Durante los últimos veinte años, cualquier director de tecnología o responsable de operaciones que presentara un plan para programar internamente una herramienta disponible como software comercial recibía la misma respuesta tajante del comité ejecutivo: «Comprar antes de construir» (Buy, don’t build). La lógica era incuestionable. Construir software a medida implicaba meses de contratación de ingenieros, sobrecostes presupuestarios crónicos y la pesadilla perpetua de mantener código huérfano cuando el equipo original abandonaba la compañía. El software como servicio (SaaS) triunfó no porque fuera perfecto, sino porque externalizaba la complejidad y el mantenimiento en un pago predecible por usuario.
A comienzos de septiembre de 2026, ese dogma de dos décadas se ha fracturado de manera irreversible.
Los datos del informe global State of AI in 2026, elaborado por McKinsey & Company sobre una muestra de 1.719 líderes empresariales en 97 países, confirman un cambio sísmico en la asignación de capital tecnológico: el 32% de las organizaciones ha decidido no comprar ni renovar al menos un producto o funcionalidad de software comercial porque sus equipos pudieron construir la solución internamente utilizando agentes autónomos de programación (agentic coding tools).
Sin embargo, detrás de este titular que estremece las valoraciones de los proveedores de SaaS tradicional se esconde una paradoja económica crucial que todo director general (CEO), financiero (CFO) y de tecnología (CIO) debe entender antes de autorizar a sus equipos a desconectar suscripciones corporativas.
La paradoja del EBIT: si un tercio dejó de comprar software, ¿dónde está el ahorro?
La intuición financiera sugeriría que si un tercio del mercado corporativo ha sustituido licencias de software comercial por desarrollo interno acelerado con inteligencia artificial, los márgenes operativos de esas empresas deberían reflejar una expansión inmediata. La realidad de los balances contables cuenta una historia radicalmente distinta.
En el mismo estudio de McKinsey, el porcentaje de empresas que atribuye un impacto medible en su resultado operativo antes de intereses e impuestos (EBIT) a la adopción de IA se mantuvo prácticamente plano en el 37%, sin variación interanual significativa. Más contundente aún: el club de las organizaciones de alto rendimiento (high performers) —aquellas que logran atribuir al menos un 5% de su EBIT a la inteligencia artificial— permanece estancado en un reducido 6%.
¿Cómo es posible que las empresas estén cancelando compras millonarias de software sin que sus líneas de beneficio lo noten? La respuesta reside en una confusión operativa común entre la capacidad de generar código y la rentabilidad de sostener un sistema en producción.
El dato del 32% captura una decisión puntual de rechazo a una compra: un equipo técnico que evalúa una cotización de 300.000 o 500.000 dólares anuales y demuestra que un entorno agéntico puede replicar la interfaz básica y los flujos de datos en dos semanas de trabajo. Pero la encuesta no evalúa si esa herramienta superó las auditorías de seguridad seis meses después, si cuenta con documentación para cuando el desarrollador cambie de rol, o cuánto cuesta en computación y tokens mantenerla operativa.
La fractura sectorial: por qué la banca y los seguros no compran código, sino responsabilidad legal
La propensión a sustituir software empaquetado por desarrollo con agentes no se distribuye de manera homogénea en la economía. El desglose sectorial del informe de McKinsey ilustra con precisión quirúrgica dónde reside el verdadero valor del software corporativo en 2026:
- Tecnología y telecomunicaciones: 41% de las empresas opta por construir internamente con agentes.
- Salud (proveedores y aseguradoras médicas): 39% ha frenado adquisiciones de software.
- Servicios profesionales y energía: 38% prefiere el desarrollo agéntico propio.
- Banca e instituciones financieras: 36% construye componentes a medida.
- Sector asegurador tradicional: cae drásticamente al 19%.
- Sector público y servicios sociales: apenas un 17% se aventura a construir.
La distancia entre el 41% del sector tecnológico y el 19% de los seguros no es un síntoma de retraso digital; es una lección de gestión de riesgos. En las industrias altamente reguladas, las organizaciones no compran software por sus líneas de código ni por su diseño de interfaz: compran transferencia de responsabilidad civil y garantías de auditoría (liability transfer).
Cuando una entidad aseguradora o un banco contrata una plataforma SaaS para gestionar reclamaciones o procesar transacciones, la cuota de suscripción incluye certificaciones SOC 2 Tipo II, cumplimiento estricto de normativas como HIPAA, GDPR o DORA, acuerdos de nivel de servicio (SLA) con penalizaciones financieras y pólizas de ciberseguridad respaldadas por el proveedor. Si la plataforma sufre una brecha de datos o un fallo catastrófico, la responsabilidad jurídica está delimitada por contrato.
En cambio, si un equipo de ingeniería crea un microservicio interno asistido por agentes para ahorrarse la tarifa de licencia, el 100% del riesgo legal, regulatorio y operativo recae sobre la junta directiva y el comité de dirección. Para un departamento de TI en una empresa de software, asumir ese riesgo es asumible; para una compañía de seguros ante un regulador financiero, ahorrar 200.000 dólares en licencias a cambio de arriesgar sanciones de millones por no conformidad es un pésimo negocio.
La trampa del ‘Día 2’: cuando el prototipo de 48 horas colapsa en producción
La facilidad para generar código funcional ha distorsionado las estimaciones de los comités de inversión. Hoy, un equipo pequeño apoyado en agentes autónomos puede ensamblar una aplicación web completa, conectar bases de datos y configurar pipelines de integración en un par de jornadas de trabajo. Ese es el Día 1, el momento del entusiasmo.
El problema que las empresas están descubriendo a un coste altísimo es el Día 2: qué ocurre cuando el sistema entra en contacto con la realidad operativa de la empresa.
Las investigaciones académicas y de la industria coinciden en la magnitud de esta brecha:
- Tasa de fracaso del software casero: Datos del consorcio de investigación MIT NANDA revelan que las herramientas desarrolladas internamente por corporaciones alcanzan una tasa de éxito operativo a largo plazo de apenas el 33%, mientras que los productos adquiridos a proveedores comerciales consolidados registran una tasa de éxito del 67%.
- Cancelaciones masivas en el horizonte: De acuerdo con las proyecciones de Gartner para entornos de automatización agéntica, más del 40% de las iniciativas de agentes de IA serán canceladas antes de finales de 2027 debido al descontrol en los costes de ejecución, la falta de valor de negocio cuantificable y la debilidad de los controles de gobernanza.
- El estrangulamiento del OPEX: Un 20% de las organizaciones encuestadas por McKinsey reconoce que el coste de computación e inferencia asociado a la IA ya está limitando el volumen de tecnología y automatizaciones que pueden desplegar activamente.
Cuando un proveedor de SaaS detecta una vulnerabilidad en una librería abierta o cuando una API externa actualiza sus protocolos de autenticación, su equipo de ingeniería absorbe el impacto para miles de clientes. Cuando una empresa construye 25 herramientas internas con agentes de código, su plantilla de desarrolladores se convierte de pronto en el departamento de soporte, mantenimiento, seguridad y documentación de 25 productos distintos. El ahorro inicial en licencias se evapora con rapidez en salarios de ingeniería dedicados a apagar fuegos de mantenimiento.
El ‘Context Tax’: el coste oculto de computación que desangra los pilotos
Existe otro factor que dinamita las previsiones de ahorro: el coste recurrente de la inferencia. Construir y evolucionar software mediante agentes de código no es un proceso de coste cero; está sujeto a lo que la firma de ingeniería de software SonarSource ha bautizado recientemente como el «impuesto de contexto» (Context Tax).
En el desarrollo tradicional, un ingeniero humano inspecciona mentalmente un archivo, navega por un árbol de dependencias conocido y modifica tres líneas de código. Un agente autónomo, por el contrario, suele recurrir a barridos exhaustivos de búsqueda textual (greps masivos) y a la relectura continua de decenas de ficheros completos para comprender el impacto de un cambio. En cada iteración de prueba, corrección y depuración, el agente consume cientos de miles de tokens de contexto.
A medida que la base de código interna crece y acumula complejidad, el número de tokens necesarios para que el agente ejecute una modificación rutinaria aumenta de forma no lineal. Si la organización no implementa índices semánticos avanzados o grafos de dependencias unificados (como los que propone la arquitectura Sonar Vortex para acotar la navegación agéntica), el coste en llamadas a las APIs de los modelos de lenguaje puede superar con creces el importe de una suscripción mensual estándar de SaaS.
Framework de decisión: qué construir y qué comprar en la era agéntica
La conclusión estratégica no es que las empresas deban prohibir a sus ingenieros construir con agentes, ni tampoco que deban cancelar todas sus suscripciones comerciales. Como destaca Lieven Van der Veken, socio senior de McKinsey, las organizaciones que realmente están obteniendo ventajas competitivas son aquellas que actúan de forma deliberada y selectiva, tratando los costes operativos (OPEX) como una restricción de diseño de primer orden desde el primer día.
Para navegar este nuevo escenario, los comités de tecnología y dirección deben aplicar cuatro principios rectores:
1. Construye con agentes lo que define tu ventaja competitiva
Si un flujo de trabajo, un algoritmo de fijación de precios, un proceso logístico o una experiencia de cliente es la razón por la que tus clientes te eligen frente a la competencia, jamás debería estar condicionado por la hoja de ruta genérica de un proveedor de SaaS. En este terreno, los agentes de código permiten desarrollar software hiperpersonalizado a una velocidad antes reservada a gigantes tecnológicos.
2. Compra lo que implique cumplimiento normativo, identidad o riesgo sistémico
No utilices agentes para reinventar pasarelas de cobro, módulos de nómina, plataformas de autenticación e identidad (IAM), sistemas de detección de fraude o motores de retención fiscal. En estas categorías, lo que se remunera en la factura del proveedor no es el código fuente, sino la cobertura legal, el monitoreo 24/7 y la certeza regulatoria ante inspecciones externas.
3. Utiliza los agentes como ‘pegamento inteligente’ entre tus sistemas maestros
El territorio donde el desarrollo agéntico genera el mayor retorno probado de inversión es la integración y automatización entre plataformas consolidadas (ERP, CRM, almacenes de datos). En lugar de pagar licencias exorbitantes por módulos de integración rígidos o consultorías de meses, los agentes pueden generar conectores a medida, sincronizaciones de datos y paneles operativos ligeros con mínimo mantenimiento posterior.
4. Presupuesta el ‘Día 2’ antes de aprobar el primer prompt
Toda propuesta interna para reemplazar un software comercial por una solución desarrollada con agentes debe incluir en su caso de negocio tres partidas obligatorias: el coste proyectado de tokens y computación a tres años, la asignación formal de propietarios humanos para el mantenimiento del código generado y un plan de contingencia ante fallos operativos. Si el ahorro calculado desaparece al sumar estos tres conceptos, la decisión correcta sigue siendo comprar.
Fuentes primarias y referencias de la industria
- McKinsey & Company: The State of AI in 2026: Organizations accelerate agent deployment while grappling with ROI and operating costs (Estudio global con 1.719 líderes empresariales).
- MIT NANDA Research: Longitudinal Analysis of Custom Enterprise Software vs. Commercial Off-The-Shelf Solutions (Tasa de éxito operativo en desarrollo interno vs. compras comerciales).
- Gartner Research: Predicts 2026–2027: Enterprise Agentic AI Governance and Cost Escalation Pitfalls.
- SonarSource Engineering: Stopping the Context Tax: Smarter Navigation for AI Coding Agents with Unified Dependency Graphs.
