Cómo cobrar por lo que tu cliente ya sabe hacer

Cada vez resulta más fácil producir algo que hace unos años justificaba contratar un/a especialista, o una consultora. Lo difícil empieza a ser explicar para qué necesitamos contratarla.

Actualmente trabajo en una gran tecnológica y cada vez me cuesta más encontrar partners y proveedores de conocimiento (aka "consultoras") que nos ofrezcan algo que necesitemos comprar. Muchas llegan con una propuesta de diseño estratégico: entrevistas, análisis, oportunidades, conceptos. Algunas también añaden desarrollo. El problema es que tenemos capacidad para hacer ambas cosas dentro, con bastante destreza y una ventaja difícil de externalizar: dominamos el negocio.

Después nos cambiamos de silla e intentamos vender nuestras propias soluciones. Y desde el otro lado de la mesa nos devuelven la misma pregunta: ¿por qué debería pagar por vuestra solución si puedo construirme algo a medida con Claude o ChatGPT?

Es una posición incómoda. Estoy pidiendo a mis proveedores la misma explicación que mis clientes empiezan a pedirme a mí.

Aceptemos por un momento la promesa de los vendedores de IA: producir software, análisis, documentos y estudios es cada vez más barato. No hace falta creer que todo será gratis, perfecto y autónomo. Basta con que una parte creciente del trabajo deje de justificar su precio actual. ¿Qué venderemos entonces los proveedores de servicios digitales? ¿Qué van a ofrecer entonces los Accenture de turno? ¿Y qué venderán las nuevas boutiques, los próximos Designit, que nazcan aprovechando esta abundancia?

El método se aprende

Durante la expansión de los servicios digitales, firmas como Fjord, Designit o The Cocktail ayudaron a introducir otra forma de trabajar: observar a los usuarios, cuestionar el encargo, prototipar antes de construir, juntar diseño y negocio. Para muchas empresas, aquello era una capacidad que todavía no tenían. Muchas ni siquiera lo entendían, pero por suerte contaban con líderes astutos dispuestos a jugarse su reputación en apuestas (en ese momento) bastante arcanas.

Creo que conozco ese mundo. Realizamos proyectos de mucho valor para nuestros clientes, y es justo también admitir que tuvimos fracasos estrepitosos. Poco a poco aprendimos a empaquetar estos mecanismos de generación de valor en procesos reconocibles: fases, talleres, mapas, post-its. El método era igual de útil para trabajar como para hacer visible que se estaba trabajando. A veces era difícil distinguir ambas funciones.

Pero era (es) caro y los clientes entendieron que el tinglado se sostenía sobre especialistas "baratos". De modo que incorporaron diseñadores, investigadores y equipos de producto. Aprendieron el vocabulario, las herramientas y buena parte del oficio. Una capacidad que se puede enseñar y asimilar acaba teniendo dificultades para venderse como un secreto.

La IA ha acelerado este desgaste. Entender y "aislar" un problema, preparar un plan de trabajo, sintetizar entrevistas o levantar un prototipo exige cada vez menos esfuerzo. Salir a descubrir algo que desconocemos, o incluso determinar qué partes de lo que desconocemos vale la pena descubrir, sigue teniendo valor. Pero generar otra presentación con lo que la organización ya sabe empieza a, incluso, resultar incómodo: queremos el resultado, no el mapa para alcanzarlo. Sospecho que la próxima generación de boutiques tendrá un problema si su propuesta consiste en añadir «AI» delante del mismo catálogo. El cliente también tiene acceso a las herramientas, y ahora puede preguntarse cuánto está pagando por el trabajo y cuánto por su representación.

La geometría de las horas

La consultoría tradicional tiene forma de pirámide porque su economía también la tiene. Una base amplia de profesionales jóvenes investiga, analiza y produce; varias capas revisan y coordinan; unos pocos socios venden el encargo y sostienen la relación con el cliente. El margen depende de cómo se combinan y facturan esas horas.

La IA toca precisamente el trabajo que permite ensanchar la base. En un experimento con 758 consultores de BCG, quienes utilizaron GPT-4 completaron ciertas tareas un 25,1% más rápido y con mejor calidad. En otras, fuera del ámbito donde el modelo funcionaba bien, su uso empeoró los resultados.

Producir más con el mismo equipo complica la conversación sobre el precio. Si el encargo requiere muchas menos horas y el cliente lo sabe, mantener la factura exige explicar qué otra cosa está comprando. Aumentar la productividad del proveedor y aumentar el valor para el comprador son dos cosas distintas.

Duncan, Anderson y Saviano proponen en Harvard Business Review la imagen del obelisco: una organización más estrecha, con menos capas y tres funciones principales:

• AI facilitators: perfiles que construyen y afinan los flujos de trabajo con IA y datos.
• Engagement architects: profesionales que encuadran el problema, interpretan los resultados y organizan la entrega.
• Client leaders: responsables de la confianza, las decisiones con el cliente y la relación a largo plazo.

Conviene recordar que dos de los autores dirigen una consultora AI-native citada como ejemplo. Proponen un modelo cuya evidencia a largo plazo todavía está por construir.

El obelisco permite imaginar más capacidad de entrega sin un crecimiento equivalente de plantilla. Pero adelgazar la estructura obliga a reconstruir sus funciones: comprobar fuentes, revisar casos difíciles y entender por qué se toma cada decisión. Un manager que toma decisiones más deprisa puede acabar multiplicando errores con una eficiencia extraordinaria.

La pirámide también era una escuela, aunque a menudo una escuela precaria. Los profesionales jóvenes aprendíamos produciendo, recibiendo correcciones y viendo qué pasaba cuando una recomendación tocaba la realidad.

Un obelisco formado únicamente por veteranos y agentes puede salir rentable mientras dure la experiencia de los veteranos. Después habrá que explicar de dónde sacamos a los siguientes. Y todos tendremos que seguir aprendiendo y desaprendiendo: el criterio también envejece, reproduce sesgos y se equivoca. Invocarlo como la última facultad humana inexpugnable me parece otra forma de aplazar el problema.

Estas firmas necesitarán renovar su experiencia: incorporar jóvenes a casos reales, hacer visibles las decisiones y convertir los fallos en mejores sistemas. Ser pequeñas les servirá de poco si cada encargo empieza de cero o si solo sabe resolverlo el socio que lo vendió.

El trabajo que desaparece de la factura

El informe The GenAI Divide, de MIT NANDA contiene una pista interesante. Entre los casos con mejores resultados, describe ahorros en servicios externalizados y una reducción del 30% del gasto en agencias creativas y de contenidos, sin recortes sustanciales de plantilla interna asociados a esos ahorros.

Conviene leerlo por lo que es: un informe preliminar de 2025, basado en más de 300 iniciativas públicas, entrevistas a 52 organizaciones y encuestas a 153 directivos. Ese 30% corresponde a los casos destacados; no es una estimación para toda la industria. Pero la dirección resulta familiar: un equipo puede incorporar IA, sacar más partido a las horas de sus propios profesionales y dejar de contratar fuera una parte del trabajo. La automatización puede aparecer antes en la factura del proveedor que en la plantilla del cliente.

El mismo informe recoge mejores tasas de implantación en proyectos con socios externos que en desarrollos internos, aunque advierte que la comparación no demuestra causalidad. Ambas observaciones caben a la vez: se puede prescindir de un proveedor de entregables y necesitar a otro para cambiar cómo funciona una operación.

Ahí encaja mi experiencia. Conocer el negocio nos permite ejecutar muchas cosas dentro. También nos vuelve menos pacientes con quien necesita que le expliquemos todo para devolvernos, semanas o meses después, una versión ordenada de lo que ya le contamos. Un socio útil debe aportar algo que compense ese esfuerzo: experiencia con problemas que todavía no hemos visto, una capacidad probada que tardaríamos demasiado en construir o acceso a recursos (contactos, infraestructura, ...) que no tenemos.

El SaaS descubre que también vende trabajo

La objeción a nuestras propias soluciones merece el mismo examen. Poder construir una aplicación cambia el cálculo de comprarla. Si la propuesta de un SaaS consiste en unas pantallas, unas reglas y un flujo de trabajo, la alternativa "hecha en casa" (por el propio cliente) puede ser suficiente. Hoy hasta el último freelance puede construirse su propia solución adaptada a sus necesidades y a su modelo mental específico. Ya lo están haciendo.

Ahora bien, construir una herramienta no es lo mismo que hacerse cargo de ella durante años. Quedan las integraciones, los cambios del negocio, las incidencias y los bugs. Cualquiera que haya construido software entiende cual es el esfuerzo de mantener la solución al día. En el universo digital, el óxido y las telarañas aparecen en días. Y también cuenta lo que se deja de hacer mientras se construye todo eso.

Seguirá teniendo sentido comprar software cuando todo ese conjunto resulte mejor que la alternativa interna. Lo que se debilita es el derecho a cobrar una suscripción simplemente porque podemos construir algo que el cliente no sabe programar.

En Services: The New Software, Julien Bek, de Sequoia, plantea un desplazamiento interesante: vender el trabajo resuelto permite capturar parte del valor del servicio bastante más allá del propio coste de la herramienta. Cada mejora del modelo puede entonces abaratar la operación (y el margen) del proveedor. El punto de entrada natural de este enfoque es el trabajo que el cliente ya externaliza en proveedores de outsourcing y contingent workers, donde existe una necesidad reconocida y una partida presupuestaria a reducir.

Evidentemente Sequoia tiene interés en que aparezcan empresas así. Es una tesis de inversión, todavía por demostrar a gran escala, pero ayuda a imaginar cómo se acercan dos negocios que parecían separados: una consultora que convierte su experiencia en sistemas reutilizables y una empresa de tecnología que pretende a hacerse cargo del flujo de trabajo de sus clientes.

Hay señales concretas. Crosby ofrece servicios jurídicos para contratos comerciales combinando agentes y abogados, anuncia precios fijos por documento y declara disponer de seguro de responsabilidad profesional. Sierra explica un modelo de cobro ligado a resultados acordados, como resolver una consulta de soporte, y admite fórmulas mixtas cuando esa unidad no encaja. En banca están surgiendo múltiples proveedores de comparación y asesoría hipotecaria que, encontrándose ya sin espacio en el negocio B2C, intentan ofrecerse a las propias entidades como partner de tramitación hipotecaria (para acelerar sus propios procesos internos, incluidas las funciones comerciales).

Poco a poco, la pregunta para los proveedores empieza a ser cuánto trabajo y cuánta responsabilidad consigue delegar realmente el cliente.

Los próximos Designit

Externalizar un problema y pagar para que otro se ocupe de él tiene poco de novedoso. La diferencia está en la economía de esa operación. Cuando el servicio depende principalmente de horas humanas, atender a más clientes suele exigir más personas. Una boutique AI-native invertiría en convertir parte de su experiencia en sistemas capaces de ejecutar el trabajo: cada nuevo encargo aprovecharía una capacidad ya construida y contribuiría a mejorarla. La IA puede ampliar la parte del servicio que se presta de esa manera, incluidas tareas que antes requerían atención profesional caso por caso. La ventaja dependería de cuánto mejora su capacidad de entrega con cada cliente, sin tener que reconstruir un equipo equivalente para el siguiente..

Probablemente, las nuevas boutiques atacarán problemas bastante más estrechos que «la transformación de tu negocio». Más bien se centrarán en cosas como la incorporación de distribuidores en un sector concreto, devoluciones de una categoría de comercio, preparación de ofertas industriales, ... En fin, procesos suficientemente concretos y repetitivos como para acumular experiencia; y suficientemente incómodos como para que alguien quiera pagar por olvidarse de ellos. También, suficientemente "cristalizados" como para que los recursos internos (trabajadores, equipos, ...) ofrezcan una elevada resistencia al cambio.

Tomemos un ejemplo hipotético: una empresa tarda demasiado en incorporar nuevos distribuidores. Hay formularios, contratos, documentación incompleta, varias aplicaciones y aprobaciones que se persiguen por correo. Hoy podríamos venderle una investigación, un rediseño del proceso o... un portal.

Una consultora AI-driven empezaría analizando expedientes reales. Descubriría dónde se atascan, distinguiría las comprobaciones realmente imprescindibles de las "costumbres" y construiría una solución sobre los sistemas existentes. Automatizaría lo repetible, dejaría las excepciones a personas con autoridad para resolverlas y mediría qué ocurre con el siguiente distribuidor. Y después seguiría ahí. Cuando cambiase un requisito, cuando apareciese un caso extraño o cuando el proceso se volviese a atascar. El cliente compraría la puesta en marcha y la continuidad de una capacidad.

El equipo podría ser pequeño, pero necesitaría profundidad. Alguien que entienda esa operación, alguien capaz de construirla y alguien que consiga que las áreas implicadas acuerden cómo trabajar. A veces serían personas; a veces, capacidades que se solapan. El organigrama importaría menos que su autonomía para llevar una decisión hasta sus últimas consecuencias. Y necesitaría un interlocutor dentro del cliente con suficiente autoridad para transformar el proceso.

Sus principales activos serían, por un lado lo que aprende cada vez que opera. Los casos difíciles se convertirían en pruebas; las decisiones, en reglas explícitas; las correcciones, en mejoras comprobadas. Parte de ese conocimiento pertenecería al cliente. Otra parte podría convertirse en herramientas y patrones reutilizables, respetando la confidencialidad y los derechos sobre los datos. El siguiente proyecto empezaría con algo más sólido que una presentación.

Su otro gran activo sería la velocidad y capacidad de adaptación. La posibilidad de evaluar soluciones y enfoques inéditos sin someter cada ajuste a toda la burocracia interna. El cliente podría desentenderse de gestionar cada test, cada fracaso y cada pivote, pero conservaría la posibilidad de revisar qué ha cambiado y con qué resultado.

Eso sí justificaría contratar a alguien que conoce menos nuestra empresa que nuestro propio equipo: además de traer experiencia acumulada sobre un problema nuevo o difícil de abordar, sería también capaz de transformar esa experiencia en una solución que funciona y mejora con el tiempo.

Estos nuevos partners necesitarán revisar su estructura de costes. Haría falta invertir antes de facturar para construir componentes, preparar evaluaciones y mantener sistemas. Por ejemplo, Unity Advisory nació en 2025 con una línea inicial de capital de hasta 300 millones de dólares de Warburg Pincus, orientada a servicios para la dirección financiera y con la IA en el centro de su propuesta. Una boutique no necesita ese tamaño de cheque, pero el caso recuerda que también competirán el capital, la distribución y la capacidad de sostener el servicio.

Me parece más plausible que estas nuevas firmas combinen una cuota por operar y mejorar, y algún componente variable cuando el resultado se pueda atribuir. Prometer cobrar solo por impacto suena estupendo hasta que descubres que dependes de los datos, las decisiones y el presupuesto comercial del cliente. Los números apuntan en esa dirección: según SPI Research, el cobro por resultado sigue estando por debajo del 8% de los contratos de consultoría de IA, y la mayoría de encargos se firman como tiempo y materiales con presupuesto tope o precio cerrado por fase, precisamente porque el resultado depende demasiado de lo que el cliente aporta.

Pero hay otra oportunidad todavía menos visible: encargarse de trabajo que antes nadie hacía porque no compensaba pagarlo, como revisar la larga cola de incidencias pequeñas, adaptar un servicio a segmentos desatendidos, o ensayar mejoras que nunca llegaban a tener presupuesto. La caída del coste puede ampliar lo que una empresa considera posible. Por ejemplo, cuando se dice que la IA ha arreglado bugs en software masivo, no ha arreglado nada desconocido ni imposible: se ha ocupado de problemas que hasta ahora no salía a cuenta atender. Chrome incorporó 1.072 correcciones de seguridad en dos versiones de junio de 2026, más que en los veintitrés lanzamientos anteriores juntos, y una de ellas llevaba trece años ahí. Nadie había decidido que no importaba: simplemente nunca hubo horas para encontrarla.

Dónde queda entonces el diseño

A quienes procedemos del diseño nos conviene tomarnos esto en serio. Una boutique que se comprometa con una operación necesita entender a las personas que la usan, cómo deciden y qué ocurre cuando algo falla. Ahí hay bastante trabajo de diseño. En el ejemplo de los distribuidores, alguien tendrá que decidir qué información pedir, cuándo pedirla, qué puede resolver el sistema y cómo explicar un rechazo. También tendrá que detectar que un proceso más rápido puede estar trasladando trabajo al cliente o excluyendo a los casos difíciles.

Aunque no toda intervención valiosa arranca con un retorno inmediato. Explorar una oportunidad o descartar una mala apuesta puede justificar un encargo. El diseño puede intervenir en qué debería hacer una organización y cómo conseguir que lo haga bien. La IA permite acercar esa decisión a una prueba real con un coste mucho menor. Una pequeña firma podría investigar, construir, observar el uso y corregir sin entregar el problema de departamento en departamento.

Los próximos Fjord quizá se reconozcan por el tipo de problema del que se hacen cargo. La práctica del diseño estará dentro de su manera de resolverlo, incluso cuando deje de ocupar el titular de la propuesta comercial.

Conviene, eso sí, que no nos hagamos trampa. Los ejemplos que hemos visto en servicios financieros y jurídicos parten de un scope muy acotado: revisar una factura, presentar una declaración, tramitar un contrato. Eso facilita definir qué se entrega y cómo se cobra. Pero una factura revisada es una unidad de trabajo; un ahorro es un resultado; responder por un error requiere acordar qué responsabilidad asume el proveedor y cómo lo corrige. Contar piezas no resuelve las tres cosas. También sabemos contar pantallas, informes y post-its.

¿Cuál es entonces la unidad contable del diseño? Mientras la respuesta siga siendo una propuesta de valor, un concepto o una experiencia, estamos en problemas. La alternativa incómoda es atarse a una unidad que no es nuestra (conversión, coste de soporte, tiempo de alta, tasa de error, reclamaciones evitadas, ...) y aceptar que nos midan por ella. Es exactamente lo que la consultoría de diseño ha evitado durante veinte años, con el argumento razonable de que el valor del diseño es difuso y tarda en aparecer. El argumento sigue siendo razonable. Lo que ya no está claro es que alguien vaya a seguir pagándolo.

Epílogo: el precio de hacerse cargo

Vuelvo a la incomodidad del principio. Como comprador, puedo pagar por algo que sé hacer si alguien lo resuelve mejor o se hace cargo de una complejidad que prefiero delegar. Como vendedor, tendré que ganarme ese mismo derecho.

La pregunta que cualquier proveedor debería poder responder es bastante concreta: ¿de qué puede dejar de ocuparse el cliente cuando nos contrata?. "Proporcionamos manos / horas / personas" ya no es una respuesta aceptable. Hoy, la capacidad de ejecución tiende a infinito.

Pero incluso con toda esa capacidad de ejecución, seguirá habiendo problemas que nadie ha entendido bien, decisiones que nadie quiere tomar y operaciones que se atascan entre departamentos. Ahora los equipos pequeños, internos y externos, ya cuentan con la capacidad para entrar ahí y cambiar algo de verdad.