La apuesta de cinco billones: comprar pequeños negocios de servicios con agentes de IA

La cifra que abre esta conversación no es una historia de software, es una historia de jubilación. Según los datos de McKinsey sobre la transmisión de empresas, unos seis millones de pequeñas y medianas empresas estadounidenses cambiarán de manos en la próxima década, por un valor aproximado de cinco billones de dólares. McKinsey estima además que sin un plan de sucesión, seis millones de empresas podrían cerrar y doce millones de empleos desaparecerían. Elponente no lee esta ola como una amenaza vacía sobre el empleo, sino como una ocasión para cambiar cómo se hace realmente el trabajo de servicios.

Tres condiciones a la vez

Tres elementos tienen que darse a la vez para que aparezca un nuevo modelo de negocio. El primero es la transmisión: las despensas contables, de seguros y de gestión inmobiliaria creadas en los años ochenta y noventa casi nunca tienen plan de sucesión, los hijos no quieren el negocio y los empleados no quieren dirigirlo. El segundo es que la IA se haya vuelto realmente competente en esas tareas diarias: pasar cifras de un PDF a una hoja de cálculo, reclamar a un cliente por tercera vez un documento que falta, escribir cincuenta veces por semana una actualización parecida. El tercero es la valoración: una empresa de servicios funciona con un 5-10 % de margen, y los compradores la han valorado así desde hace décadas. Lo nuevo, según el ponente, es que el tercero acaba de dejar de ser cierto.

Lo que produce el resultado final es precisamente esa tercera condición. Los ingresos se mantienen, porque los clientes son los mismos y las facturas también. Los costes bajan, porque los agentes hacen buena parte del trabajo. La tabla que dibuja el ponente lleva el margen desde una franja del 5-10 % a otra del 30-40 %, con el mismo negocio ganando tres o cuatro veces más beneficio. Lo atractivo es que no hay que cambiar nada en el lado de los ingresos. El riesgo está en el mismo sitio: la expansión del margen solo cuenta si el coste de producción baja de verdad.

Qué están haciendo los grandes fondos

General Catalyst fue de los primeros. El Wall Street Journal informaba a finales de 2024 de que el fondo había reunido mil quinientos millones de dólares para una estrategia de comprar empresas de servicios y transformarlas con IA, y el enfoque de ese artículo subraya que no se trata de un roll-up de capital riesgo clásico. La propia escritura de General Catalyst sobre Europa traza la misma línea, al señalar que el fondo añade deliberadamente costes de construcción tecnológica y de plataforma en vez de extraerlos. Las compañías de la cartera abarcan contabilidad, atención al cliente, servicios legales, gestión de TI, gestión inmobiliaria y, en Reino Unido, agencias de alquiler. Lo que emerge es una estrategia repartida por una cadena de servicios fragmentada e intensiva en mano de obra, más que una apuesta por un solo sector. Long Lake, una plataforma de gestión inmobiliaria, afirma haber comprado dieciocho empresas y alcanzado cien millones de dólares de EBITDA en menos de dos años, algo que Capital & Clarity califica de inusual bajo cualquier criterio. Crescendo sostiene que la IA resuelve en torno al noventa por ciento de los tickets de primera línea, factura por ticket resuelto en lugar de por hora y opera con márgenes cuatro veces superiores a los de un centro de contacto tradicional. Titan, incubada por General Catalyst, levantó setenta y cuatro millones de dólares en 2025 y su primera operación fue un proveedor de servicios informáticos para el sector financiero. Dwelly, que agrupa agencias de alquiler en Reino Unido, cerró una ronda de sesenta y nueve millones de libras. Todas esas cifras son declaradas por las propias compañías. Capital & Clarity añade la advertencia que más importa: el riesgo de integración se acumula con la velocidad de compra, la mayor compañía de la cartera tiene menos de tres años y ninguna ha pasado por una recession. El estudio de Menlo Ventures sobre el gasto empresarial en IA muestra que el terreno está preparado de verdad, con un gasto que pasa de 1700 millones de dólares en 2023 a 37 mil millones en 2025, el seis por ciento del mercado del software y un crecimiento de 3,2 veces interanual.

Thrive avanza más rápido y con otra estructura. Thrive Holdings, surgida de Thrive Capital de Josh Kushner, constituyó en 2025 un vehículo de mil millones de dólares de sus propios fondos y anunció una alliance con OpenAI en diciembre de ese año. El anuncio de OpenAI indica que desplegará equipos de investigación, producto e ingeniería dentro de las compañías de la cartera, empezando por la contabilidad y los servicios informáticos. La declaración de Thrive Holdings habla de una captación superior a dos mil millones de dólares a una valoración de doce mil millones, con SoftBank, D1 Capital y Altimeter, más de setenta negocios en sus plataformas, y parte del dinero dirigido a una nueva plataforma para el trabajo regulatorio de la infraestructura física. El reparto de plataformas que recoge TechCrunch merece anotarse: Current, el brazo de contabilidad, cubre más de cincuenta firmas y más de dos mil profesionales, mientras que Shield, el brazo informático, se apoya en una quincena de sociedades. El capital no va a un solo sector, sino a dos capas operativas a la vez.

Un resultado medido en campaña de impuestos

El resultado más concreto llegó del lado de la contabilidad. Tax AI, desarrollado conjuntamente por OpenAI y Thrive Holdings, procesó siete mil declaraciones en esta campaña fiscal, las preparó con una precisión de hasta el noventa y siete por ciento, ahorró a los profesionales alrededor de un tercio de su tiempo de preparación y elevó el volumen atendido casi a la mitad. La nota técnica de OpenAI también mide cómo el sistema mejora solo: al arrancar, solo una cuarta parte de las declaraciones alcanzaba el 75 % de campos correctamente completados, y en seis semanas esa proporción llegó al 86 %. El sistema empezó por formularios sencillos como W-2 y 1099 y, a medida que avanzaba la temporada, entró en formularios K-1 y casos de rentas por alquiler, mucho más difíciles de extraer.

Solo la introducción de datos podía llevar ocho horas en una declaración de complejidad media o alta, y es el dato más revelador sobre de dónde viene la ganancia. El ponente describe a quienes preparaban declaraciones pasando a revisarlas, con el trabajo que deja al humano cambiando más que desapareciendo. El cuadro tiene dos caras. Thomson Reuters comprobó en 2026 que el 74 % de los profesionales usa herramientas de IA cada semana, mientras el 91 % considera que su organización entrega menos de lo que la tecnología permitiría. El trabajo está cambiando; las afirmaciones sobre márgenes aún no han pasado una auditoría independiente.

La versión de una sola persona

Aquí está la afirmación central: el modelo no está reservado a los fondos de miles de millones. Un fundador independiente trabaja en el segmento que esos fondos ignoran, porque los grandes fondos están construidos en torno a objetivos de tamaño medio y expectativas de ingresos de siete cifras. En la versión de una sola persona, el entrepreneur reúne tres ventajas a la vez: acceso a los mismos modelos y herramientas que usan los fondos, la capacidad de hacer él mismo la integración, y el hecho de que un propietario que ha dedicado cuarenta años a su obra se preocupa de quién la herede. Proprietarios que nunca venderían a un fondo de capital riesgo pueden vender a una persona, y la competencia no viene del fondo, porque vive en otra capa. El coste es que una sola persona asume la responsabilidad operativa de varios negocios y debe evitar que las nuevas incorporaciones rompan el sistema.

El entrepreneur convierte después la idea en una estructura concreta. Arriba está una holding que posee los negocios; debajo, unas pocas empresas con su propio gerente general cada una; abajo del todo, una capa compartida que usan todas. El punto que el ponente subraya es que esa capa ya existe cuando llega la segunda empresa y se asienta más con la tercera: agentes, reglas, back office y paneles se construyen una sola vez. El gerente general suele ser el contable sénior que lleva quince años en la casa y conoce a todos los clientes, y la participación que se le da es el precio real de mantener viva una relación comercial de veinte años.

Carpetas, reglas y registro de correcciones

La estructura de carpetas es la parte del modelo que el ponente considera más útil. Una carpeta de tesis deja por escrito en qué sector se entra y por qué, para que una decisión tomada con entusiasmo no sea defendible después. La carpeta compartida guarda los archivos de los agentes, las reglas globales, ejemplos reales de trabajo aceptado y los procedimientos para lo que se repite más de una vez. Cada empresa tiene su carpeta con sus clientes, su gente y sus reglas locales: un cliente que quiere los informes el día tres en lugar del primero porque lo pidió en 2011 es exactamente el tipo de detalle que pertenece ahí, porque es la acumulación de lo que ha aprendido esa oficina. El archivo más importante es el registro de correcciones. Cada cambio que una persona hace en la salida de un agente se anota allí, las correcciones repetidas se convierten en reglas, y cada regla aprobada se convierte en una prueba con la entrada real de ese trabajo y la salida aceptada. El ponente engancha ese bucle a un ritmo semanal y considera esa hora la más importante de la semana, porque después de unos cientos de trabajos la lista de reglas es lo único que el modelo posee de verdad: cualquiera puede usar los mismos modelos, pero nadie más conoce todas las formas en que este tipo de negocio se equivoca. El enfoque coincide además con el lenguaje de infraestructura de evaluación que usan los ingenieros, donde los fallos de producción se convierten en evaluaciones dirigidas y el sistema se corrige solo.

El trabajo avanza después por una línea de tres etapas. El primer agente recibe el trabajo, reúne los documentos y reclama lo que falta. El segundo hace el trabajo: clasificar transacciones, preparar un cierre mensual. El tercero revisa el borrador contra las reglas y lo devuelve si algo no cuadra. La regla en la que el ponente insiste es que el revisor puede bloquear pero nunca enviar, y que el preparador tampoco puede enviar. Nada llega a un cliente sin aprobación humana, y cada archivo de agente se lee como una descripción de puesto en lenguaje llano que dice lo que no debe hacer. Es la decisión de diseño que más reduce el riesgo de todo el modelo.

El ritmo semanal y la primera operación

El sistema tiene un ritmo semanal. El lunes se revisan cinco cifras por empresa: margen, minutos humanos por trabajo, frecuencia con que hay que corregir los borradores de los agentes, retención de clientes y y si las personas clave están felices y se quedan. El martes se habla por separado con cada gerente general. El miércoles llega la hora que cuenta, en la que se revisa cada corrección que una persona hizo en trabajo de agente, las repetidas se convierten en reglas y cada regla aprobada se escribe como una prueba con su entrada real y su salida aceptada. El jueves y el viernes van a buscar el siguiente negocio: un café con propietarios, aprender un sector. La primera compra no se encuentra buscando una inversión, sino vendiendo antes un servicio.

El camino hacia el primer negocio empieza eligiendo un solo sector, por ejemplo la contabilidad, y haciendo con agentes el trabajo más painful: limpiar el cierre de mes de los clientes más desordenados, o reclamar documentos que faltan. Al hacer ese trabajo se aprende cómo funciona el sector por dentro y se conoce a sus propietarios. Seis, nueve o doce meses después, uno de ellos estará listo para retirarse y tú serás la persona más evidente para heredarlo. La idea que esta sección nombra es la multimprensión: no hacer crecer una sola empresa, sino operar varias sobre una capa compartida. El ponente lleva años gestionando su propia holding así, y la calidad del gerente general es lo que decide si el sistema funciona.

Las objeciones

El ponente les concede terreno a las objeciones. La primera es que los roll-ups fracasan y que esto es capital riesgo con una pegatina de IA; el artículo del Wall Street Journal sobre General Catalyst hace la misma constatación desde el otro lado. Los roll-ups efectivamente fracasan, y por razones conocidas: pagar de más, comprar más rápido de lo que se sabe integrar, dejar que se rompa la cultura. La IA no corrige nada de eso por sí sola. Su respuesta es que la versión de una sola persona compra despacio, hace ella misma la primera integración y valora el negocio por lo que produce hoy en lugar de pagar al vendedor una mejora de margen que todavía no existe. La segunda objeción es que cuando todos usen IA, la competencia se comerá los márgenes. Sí, probablemente a largo plazo, pero hay una ventana entre la caída de tus costes y que los precios del sector se ajusten, y en varios de estos sectores esa ventana se cuenta en años. Lo que retiene a los clientes, relaciones de veinte años y una lista privada de reglas sobre cómo se hace el trabajo, es más difícil de copiar de lo que parece. La tercera objeción es que son negocios regulados y de alto riesgo, donde hace falta una persona revisando todo, así que no hay ahorro. Sí lo hay: revisar un borrador lleva mucho menos tiempo que producerlo desde cero.

La objeción que el ponente se toma más en serio es que a la gente no le gusta el cambio y que el personal se irá. Algo se irá, y por eso durante los primeros treinta días no cambia nada visible para los clientes, por eso los agentes trabajan entre bastidores antes de tocar nada real, y por eso quien conoce a todos los clientes se convierte en gerente general con una parte real de la ganancia. La última objeción es que esto es una forma bonita de decir despidos. Su respuesta es que los puestos pasan de hacer el trabajo a revisarlo y que cada persona atiende a más clientes, y tiene cuidado de no afirmar lo contrario: habrá quien no logre la transición, y espera que algunos de esos puestos desaparezcan. Concluye que hay riesgos reales, pero que ninguno ha cambiado el tamaño de la oportunidad que ve.