «la IA está de moda» y de la inferencia de que cualquier producto etiquetado como IA atraería capital. Esa es la diferencia entre un negocio traccionado por la demanda y uno traccionado por la narrativa del mercado.
Lo que los cinco elegidos revelan sobre la arquitectura del valor
No tengo acceso a los detalles técnicos de las cinco startups seleccionadas, pero la descripción del proceso de selección es suficientemente elocuente. Accel y Google filtraron explícitamente en favor de modelos propietarios, infraestructura propia y orquestación de agentes, no de interfaces construidas sobre APIs de terceros. La frase de Jonathan Silber, co-fundador y director del AI Futures Fund de Google, lo sintetiza sin ambigüedad: el programa busca startups que «resuelvan problemas difíciles más rápido y de forma más responsable» con acceso anticipado a los modelos más avanzados.
Eso no es filantropía tecnológica. Es una señal de mercado muy específica.
Cuando Google decide co-invertir hasta dos millones de dólares por startup y además ofrecer acceso anticipado a Gemini y DeepMind —sin exigir exclusividad de modelos— está apostando por fundadores que van a generar datos de uso que Google no puede generar internamente. Las cinco startups seleccionadas son, en la práctica, laboratorios de validación real para los modelos más avanzados de Google. La inversión tiene un retorno que va más allá del capital: es retroalimentación de alto valor sobre cómo sus modelos se comportan en aplicaciones de manufactura, ciencias de la vida, sistemas ERP. Esos son entornos donde los errores cuestan dinero real, no solo reputación.
Este esquema también revela algo sobre la economía del riesgo temprano: al transformar créditos de cómputo en capital funcional, Accel y Google están convirtiendo costos fijos de infraestructura —que normalmente aplastan a una startup pre-semilla— en algo que se consume solo cuando hay tracción. Es una forma de blindar la etapa más frágil del ciclo sin requerir que el fundador tenga ingresos antes de acceder a los recursos.
La señal que los líderes empresariales deberían leer en este rechazo masivo
El sector empresarial en India —y en buena parte del mundo— está reproduciendo en sus departamentos de innovación interna exactamente el mismo error que cometieron esos 2,800 fundadores rechazados. La tentación de «integrar IA» comprando una suscripción a un modelo de lenguaje y construir un chatbot sobre él es el equivalente corporativo de un wrapper: genera la narrativa de modernización sin construir ningún activo diferenciador propio.
Swaroop mencionó algo que merece atención directa: quería ver más propuestas en salud y educación, y casi no las hubo. El 75% de las ideas se concentró en software empresarial porque ese es el terreno donde la narrativa de «eficiencia con IA» tiene el camino más corto hacia una conversación de ventas. Pero la eficiencia operativa construida sobre modelos de terceros tiene una vida útil cada vez más corta. Lo que un proveedor externo puede replicar en doce meses no es un activo; es un alquiler.
Los líderes que hoy están evaluando cómo posicionar a sus organizaciones en la próxima fase de la inteligencia artificial enfrentan la misma elección que esos fundadores. La diferencia es que una startup puede pivotar en seis semanas. Una organización de 5,000 personas tarda mucho más en corregir una apuesta mal hecha.
La pregunta que deberían estar haciéndose —aunque pocas juntas directivas la formulan con esta crudeza— es si su estrategia de IA está construyendo algo que les pertenece o simplemente está arrendando capacidades que otro controla. El rechazo del 70% en Atoms no es una estadística del ecosistema emprendedor indio. Es un diagnóstico de la lógica con la que demasiados actores, de todos los tamaños, están tomando decisiones de inversión tecnológica.
El activo más ignorado en una estrategia de adopción tecnológica
Tras analizar este proceso de selección, lo que más me llama la atención no es el rigor del filtro de Accel y Google. Es la brecha entre lo que los fundadores perciben como valor y lo que el mercado de capital premia como valor.
Un fundador que construye un wrapper lo hace porque reduce su ansiedad de ejecución: menos tiempo de desarrollo, menos riesgo técnico, prototipo funcional en semanas. Esa reducción de ansiedad propia tiene un costo que se paga más tarde: la ansiedad que le genera a su potencial inversor cuando evalúa la defensibilidad del modelo. Lo que se ahorra en fricción de construcción se paga en fricción de financiamiento.
Esta mecánica opera igual dentro de las organizaciones. Cuando un equipo de tecnología propone una solución de IA que en realidad es una integración superficial de un modelo externo, reduce la ansiedad de los ejecutivos a corto plazo —se ve como progreso, se puede mostrar en un tablero— pero acumula una deuda estratégica que nadie contabiliza en el presupuesto.
Los líderes que saldrán mejor posicionados de este ciclo no serán los que invirtieron más en hacer que sus productos y procesos parecieran modernos con IA. Serán los que tuvieron la disciplina de identificar dónde vivía la fricción real de sus usuarios y clientes, y construyeron algo propio para eliminarla, aunque eso tomara más tiempo y más capital que comprar una API y rodearla de interfaz.
