¿Qué son los “Unit Economics”

• Los unit economics describen los ingresos y los costes de un negocio medidos por unidad — normalmente por cliente, por suscripción o por “unidad vendida/usada”.
• En el SaaS tradicional, la “unidad” suele ser un cliente (o un asiento/usuario). Una vez construido el producto, entregar software a clientes adicionales cuesta muy poco — el coste marginal por nuevo usuario es cercano a cero. Esto genera altos márgenes brutos (ya que el coste de servir a nuevos usuarios es insignificante).
• Dos métricas clave que se utilizan con frecuencia son el Customer Acquisition Cost (CAC) y el Customer Lifetime Value (LTV) — su ratio (LTV/CAC) ofrece una visión de la rentabilidad por cliente a lo largo del tiempo.

Pero con los productos impulsados por IA, los unit economics están siendo redefinidos de manera fundamental.

Por qué la IA cambia las reglas: de costes marginales bajos a costes ligados al uso

Crecimiento de los costes variables: cómputo de IA, tokens, infraestructura

• Cuando un producto incorpora IA — por ejemplo, un large language model (LLM), IA generativa u otra inferencia de ML — cada solicitud del usuario, prompt o llamada a la API consume recursos de cómputo. Esto significa que el coste por “unidad de uso” ya no es insignificante.
• Como resultado, la estructura de costes pasa de ser casi fija (típica del SaaS) a variable y basada en el uso. Cada operación adicional impulsada por IA puede tener un coste real.
• Esto incrementa el Cost of Goods Sold (COGS) de las funcionalidades con IA — y, si no se gestiona correctamente, puede erosionar de forma significativa los márgenes brutos.
• En resumen: la IA hace obsoleta la suposición de “coste marginal ≈ 0”.

Modelos de ingresos bajo presión: el pricing por asiento ya no es suficiente

• La monetización tradicional en SaaS — licencias por asiento, suscripciones por usuario — asume que el valor está ligado al número de usuarios. Con la IA realizando gran parte del trabajo (output, automatización), el valor suele provenir del volumen de trabajo realizado (por ejemplo, número de documentos procesados, consultas, tareas automatizadas), no simplemente de los asientos.
• Esto implica que el pricing por asiento puede desacoplarse de los costes reales: el uso (y, por tanto, el coste) puede dispararse, mientras que los ingresos por usuario permanecen planos — comprimiendo los márgenes.
• Como resultado, muchas empresas con madurez en IA están migrando hacia modelos de monetización híbridos o basados en consumo (por ejemplo, pago por consulta, pago por token, facturación basada en resultados), alineando el precio de forma más estrecha con el valor real entregado.

Nuevo marco de Unit Economics para negocios impulsados por IA

Para gestionar este cambio, los productos de la era de la IA necesitan replantear cómo definen la “unidad”, cómo fijan precios por uso y cómo modelan la rentabilidad. A continuación, un “canvas de unit economics” reimaginado para ofertas impulsadas por IA.

Componente	Qué cambia con la IA
Definición de la unidad	En lugar de “cliente / asiento / suscripción”, la unidad puede convertirse en “transacción / tarea / llamada a la API / uso de tokens / trabajo completado”.
Cost of Goods Sold (COGS)	Variable, ligado al cómputo (inferencia), uso del modelo (tokens), infraestructura, energía y, posiblemente, costes de human-in-the-loop. Ya no es despreciable.
Modelo de precios / ingresos	Debe reflejar el uso: basado en consumo, en resultados, híbrido (suscripción + uso) o escalonado por volumen/funcionalidades.
Perfil de margen	Márgenes brutos más bajos que en el SaaS tradicional — el margen por unidad depende de cuán eficientemente gestiones los costes de cómputo frente a lo que cobras por uso.
Escalabilidad y elasticidad	Con picos de uso, los costes crecen — la escalabilidad exige control de costes, infraestructura eficiente y, quizá, descuentos por volumen o estrategias de caché.
Alineación del precio con el valor entregado	El valor puede provenir de la automatización, el tiempo ahorrado o el output generado — el pricing debe reflejar ese valor, no solo el acceso o los asientos.

Estrategias para construir unit economics sostenibles en la era de la IA

Si construyes o gestionas un producto impulsado por IA, estas son estrategias clave para asegurar que tus unit economics sigan siendo saludables y escalables:

• Modelar el coste por interacción desde el inicio: Antes de diseñar funcionalidades, estima los costes por token / llamada a la API / inferencia. Comprende qué funcionalidades o flujos son margin-positive frente a margin-negative.
• Adoptar pricing basado en consumo o híbrido: En lugar de un pricing rígido por asiento, cobra en función del uso (tokens, tareas, resultados). Esto alinea coste y valor, y evita que los usuarios intensivos sean subsidiados por los usuarios ligeros.
• Optimizar infraestructura y operaciones: Utiliza modelos eficientes, caché, batching, modelos más económicos para tareas de bajo riesgo; monitoriza el uso de tokens; gestiona la latencia; minimiza el overhead (por ejemplo, human-in-the-loop, almacenamiento).
• Segmentar usuarios y flujos por intensidad de coste: Identifica usos de alto coste y bajos ingresos (por ejemplo, prompts muy largos, inferencia intensiva) y colócalos en planes premium o limita cuotas. Trata el uso ligero de forma diferente.
• Medir métricas: no solo usuarios, sino uso, output y coste por output: Cambian los KPI — en lugar de solo ARPU (average revenue per user), mide ingresos por llamada a la API / token, coste por inferencia, margen por tarea, retención por volumen de uso, etc.
• Ser transparente con los clientes — introducir créditos, cuotas y dashboards de uso: Dado que el coste es variable y visible, la transparencia ayuda a evitar facturas inesperadas y genera confianza.

Riesgos y desafíos: por qué muchos productos de IA fallan la prueba de unit economics

• Baja visibilidad de márgenes: Muchos fundadores subestiman los costes de inferencia — lo que conduce a márgenes negativos “por unidad” cuando el uso escala.
• Picos de uso y volatilidad: A diferencia de los asientos (predecibles), el uso puede ser impredecible — lo que dificulta la previsión y el presupuesto. Los usuarios intensivos pueden consumir recursos de forma desproporcionada.
• Pricing desalineado: Si sigues cobrando por asiento o suscripción pero entregas un output de IA intensivo en trabajo, puedes estar subsidiando a los usuarios intensivos — erosionando márgenes y sostenibilidad.
• Carrera de costes y presión a la baja en precios: A medida que entran más proveedores de IA, los costes por token/inferencia pueden disminuir — pero también los precios por uso (por competencia), comprimiendo aún más los márgenes.
• Presión de CAPEX y OPEX: Entrenar y mantener modelos de IA, infraestructura y consumo energético implica altos CAPEX y OPEX — lo que significa que la rentabilidad a largo plazo depende de la escala, la eficiencia y un control disciplinado de costes.

Qué significa esto para Product Managers, founders y líderes de crecimiento

Para cualquiera que construya o gestione productos impulsados por IA — o que transforme productos SaaS existentes con IA — el cambio en los unit economics exige una mentalidad diferente:

• El éxito no depende solo del crecimiento de usuarios, sino de crecimiento del uso + control de costes + alineación del pricing.
• Es necesario tratar las funcionalidades de IA como “centros de coste” — evaluar el ROI por funcionalidad, monitorizar uso y coste por acción, y escalar solo lo que sigue siendo rentable.
• Los KPI tradicionales (usuarios, ARPU, churn) siguen siendo útiles — pero deben complementarse con KPI basados en uso, coste por tarea y margen por output.
• La estrategia de pricing debe evolucionar: de licencias a pricing basado en uso o en valor. En las funcionalidades de IA, el valor suele venir del trabajo completado (documentos procesados, tareas automatizadas, etc.), no del simple acceso.
• La escalabilidad exige arquitectura y operaciones: modelos eficientes, asignación inteligente de recursos, caché, selección de modelos — la ineficiencia a escala destruye los márgenes.

Conclusión: Unit Economics en la era de la IA — una oportunidad, pero solo con disciplina

El auge de la IA no solo acelera el crecimiento — transforma las bases económicas que antes hacían que los negocios de software fueran predecibles y de alto margen.

Los productos impulsados por IA trasladan los costes de fijos a variables, desacoplan el valor de los usuarios y exigen nuevos modelos de monetización. Si no se anticipa este cambio, lo que parecía un modelo SaaS escalable puede convertirse en una trampa de márgenes a medida que crece el uso.

Pero para los líderes de producto y founders que abrazan los nuevos economics, construyen visibilidad de costes y uso, diseñan un pricing adecuado alineado con el valor y optimizan infraestructura y flujos de trabajo, la IA puede desbloquear potentes motores de crecimiento, profundamente vinculados al valor real para el cliente.