Debida diligencia de la monetización de la IA agéntica: cuándo funciona el precio por resultados

La debida diligencia sobre empresas de software ha tratado durante mucho tiempo el precio como una cuestión de suscripción por puesto. La monetización agéntica rompe ese hábito. Un copiloto asiste a una persona dentro de un flujo de trabajo existente y se cobra por puesto, como el SaaS clásico. Un agente ejecuta tareas o flujos de trabajo completos de forma autónoma, de modo que la unidad de valor deja de ser el puesto y pasa a ser la acción, el resultado o el desenlace. Bessemer Venture Partners separa el mercado en copilotos, agentes y servicios habilitados por IA precisamente porque cada uno lleva una métrica de cobro distinta: los copilotos suelen cobrarse por puesto o por consumo, mientras que los agentes se vinculan cada vez más a precios por flujo de trabajo o por resultados ligados a un ROI tangible.[1]

La economía por puesto falla cuando una sola licencia desencadena miles de acciones de coste variable. Los copilotos de programación se convirtieron en el ejemplo canónico: los usuarios intensivos consumían más cómputo de inferencia del que cubría una tarifa plana por puesto, porque cada consulta conlleva un coste marginal real en lugar del coste marginal casi nulo del SaaS clásico.[1] Cuando el uso escala con el compromiso, el puesto se convierte en una trampa de margen en lugar de un motor de margen. Por eso este cambio pertenece al análisis de calidad de ingresos y no a un anexo tecnológico: la métrica de cobro determina ahora si el crecimiento declarado se convierte en ingresos duraderos y con margen positivo, un tema que desarrollamos más a fondo en nuestro artículo sobre la monetización de SaaS.

Zuora identifica cuatro modelos de precios agénticos: por agente, por actividad, por resultado y por resultado final, e informa de que la fijación de precios puramente por resultado representa menos del 10 % de los aproximadamente 60 servicios de IA agéntica que sus analistas estudiaron, porque definir y rastrear resultados es considerablemente más difícil que medir la actividad.[2] Esa brecha entre la ambición basada en resultados y la práctica basada en la actividad es exactamente donde debería centrarse la atención de un inversor, y es donde opera el resto de este artículo.

El marco que desarrolla este artículo es deliberadamente sencillo, y es un conjunto de pruebas para inversores, no la metodología de ningún proveedor. La fijación de precios por resultado solo es creíble cuando el resultado puede (1) definirse en el lenguaje del contrato, (2) medirse con un instrumento que ambas partes acepten y (3) atribuirse de forma suficiente al producto y no al propio proceso, personal o condiciones de mercado del cliente. Cada puerta es una pregunta de diligencia. Un proveedor que no supere ninguna de ellas está vendiendo algo distinto a un resultado puro, diga lo que diga su marketing, y sus ingresos deben leerse como ingresos por actividad o consumo.

La prueba de las tres puertas: un resultado debe estar definido, medido y atribuido antes de que la fijación de precios por resultado sea creíble. · Generado con IA

Resultados medibles frente a resultados subjetivos

La primera división práctica es entre resultados medibles y subjetivos. Un ticket de soporte resuelto es contable, tiene marca de tiempo y es auditable. La satisfacción del cliente, la mejora de la productividad o una mejor decisión de contratación no lo son, al menos no sin un instrumento en el que ambas partes confíen. Cuando el resultado subyacente es subjetivo, cabe esperar que el proveedor lo sustituya por una métrica sustitutiva, y que sea esa métrica, y no el resultado, lo que la factura realmente referencie. La diligencia siempre debe preguntar cuál de los dos fija el precio del contrato.

Quién opera el agente y quién elige la métrica sustitutiva

La documentación de los proveedores muestra cuán elástico puede ser un sustituto. El centro de ayuda de Zendesk explica que por correo electrónico una conversación termina 72 horas después del último correo, y que una resolución automatizada puede contarse tras ese silencio si ningún agente humano intervino y un paso de verificación con LLM confirma que la respuesta fue pertinente.[3] Intercom cuenta una resolución supuesta cuando el cliente simplemente abandona la conversación sin solicitar más ayuda, y factura un resultado por conversación.[4] En ambos casos el proveedor define el evento de resolución, lo verifica con su propio modelo y emite la factura contra él. Que el agente sea operado por el cliente o por el proveedor importa por la misma razón: la parte que controla la medición nunca es una contraparte neutral.

La tercera puerta es la atribución. El trabajo de Zuora sobre precios agénticos califica los resultados en un espectro que va de difuso (un asistente cuya contribución opera silenciosamente en segundo plano) pasando por medio hasta fuerte (un comercial cuyas ventas cerradas se rastrean y se le acreditan directamente): donde la IA contribuye a un resultado influido por muchos factores, encaja un precio por agente o por actividad, y el precio puramente por resultado solo encaja donde la atribución es directa y la medición es inequívoca.[2] Una atribución difusa debería empujar a los proveedores hacia estructuras híbridas, y debería llevar a un equipo de due diligence a la misma conclusión cuando lee la construcción de ingresos.

Antes de leer un solo contrato, un inversor debería conocer los medidores estándar del mercado. La tabla siguiente recopila precios publicados o documentados de proveedores que un inversor probablemente encontrará en salas de datos de IA agéntica. Los precios cambian, así que trátelos como puntos de referencia para la métrica, no como un dato de valoración.

Las estructuras híbridas de suscripción más uso se están convirtiendo en el compromiso por defecto. ServiceNow combina explícitamente componentes de licencia y de uso, y su dirección argumenta que la mezcla da previsibilidad a los clientes al tiempo que vincula el uso con los resultados que estos ven. Oracle incluye una asignación mensual de AI Units en cada suscripción de Fusion y vende unidades adicionales en incrementos de $1.000 agrupados en todo el contrato.[7] El propio Salesforce pasó de su precio de lanzamiento de $2 por conversación hacia Flex Credits, de modo que el coste escale con acciones discretas y no con sesiones.[6]

Dos hábitos de lectura importan cuando estas estructuras aparecen en una sala de datos. Primero, el mismo proveedor puede operar varios medidores a la vez, de modo que el precio por resultado destacado puede ir encima de puestos, compromisos mínimos o asignaciones incluidas que caducan. Segundo, la diferencia entre el precio comprometido y el de exceso es en sí misma una señal: un proveedor que descuenta fuertemente el volumen comprometido le está diciendo que teme la variabilidad de costes de su propio modelo.

La prueba de tres partes se convierte en un conjunto concreto de preguntas de due diligence. Cada una de las siguientes pruebas se corresponde con una de las tres puertas, y cada una ya ha producido evidencia real de dónde se tensan los modelos basados en resultados. En la práctica, el trabajo se reparte entre el flujo de trabajo de due diligence comercial, que posee las definiciones de métricas y el comportamiento de los clientes, y el flujo de trabajo de due diligence financiera, que posee las consecuencias sobre el margen y el reconocimiento de ingresos.

Variabilidad de uso y certeza en la adquisición. Uber agotó todo su presupuesto anual de IA en cuatro meses y luego limitó el gasto de los empleados a 1.500 dólares al mes por herramienta de codificación agéntica.[8] Donde el consumo es volátil, los compradores trasladan el control de costes al contrato: las compras exigen límites, y los ingresos del proveedor quedan limitados con ello.

Predictibilidad de ingresos. Cuando la facturación depende de resultados definidos por el cliente, las previsiones se degradan a conjeturas. Ritu Jyoti, de IDC, señala que la fijación de precios basada en resultados puede generar disputas sobre si se logró el efecto deseado, y que las empresas piden niveles de suscripción porque quieren predictibilidad.[9]

Alineación de márgenes. Los proveedores de IA operan con márgenes brutos de alrededor del 50-60% frente al 80-90% del SaaS clásico, porque cada consulta conlleva un coste real de inferencia.[1] Una tarifa fija por resultado pierde dinero siempre que el cómputo detrás de una resolución supere el precio de la resolución, y el vendedor absorbe esa diferencia.

Manipulación por parte del cliente y diseño de métricas. La parte que elige el sustituto de resolución es la parte que envía la factura. Los temporizadores de silencio, las resoluciones asumidas y la autoverificación del LLM sesgan el medidor hacia el proveedor, y un cliente sofisticado aprenderá a jugar con el temporizador.

Exposición a disputas posteriores al contrato. La atribución impugnada no es hipotética. Se manifiesta como créditos, reembolsos y renegociaciones, y debe figurar en el expediente de due diligence como un ajuste recurrente de ingresos, no como algo puntual.

La alineación de márgenes merece el mayor énfasis porque es la menos visible. La guía de Zuora es explícita en que la fijación de precios por resultado transfiere la variabilidad de costes del comprador al vendedor, y que solo es comercialmente viable cuando el vendedor puede predecir el coste por resultado dentro de una banda estrecha, el resultado es auditable de modo que las disputas puedan resolverse, o el vendedor tiene la tolerancia de flujo de caja para absorber contratos de alta variabilidad.[10] Un objetivo que no puede demostrar cuál de esas tres condiciones cumple está registrando ingresos que quizá no pueda mantener.

La lista de verificación documental

Contratos marco y formularios de pedido con la definición del resultado por escrito, no en presentaciones de marketing

Definiciones de métricas, incluido cómo se tratan el silencio, los temporizadores de inactividad y los traspasos a humanos

Registros de facturación y uso, conciliados con las facturas emitidas

Memorandos de reconocimiento de ingresos bajo la ASC 606, que distingan una obligación de disponibilidad permanente para dar acceso de una obligación de entregar una cantidad específica de resultados exitosos[11]

Registros de disputas y créditos, con la cláusula contractual en la que se basó cada disputa

Puentes de margen bruto por modelo de fijación de precios, aislando el coste de inferencia por resultado

La distinción de la ASC 606 no es académica. La guía contable de Deloitte sobre IA agéntica señala que si la promesa es un acceso permanente al agente o la entrega de una cantidad específica de resultados exitosos cambia el momento del reconocimiento de ingresos, y que las tarifas variables basadas en resultados solo califican para la excepción de asignación de contraprestación variable bajo condiciones estrechas.[11] Un objetivo que no ha documentado qué promesa está haciendo tiene una cuestión de reconocimiento de ingresos, no solo una cuestión de precios. Para el conjunto documental más amplio, nuestra lista de verificación de due diligence para objetivos nativos de IA cubre el terreno adyacente.

Señales de alerta

Para la valoración, la mezcla importa más que la etiqueta. Los ingresos por consumo y por resultado se comportan de forma distinta al ARR comprometido: son más elásticos en las recesiones, más sensibles a los controles de costes del lado del cliente y más difíciles de prever cohorte por cohorte. ServiceNow ilustra a la vez el caso alcista y la cobertura: la dirección informa de que alrededor de la mitad del negocio neto nuevo ya tiene precios en una base no basada en licencias, incluidos medidores de tokens y otros usos, manteniendo opciones basadas en licencias porque los clientes quieren un punto de entrada predecible.[12] Para los profesionales de inversión que dimensionan ese equilibrio, la cuestión no es si la fijación de precios por resultado eleva el múltiplo, sino qué porción de ingresos supera la prueba de las tres partes, y nuestro artículo sobre riesgo de valoración extiende la misma lógica a objetivos de IA con múltiplos premium.

Las narrativas para el IC y para los prestamistas conllevan su propio riesgo cuando los modelos de precios están en evolución. Una proyección de ingresos que asume facturación por resultado puede quedar invalidada cuando una objetivo se convierte al modelo híbrido, o cuando los créditos derivados de disputas comprimen los ingresos netos mientras las reservas brutas crecen. Someta el modelo a pruebas de estrés bajo ambas lecturas, y trate la mezcla de métricas de precios como una variable de cohorte y no como una constante. Los equipos de asesoría que necesiten estandarizar este análisis en sus mandatos encontrarán directamente relevante el caso de uso de asesoría en fusiones y adquisiciones.

Data Room Ingestion escanea contratos, formularios de pedido y registros de facturación minutos después de la carga

El AI-Analysis Engine extrae y cruza las definiciones de métricas de precios entre documentos, revelando dónde difiere la definición de resultado entre el acuerdo marco y el formulario de pedido

Risk Radar clasifica los hallazgos por materialidad, de modo que las definiciones de resultado disputadas y las tarifas por debajo del costo lleguen a lo alto del registro de riesgos

Report Builder estructura el memorando con trazabilidad de fuentes hasta la cláusula subyacente

Collaboration Hub mantiene los flujos de trabajo comercial, financiero y legal alineados sobre un único conjunto de hallazgos

La plataforma respalda el análisis; no toma la decisión de precios. El juicio sobre si un resultado está genuinamente definido, medido y atribuible permanece en el equipo de la operación, que es donde corresponde. Lo que cambia una plataforma de due diligence nativa de IA es el costo de ejecutar la prueba en sí: las definiciones, los registros de facturación y los puentes de margen se extraen y conectan en lugar de reconstruirse a mano.

Ejecute el marco como una secuencia, no como una lluvia de ideas. Los pasos siguientes asumen una operación en curso con un data room abierto y un flujo de trabajo repartido entre revisores comerciales, financieros y legales. Los equipos que quieran ver cómo estos pasos encajan en un esfuerzo más amplio de automatización del flujo de trabajo de due diligence pueden mapearlos directamente sobre su registro de riesgos existente.

Solicite las definiciones de métricas de precios y una muestra de resultados facturados en la primera solicitud de documentos, antes de que el data room se curate alrededor de usted.

Aplique la prueba de tres partes por línea de producto y clasifique cada flujo de ingresos como definido, medible y atribuible, o no.

Concilie los resultados facturados con los ingresos reconocidos, y pruebe el margen por resultado frente al costo de inferencia usando el puente de margen bruto.

Registre las señales de alerta en el registro de riesgos con enlaces de evidencia a las cláusulas subyacentes y a los registros de facturación.

Informe al IC sobre qué ingresos están genuinamente respaldados por resultados frente a respaldados por suscripciones, y sobre qué ocurre con el modelo si la mezcla híbrida cambia o las disputas se materializan.

La lista de verificación de evidencia anterior es el artefacto reutilizable. Convierte este marco en una solicitud de documentos que puede incorporarse a cualquier operación que involucre ingresos de IA agéntica, y se combina de forma natural con los flujos de trabajo personalizados que un equipo ya ejecuta para la preparación del IC. Plausity fue creado precisamente para este tipo de due diligence basada en evidencia: ingiere el data room, extrae las definiciones que importan y mantiene cada hallazgo trazable hasta su fuente, de modo que la prueba de tres partes pueda ejecutarse en cada objetivo nativo de IA y no solo en los que tienen data rooms limpios. Son siempre los mismos tres pasos: ingerir, analizar e informar con la evidencia adjunta.

1. [1] bvp.com — https://www.bvp.com/atlas/the-ai-pricing-and-monetization-playbook
2. [2] zuora.com — https://www.zuora.com/subscribed/the-four-kinds-of-agentic-ai-pricing-models
3. [3] support.zendesk.com — https://support.zendesk.com/hc/en-us/articles/5352026794010-About-the-automated-resolutions-platform-prior-to-resolution-tiers
4. [4] intercom.com — https://www.intercom.com/help/en/articles/8205718-fin-ai-agent-outcomes
5. [5] eesel.ai — https://www.eesel.ai/blog/a-complete-guide-to-zendesk-ai-agents-setup-costs-and-best-practices
6. [6] help.salesforce.com — https://help.salesforce.com/s/articleView?id=004811240&language=en_US&type=1
7. [7] version1.com — https://www.version1.com/blog/oracle-ai-agents-understanding-the-pricing-model-before-you-commit/
8. [8] techcrunch.com — https://techcrunch.com/2026/06/02/uber-caps-employee-ai-spending-after-blowing-through-budget-in-four-months/
9. [9] cio.com — https://www.cio.com/article/3624540/how-will-ai-agents-be-priced-cios-need-to-pay-attention.html
10. [10] zuora.com — https://www.zuora.com/guides/ai-pricing-models
11. [11] dart.deloitte.com — https://dart.deloitte.com/USDART/home/publications/deloitte/industry/technology/accounting-outcome-based-pricing-agentic-ai
12. [12] futurumgroup.com — https://futurumgroup.com/insights/servicenow-q1-fy-2026-results-raise-full-year-subscription-outlook/