IA, infraestructura de software, servicios empresariales y de información: Goldman Sachs: la IA está pasando de herramientas de asistencia a la ejecución de flujos de trabajo, y un mayor valor se acumula en los datos, el control de flujos de trabajo y la infraestructura de agentes

Visión general

Esta nota de la tercera gira anual de campo sobre IA en Silicon Valley recopila perspectivas de startups, capital de riesgo y academia. La conclusión principal de Goldman Sachs es que el valor comercial de la IA está pasando de la recuperación de información y las funciones de asistente hacia una ejecución de flujos de trabajo verificable y responsable; las plataformas mejor posicionadas combinarán información propietaria, conocimiento sectorial, contexto del cliente, capacidades de distribución y autoridad para actuar.

Perspectivas principales

Goldman Sachs realizó su tercera gira anual de campo sobre IA en Silicon Valley los días 18 y 19 de agosto, con participantes que incluyeron empresas de IA, firmas de capital de riesgo e investigadores de la Universidad de Stanford, la Universidad de California en Berkeley y UCSF. La gira reforzó su visión de que las capacidades de los modelos siguen mejorando, los agentes están pasando de asistir a los humanos a completar flujos de trabajo, y la monetización se expandirá de los precios por usuario a cobros por uso de datos, transacciones, tareas completadas, resultados y uso de agentes. El informe sostiene que las empresas de IA más sólidas deberían poseer datos propietarios, experiencia de dominio, contexto del cliente, control del flujo de trabajo, canales de distribución, mecanismos de verificación y permiso para ejecutar acciones. Para los servicios empresariales y de información, el informe considera que la IA aumentará la utilidad de los activos de información diferenciados: la IA facilita recuperar, conectar y aplicar datos a las decisiones de los clientes, pero los grandes conjuntos de datos por sí solos no constituyen una barrera competitiva. Las plataformas líderes también requieren contenido autorizado, modelos validados, taxonomías especializadas, contexto del cliente y expertos que comprendan cómo se utiliza la información para proporcionar resultados más precisos y verificables en análisis financiero, derecho, seguros, gestión de riesgos, atención sanitaria y otros ámbitos. Las empresas que históricamente monetizaban mediante suscripciones, informes y servicios intensivos en mano de obra pueden utilizar agentes para organizar, analizar, supervisar y actuar sobre información no estructurada, evolucionando de simples proveedores de información a los "sistemas operativos" de industrias intensivas en conocimiento y capturando una mayor proporción del gasto de los clientes en servicios profesionales. El informe señala además que el análisis financiero, la investigación jurídica, la suscripción de seguros y la investigación de mercado contienen muchos procesos de trabajo profesional de alto coste. Codificar las partes estructuradas en agentes reutilizables puede tanto acelerar el trabajo existente como comercializar tareas que antes no eran económicamente viables; unos menores costes de prestación también pueden mejorar la accesibilidad del servicio, la frecuencia de uso y el rango de preguntas que los clientes están dispuestos a formular. El modelo más adecuado consiste en automatizar los pasos estandarizados mientras se conservan las previsiones, las decisiones relevantes y la gestión de excepciones para el juicio experto. A medida que los agentes completan más tareas de forma independiente y cada profesional puede supervisar más actividad, los precios por usuario se alinean menos con el valor para el cliente; las plataformas pueden cobrar en cambio por consumo incremental de datos, análisis completados, documentos procesados, transacciones y uso de agentes. Daloopa indicó que el consumo de datos en algunos flujos de trabajo integrados de agentes ha aumentado aproximadamente 100x; Clio cuenta con ingresos por suscripciones, pagos y otras transacciones, mientras que Moody's ha comenzado a cobrar tarifas de suscripción incrementales por acceso MCP y tarifas separadas por uso de agentes. En el panorama competitivo, las plataformas establecidas cuentan con ventajas derivadas de marcas de confianza, distribución integrada, contexto acumulado de clientes y acceso a sistemas donde residen registros, transacciones, pagos y activadores de acción; estas capacidades reducen la necesidad de que los clientes muevan información entre sistemas. Las empresas nativas de IA aún pueden ganar cuota mediante productos sustancialmente superiores, flujos de trabajo especializados o infraestructura difícil de replicar. Por ejemplo, Corgi combina IA, licencias de seguros, capital regulatorio y control sobre suscripción y siniestros, mientras que Harvey combina experiencia jurídica, agentes específicos de flujos de trabajo y capacidades de evaluación. En contraste, los proveedores con datos comoditizados, integración superficial del flujo de trabajo o modelos de negocio que dependen principalmente de mano de obra humana y precios por número de usuarios son más vulnerables. Goldman Sachs enfatiza que la entrada de la IA empresarial en producción depende de que los resultados sean verificables, las acciones erróneas sean reversibles y la rendición de cuentas sea clara; los datos vinculados a fuentes, las pistas de auditoría, los umbrales de confianza, las evaluaciones independientes y la revisión humana dirigida pueden reducir las cargas de supervisión sin eliminar la responsabilidad. Sobre la división del trabajo entre los modelos de código abierto y los modelos de frontera, el informe rechaza una visión excluyente. El grupo partidario de los modelos de frontera sostiene que los benchmarks empresariales no capturan plenamente los saltos reales de capacidad y que, en producción, la pérdida de precisión puede no justificar el ahorro de costes del modelo; por tanto, algunas aplicaciones nativas de IA siguen dependiendo principalmente de proveedores de frontera incluso mientras discuten la diversificación de modelos. Por otro lado, participantes del sector creen que la mayoría de los flujos de trabajo empresariales no requieren inteligencia de nivel frontera; un capitalista de riesgo estima que aproximadamente el 90% de los tokens fluirán hacia modelos de código abierto dentro de 12 a 18 meses. La presión sobre precios, límites de uso más altos y la reducción del consumo de modelos de frontera por parte de los clientes también indican que la competencia se ha desplazado hacia la economía. La visión general del informe es que los modelos de frontera retendrán las cargas de trabajo de mayor valor y más sensibles a la fiabilidad, mientras que los modelos de código abierto gestionarán la mayor parte del volumen de uso. Los proveedores independientes de software como Microsoft, Cloudflare, Databricks y Vercel pueden captar valor ayudando a las empresas a orquestar diferentes modelos mientras mantienen privado el contenido. El informe también considera que los modelos del mundo pueden representar el próximo cambio de plataforma de IA, potencialmente mayor que los grandes modelos de lenguaje. La investigación está pasando de la simple predicción del siguiente token al modelado de entornos, relaciones causales, leyes físicas e interacciones del mundo real; la barrera competitiva también podría desplazarse de datos compartidos a escala de internet hacia datos propietarios estrechamente vinculados a sistemas físicos, industrias y entornos operativos. Los sistemas físicos, industriales, científicos y robóticos representan un espacio de problemas mayor que la generación de texto, y muchas cargas de trabajo son más intensivas en computación. La demanda de tokens de los modelos del mundo se sumará a la previsión de Goldman Sachs de que la computación empresarial soportará 24x más tokens durante los próximos cinco años, lo que potencialmente mantendrá ajustadas por más tiempo las condiciones de oferta y demanda de computación y beneficiará a Microsoft, Oracle y CoreWeave. La diferenciación duradera en la capa de software provendrá del contexto del flujo de trabajo, más que de los datos por sí solos. Las capas simples de envoltura de IA son las más vulnerables a medida que mejoran los modelos; las plataformas horizontales, aunque se benefician de la escala, también enfrentan competencia de funcionalidades. El informe otorga mayor valor al software nativo de flujos de trabajo que combina experiencia sectorial, procesos integrados y contexto propietario que genera, estructura y enriquece datos continuamente. A medida que el desarrollo de software se vuelve más rápido y barato, este contexto puede convertirse en una de las pocas fuentes de diferenciación defendibles que quedan; el informe cita a Shopify y Samsara como ejemplos de cómo una base instalada de clientes o una huella de activos conectados puede generar continuamente el contexto operativo necesario para una IA diferenciada. Los agentes también se convertirán en un nuevo canal de adquisición de clientes: el software debe ser detectable, invocable y utilizable por agentes que actúen en nombre de los usuarios. La visión de Vercel indica que los bloques básicos de internet están pasando de usuarios y aplicaciones a agentes y tokens, y que la infraestructura ya no está optimizada únicamente para la interacción humana. Vercel y ClickHouse señalan que los agentes generarán más solicitudes, ejecutarán más acciones y decisiones y conectarán más sistemas, desplazando los cuellos de botella del desarrollo de aplicaciones hacia la infraestructura que sustenta la ejecución autónoma; está aumentando la importancia de las bases de datos en tiempo real, la computación de baja latencia, las canalizaciones de datos escalables y los sistemas distribuidos globalmente. La ciberseguridad es otro beneficiario importante. La IA ampliará la superficie de ataque de forma similar a anteriores cambios de plataforma, como internet y la nube, e incrementará la frecuencia y complejidad de los ataques a medida que los modelos de código abierto mejoren las capacidades de los atacantes, lo que potencialmente impulsará inversión a corto plazo en parcheado, gestión de higiene, procesos de personal y pruebas de productos. En un escenario a largo plazo, los defensores que logren una visibilidad casi completa de sus entornos podrían identificar antes el comportamiento anómalo de los atacantes. La IA también puede aliviar la escasez de talento en ciberseguridad y la fragmentación de proveedores, especialmente en operaciones de seguridad: la modernización basada en almacenamiento de datos SIEM, remediación continua, sistemas automatizados correctamente configurados y herramientas nativas de agentes que puedan razonar sobre los datos, ejecutar controles y actuar podrían representar oportunidades. Los ejemplos de empresas respaldan la lógica anterior. Daloopa sirve a la investigación, el mantenimiento de modelos de valoración y el análisis de resultados mediante la extracción, estandarización y validación de partidas de estados financieros, KPI, previsiones y ajustes no GAAP de presentaciones regulatorias, materiales de resultados y otras divulgaciones, con cada punto de datos vinculado a su fuente original. Su equipo de verificación de aproximadamente 400 personas, su canalización de datos propietaria y sus procesos operativos estructurados están diseñados para cumplir requisitos de precisión y puntualidad; la empresa libera como código abierto agentes estandarizados y capacidades analíticas, mientras mantiene propietaria su infraestructura de extracción, estandarización y verificación de datos, y utiliza un grafo de conocimiento actualizado continuamente para preservar memoria de investigación comprobable, reducir la generación repetida y limitar las alucinaciones. Divergent demostró cómo la IA vertical puede integrar todo el flujo de trabajo de diseño a producción: su DAPS conecta software de ingeniería de IA, fabricación aditiva y ensamblaje automatizado; antes de que los ingenieros seleccionen un enfoque, el software evalúa cientos de alternativas estructurales, y la integración de su software, la impresora Model One, los procesos de fabricación y las operaciones de fábrica permite que los datos de producción retroalimenten las decisiones de diseño y fabricación. La empresa indicó que la inversión en esta columna vertebral de software compartida ha superado $1 billion.

Marco de análisis

Basado en dos días de demostraciones de empresas, entrevistas con capitalistas de riesgo e intercambios de investigación universitaria, el informe primero sintetiza tendencias comunes en modelos, agentes y monetización, y luego analiza por separado la transmisión de valor entre servicios empresariales y de información, software, computación, IA física y ciberseguridad. Su análisis se centra en cómo los datos, los flujos de trabajo, la verificación y las capacidades de distribución configuran las barreras competitivas, utilizando casos como Daloopa y Divergent para ilustrar los mecanismos.

Notas metodológicas

• Marco de competencia y estrategiaAnálisis de la cadena de valor

  Asignación de valor de la IA entre modelos, datos, aplicaciones, flujos de trabajo, infraestructura y capas de seguridad

  El informe compara las fuentes de valor entre diferentes capas de la pila de IA, argumentando que los modelos o los datos por sí solos son insuficientes para asegurar una ventaja; las plataformas que controlan los flujos de trabajo de los clientes, verifican los resultados y están integradas en los pasos de acción tienen más probabilidades de captar valor duradero.

• Marco de análisis industrialTransmisión de la cadena industrial ascendente, intermedia y descendente

  Transmisión de las capacidades de los modelos y del crecimiento de tokens hacia software, infraestructura de computación, IA física y ciberseguridad

  El informe vincula la mejora de los modelos y el mayor uso de agentes con cambios en la demanda de datos en tiempo real, computación de baja latencia, canalizaciones de datos, operaciones de seguridad y computación para sistemas físicos.

• Marco de competencia y estrategiaBarrera competitiva/ventaja competitiva

  Los datos propietarios, la experiencia de dominio, el contexto del cliente, la verificación y el control del flujo de trabajo crean barreras competitivas de IA

  El informe utiliza esta lógica para distinguir entre plataformas establecidas, empresas nativas de IA y capas simples de envoltura o proveedores de datos comoditizados vulnerables.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• Servicios empresariales y de información (IRM, MCO, MSCI, SPGI, TRI)

  El informe identifica esta área como una preferida entre los beneficiarios de la IA, argumentando que los datos diferenciados, la experiencia sectorial y los flujos de trabajo integrados pueden ampliar la proporción del gasto de los clientes.

  Fortalezas

  Activos de datos fiables y actualizados continuamente, experiencia especializada, contexto del cliente, capacidades de verificación e integración de flujos de trabajo.

  Comparación

  En comparación con proveedores que ofrecen solo datos comoditizados o integración superficial, estas empresas tienen una mayor oportunidad de crear flujos de trabajo sectoriales verificables y ejecutables.

  Riesgos

  El posicionamiento competitivo puede verse presionado si los datos se comoditizan, la integración de flujos de trabajo es insuficiente o los modelos de negocio dependen principalmente de mano de obra humana y recuentos de usuarios.

• Software (MSFT, MDB, RBRK)

  El informe identifica esta área como una preferida entre los beneficiarios de la IA; Microsoft también se considera un beneficiario potencial si los modelos del mundo generan una mayor prolongación de la escasez de computación.

  Fortalezas

  Pueden ayudar a las empresas a orquestar diferentes modelos, mantener privado el contenido y captar la demanda de infraestructura y software impulsada por agentes.

  Comparación

  En comparación con las capas simples de envoltura de IA, las plataformas con distribución empresarial, flujos de trabajo y capacidades de infraestructura son más defendibles.

  Riesgos

  La rápida mejora de las capacidades de los modelos puede intensificar la competencia de funcionalidades y alterar la asignación de valor entre las capas de software.

• Ciberseguridad (CRWD, NET, PANW)

  El informe reitera perspectivas constructivas a largo plazo sobre estas empresas, considerando que la IA ampliará la demanda de seguridad.

  Fortalezas

  Las operaciones de seguridad pueden beneficiarse de la automatización, la remediación continua, la integración de datos y el razonamiento y las acciones de agentes basados en datos SIEM.

  Comparación

  El informe considera que los proveedores de seguridad con capacidades establecidas pueden recibir beneficios desproporcionados de la inversión en seguridad impulsada por la IA.

  Riesgos

  La IA también incrementará la frecuencia y complejidad de los ataques y ampliará la superficie de ataque empresarial.

• SNOW

  El informe reitera una perspectiva constructiva a largo plazo y la sitúa en el contexto de una demanda creciente de datos e infraestructura para IA.

Datos clave

• Fechas de la gira de campo sobre IA en Silicon Valley18-19 de agosto de 2026La tercera gira anual de campo sobre IA en Silicon Valley de Goldman Sachs.
• Perspectiva sobre la cuota de tokens de modelos de código abiertoAproximadamente 90%Un capitalista de riesgo considera que la mayoría de los tokens podrían fluir hacia modelos de código abierto en aproximadamente 12 a 18 meses.
• Previsión de demanda de tokens de computación empresarialSoporte para 24x más tokens durante los próximos 5 añosEl informe considera que la demanda de modelos del mundo se añadirá a esta previsión de computación empresarial.
• Consumo de datos de Daloopa en flujos de trabajo integradosAumento de aproximadamente 100xLa empresa indicó que el consumo de datos en algunos flujos de trabajo integrados de agentes es mucho mayor que en las interfaces tradicionales de analistas.
• Equipo de verificación de DaloopaAproximadamente 400 personasSe utiliza junto con canalizaciones y procesos de datos propietarios para cumplir requisitos de precisión y puntualidad.
• Inversión de Divergent en columna vertebral de software compartidaMás de $1 billionUna plataforma de software integrada que abarca diseño, fabricación aditiva, ensamblaje y procesos de calidad.
• Calificación y precio objetivo de MSCIComprar, precio objetivo a 12 meses de $671Incluida por el informe como una de sus principales ideas de inversión beneficiarias de la IA.
• Calificación y precio objetivo de MicrosoftComprar, precio objetivo a 12 meses de $640Incluida por el informe como una de sus principales ideas de inversión beneficiarias de la IA.

Impacto e implicaciones

El informe considera que la IA trasladará a las empresas de servicios empresariales y de información de entregar información a ejecutar flujos de trabajo, vinculando los ingresos más estrechamente al uso, las transacciones y los resultados. Los beneficiarios incluyen no solo plataformas con datos de confianza y experiencia sectorial, sino también empresas que ayudan a las compañías a orquestar modelos, gestionar cargas de trabajo nativas de agentes, proporcionar computación y reforzar las operaciones de seguridad; mientras tanto, los datos comoditizados y los modelos simples de envoltura de IA sin una profunda integración de flujos de trabajo enfrentan mayor presión competitiva.

Riesgos

• Las compensaciones entre coste, rendimiento y fiabilidad de los modelos de frontera y de código abierto pueden intensificar la competencia entre proveedores de modelos y en la capa de aplicaciones.
• Las empresas con datos comoditizados, integración superficial de flujos de trabajo o modelos de negocio dependientes de mano de obra humana y recuentos de usuarios son más vulnerables a la disrupción de competidores nativos de IA.
• En entornos financieros, jurídicos, regulatorios y operativos, el ritmo al que los agentes entren en producción puede verse limitado si faltan resultados verificables, pistas de auditoría y una rendición de cuentas clara.
• La IA amplía la superficie de ataque e incrementa la frecuencia y complejidad de los ataques, especialmente a medida que los modelos de código abierto mejoran las capacidades de los atacantes.