Debida diligencia de precios para software de IA: por puesto, por uso, por resultado

La debida diligencia del modelo de precios es la disciplina de poner a prueba si el modelo de monetización de un objetivo —por puesto, por uso o consumo, por resultado o por valor, o un híbrido de estos— encaja realmente con la economía subyacente del producto y con el contexto de compra al que vende. No es una revisión de la página de precios. Pregunta qué unidad factura la empresa, quién activa esa unidad, si la empresa puede predecirla y si el modelo sobrevivirá al contacto con las compras corporativas, la automatización impulsada por IA y la propia estructura de costes del objetivo. Equivocarse en esto lleva a valorar mal la calidad del crecimiento, la retención y el margen en la valoración.

La razón por la que esto se ha convertido en una cuestión viva de diligencia es que la IA rompe el supuesto sobre el que se construyó el precio tradicional del SaaS. El SaaS clásico asumía un coste marginal nulo: una vez construido el software, atender al siguiente cliente costaba aproximadamente lo mismo que al anterior, de modo que las suscripciones planas por puesto funcionaban. Los productos de IA conllevan un coste de inferencia variable y significativo, donde cada consulta, acción de un agente o artefacto generado activa un gasto de cómputo que paga el proveedor. Cuando el modelo de precios no sigue ese coste variable, el margen se reduce con la adopción en lugar de expandirse.[1]

Los equipos de due diligence deberían calibrar según la realidad del mercado y no según el hype. AlixPartners analizó 65 grandes empresas de SaaS y competidores nativos de IA y encontró que solo 4 han adoptado plenamente precios basados en resultados, mientras que el 72% aplica un enfoque híbrido que incorpora consumo mediante créditos de IA o medición de uso, y más de la mitad de las empresas restantes siguen dependiendo principalmente de modelos por puesto.[2] La migración es real, pero más lenta y desigual de lo que sugiere el comentario, razón por la cual el modelo correcto es una cuestión de economía del producto, no de ideología.

Por puesto: una tarifa fija por usuario con acceso a la IA, familiar para los compradores pero frágil cuando el coste variable de inferencia aumenta con el uso.

Por token: medición de la entrada y salida del modelo, el modelo canónico de la capa de infraestructura, transparente para los ingenieros pero difícil de presupuestar para los compradores de negocio.

Por actividad: un cargo por acción discreta, como una conversación, una llamada de API o una ejecución de flujo de trabajo.

Por resultado: un cargo por artefacto generado, como una imagen, un documento o un informe redactado.

Por outcome: un cargo solo cuando la IA entrega un resultado de negocio definido, como un ticket resuelto.

Híbrido: una base de suscripción combinada con excedentes de consumo, créditos prepagados o componentes basados en resultados, el patrón que siguen la mayoría de los negocios de IA en producción.

Cada uno de estos modelos conlleva un perfil de due diligence distinto. Para un tratamiento más profundo de cómo la compresión de puestos, el COGS de inferencia y las estructuras híbridas atraviesan el análisis de transacciones, consulte nuestra pieza complementaria sobre due diligence de precios de IA. Las secciones siguientes ofrecen a los compradores un marco de referencia, pruebas modelo por modelo, una lista de verificación de evidencias y las señales de alerta que conectan los hallazgos de precios con la valoración.

Antes de juzgar si el modelo de precios de un objetivo es bueno o malo, los compradores deberían aplicar un diagnóstico que separe el ajuste de la moda. Un modelo que parece agresivo en un contexto puede ser exactamente el adecuado en otro. Seis preguntas estructuran ese juicio:

¿Qué se está monetizando: el acceso al software, una actividad contable, un resultado generado o un resultado de negocio entregado?

¿Quién desencadena el consumo: un usuario humano, un flujo de trabajo automatizado o el propio agente de IA? Un modelo facturado por usuario se comporta de forma muy diferente cuando los agentes hacen el trabajo.

¿Qué tan predecible es el uso: el consumo es estable y previsible, o fluctúa con la estacionalidad, el comportamiento del cliente y la complejidad de las consultas?

¿Se puede medir y atribuir el valor o el resultado: el éxito es discreto y verificable, o difuso entre muchos factores contribuyentes?

¿Se alinean los precios con las adquisiciones empresariales: puede un CIO presupuestarlo, hacerlo pasar por compras y defenderlo internamente?

¿Cuánto poder de fijación de precios tiene realmente la empresa: el modelo de precios es defendible porque el producto está integrado en los flujos de trabajo y es difícil de reemplazar, o está expuesto a reajustes competitivos de precios?

Dos marcos publicados ayudan a responder estas preguntas. El marco COMPASS de Zuora clasifica los seis modelos comunes de precios de IA —por puesto, por token, por actividad, por resultado, por outcome e híbrido— según la unidad de valor que entrega la IA y la claridad con la que ese valor puede medirse, y señala que la mayoría de los negocios de IA en producción acaban operando modelos híbridos que combinan una base de suscripción con excedentes de consumo o créditos prepagados.[1] El marco no indica a una empresa qué cobrar, pero muestra cuándo una afirmación de outcome es creíble y cuándo es un adorno de marketing: donde el éxito no puede medirse de una forma que el cliente acepte, un medidor de outcomes es una posición de negociación más que un modelo de precios.

AlixPartners añade tres condiciones estructurales de exposición que indican a los compradores cuánta presión sufre un modelo de precios: una alta concentración de puestos en flujos de trabajo automatizables como atención al cliente o tickets de TI, la venta a funciones donde el ROI de la IA es fácilmente medible, y la dependencia de puestos con capas limitadas de precios secundarios. Las empresas en la intersección de las tres condiciones enfrentan la necesidad más urgente de actuar.[2] El poder de fijación de precios en sí debe probarse por separado: donde un producto está profundamente integrado y el cambio es costoso, el proveedor tiene más margen para defender el valor del puesto, una dinámica que examinamos en nuestro análisis de los costes de cambio de flujo de trabajo.

Cada modelo de precios falla a su manera, por lo que cada uno exige sus propias preguntas de due diligence. La tabla siguiente resume las pruebas principales; los párrafos posteriores profundizan en las dos áreas donde las operaciones más suelen salir mal.

Modelos por puesto: la compresión es la cancelación silenciosa

Para objetivos basados en puestos, la prueba central es el riesgo de compresión de puestos: cuando los agentes de IA pueden manejar la carga de trabajo de usuarios que de otro modo tendrían licencias, el argumento de valor por puesto se debilita con cada ciclo de despliegue. La diligencia debe cuantificar cuántos ingresos provienen de flujos de trabajo repetitivos y basados en reglas, y examinar por separado el shelfware, la brecha entre puestos licenciados y activos, porque infla la adopción reportada y subestima el riesgo de renovación. La profundidad del descuento y la realización del precio completan el panorama: una empresa que crece en puestos recortando precios no está demostrando poder de fijación de precios.

Modelos por resultado: la definición es el producto

Para objetivos basados en resultados, la definición del precio es efectivamente parte del producto. No existe un estándar industrial acordado para puntuar resultados, por lo que los precios publicados por resolución no son comparables entre proveedores.[3] Los compradores deben establecer cómo se verifica el éxito, cómo se trata el silencio del cliente, qué sucede cuando la IA transfiere la tarea a un humano a mitad de proceso y quién asume el costo cuando las tasas de resolución decepcionan. AlixPartners encontró que las cuatro empresas de su cohorte con precios confirmados basados en resultados operan todas en flujos de trabajo de atención al cliente donde los resultados son discretos y verificables, lo cual es un referente útil de lo estrecho que es actualmente el espacio viable.[2]

Los hallazgos sobre precios solo son tan sólidos como los documentos que los respaldan. El data room debe revisarse en busca de lo siguiente, y las lagunas en esta lista son en sí mismas un hallazgo:

Mapeo de la evidencia de precios desde contratos y datos de uso hasta hallazgos de diligencia. · Generado con IA

Contratos de clientes y formularios de pedido con escalas de precios, incluidos los términos de renovación y cualquier compromiso de uso o de resultados.

Listas de precios y registros de aprobación de descuentos, para contrastar el precio efectivo con el precio de lista.

Datos de uso y consumo por cliente, incluidos los mecanismos de consumo de créditos y de regularización (true-up) para modelos prepagados o basados en asignaciones.

Memorandos de reconocimiento de ingresos que cubran cómo se tratan el uso, los créditos y las tarifas por resultados bajo la ASC 606.

Evidencia de churn, degradaciones y expansiones en torno a cambios anteriores de precios o de empaquetado, a nivel de cohorte cuando esté disponible.

Los términos contractuales determinan el tratamiento contable, que a su vez moldea la calidad de los ingresos reportados. La guía DART de Deloitte destaca el juicio clave para los acuerdos de IA agéntica: si la promesa del proveedor es una obligación de disponibilidad continua (stand-ready) de acceso al agente, generalmente reconocida a lo largo del tiempo, o una obligación de entregar una cantidad específica de resultados exitosos, generalmente reconocida a medida que esos resultados ocurren. Los criterios de éxito y los derechos de arrastre importan aquí, y los créditos prepagados por resultados pueden ser no reembolsables bajo una modalidad de «úselo o piérdalo» o reembolsables, lo que cambia el comportamiento de los ingresos diferidos y de la consideración variable.[4]

La evidencia de uso también debe estar vinculada al medidor realmente vigente, porque los propios medidores están cambiando. GitHub Copilot, por ejemplo, mide las interacciones por tokens de entrada, salida y caché a tarifas que difieren según el modelo, las convierte en créditos de IA donde un crédito equivale a un centavo de dólar estadounidense, incluye una asignación por plan y factura el uso por encima de esa asignación por token, mientras que las finalizaciones de código quedan fuera del medidor de créditos.[5] Un conjunto de datos de uso basado en un medidor antiguo puede ser inútil para pronosticar el actual. Las herramientas de análisis de documentos financieros ayudan a los equipos de transacción a extraer estos términos de contratos densos y a contrastarlos con los archivos de uso.

Los siguientes patrones deberían desencadenar pruebas más profundas antes de que lleguen al comité de inversión.

El patrón detrás de varias de estas señales es la asignación de riesgo. De las 65 empresas que AlixPartners analizó, 53 trasladan el riesgo de desempeño al cliente, 8 lo comparten y solo 4 lo asumen como proveedor, lo que significa que para el 82 % de las empresas el cliente recibe el castigo si el software no cumple.[2] Y en la fijación de precios por resultados en particular, la parte que elige el sustituto del éxito es la parte que envía la factura, razón por la cual las definiciones de resultados merecen el mismo escrutinio que el precio en sí.[3]

Para los profesionales de inversión de PE y VC, los hallazgos sobre precios deberían alimentar directamente la evaluación de la calidad de los ingresos. En cuanto a la consideración variable, Deloitte señala que cuando un acuerdo califica como una serie de servicios diferenciados, las tarifas basadas en resultados pueden reconocerse a medida que ocurren los resultados exitosos en lugar de a lo largo del tiempo, lo que altera el momento del reconocimiento de ingresos y hace que el crecimiento reportado sea más sensible a los volúmenes de resolución.[4] Pronosticar un negocio cuyos ingresos dependen de resultados que el cliente debe lograr es un ejercicio distinto de pronosticar puestos, y el análisis de calidad del ARR debería reflejarlo.

El margen bruto es la segunda exposición. Cuando la fijación de precios no sigue el costo variable, la adopción expande el gasto en inferencia más rápido que los ingresos, la trampa de margen que Zuora describe.[1] La due diligence debería modelar el costo de servicio por unidad de facturación, no solo el margen bruto combinado, y someterlo a pruebas de estrés frente al crecimiento del uso. Esto se conecta directamente con el flujo de trabajo de due diligence del modelo financiero, donde los supuestos de economía unitaria suelen ocultar el riesgo del modelo de precios.

En tercer lugar, la mecánica del NRR y el riesgo de múltiplos se concentran allí donde un modelo está en plena migración. AlixPartners advierte que migrar demasiado pronto a precios basados en resultados corre el riesgo de canibalizar los ingresos por puesto, mientras que migrar demasiado tarde arriesga ceder posición de mercado.[2] Un objetivo atrapado entre ambos modelos puede mostrar un NRR comprimido en la base antigua y una retención sin probar en la nueva, lo cual es una cuestión de múltiplos, no una nota al pie.

Repricing: corregir el precio realizado hacia el precio de lista cuando los descuentos han erosionado la realización.

Repackaging: reestructurar los límites, los excedentes y los derechos por módulo para que coincidan con cómo los clientes realmente consumen.

Secuenciación de la migración: mover las cohortes de clientes a los nuevos modelos en un orden que proteja los ingresos por puesto mientras se demuestra la retención del nuevo modelo.

Estas palancas son donde se crea o se destruye valor tras el cierre, y los equipos que asesoran mandatos de asesoría en M&A deberían tratar la cuestión de la secuenciación como un elemento del plan de creación de valor y no como una ocurrencia comercial de última hora.

El marco anterior solo importa si llega a los flujos de trabajo del equipo de la operación en una forma estructurada y respaldada por evidencia. La plataforma apoya ese flujo de trabajo de principio a fin:

Use Data Room Ingestion para escanear contratos de clientes, formularios de pedido y listas de precios en cuestión de minutos desde la apertura del data room, de modo que las condiciones de precios entren en el análisis desde el primer día.

Use el AI-Analysis Engine para extraer condiciones de precios, definiciones de medidores y criterios de éxito de contratos densos, y para cruzar los datos de uso con los ingresos declarados.

Use Risk Radar para detectar riesgos de precios, puntuarlos por materialidad y relevancia para la operación, y clasificarlos junto con el resto del registro de riesgos.

Use el Collaboration Hub para alinear los flujos de trabajo de la debida diligencia comercial, financiera y tecnológica en un único conjunto de preguntas y evidencia sobre precios.

Use Report Builder para redactar hallazgos respaldados por evidencia con trazabilidad completa a la fuente, de modo que cada afirmación sobre precios del informe enlace con un documento del data room.

Un límite debe enunciarse con claridad: Plausity ayuda a los equipos de la operación a estructurar la evidencia y organizar las preguntas de diligencia, pero no determina automáticamente el modelo de precios correcto. Ese juicio corresponde al equipo, y es mejor tomarlo como aconsejan los expertos de TechTarget que lo hagan los compradores: recorriendo casos reales a través de los precios antes de firmar, en lugar de discutir sobre tarifas titulares.[3] Los equipos de la operación que quieran ver cómo encaja esto en una configuración más amplia de equipo de operación respaldado por evidencia, o cómo la IA apoya la automatización del flujo de trabajo de diligencia desde el triaje del data room hasta el registro de riesgos, encontrarán que las preguntas sobre precios anteriores encajan directamente en esos flujos de trabajo.

En la práctica, ejecute el flujo de trabajo de precios en cuatro pasos. Primero, clasifique la unidad de facturación y el empaquetado del objetivo a partir de los formularios de pedido y no de la página de precios, y señale dónde se solapan puestos, medidores y tarifas por resultados. Segundo, aplique las seis preguntas de diagnóstico anteriores para probar el ajuste frente a la economía del producto y la realidad de las adquisiciones. Tercero, vincule cada afirmación a un documento: contratos, listas de precios, extractos de uso y memorandos de reconocimiento de ingresos, señalando los vacíos como hallazgos en sí mismos. Cuarto, traduzca los hallazgos al caso de valoración, mostrando qué significan para la calidad del crecimiento, el margen bruto, la previsibilidad de los ingresos y el plan posterior al cierre de repricing, reempaquetado y secuenciación de la migración. Los equipos de diligencia comercial pueden llevar esa estructura directamente al dossier del comité de inversión.

1. [1] zuora.com — https://www.zuora.com/guides/ai-pricing-models
2. [2] alixpartners.com — https://www.alixpartners.com/insights/102nf2s/outcome-based-software-pricing-hype-or-reality/
3. [3] techtarget.com — https://www.techtarget.com/enterprise-software/feature/Outcome-based-AI-pricing-hits-a-measurement-problem
4. [4] dart.deloitte.com — https://dart.deloitte.com/USDART/home/publications/deloitte/industry/technology/accounting-outcome-based-pricing-agentic-ai
5. [5] docs.github.com — https://docs.github.com/copilot/reference/copilot-billing/models-and-pricing