Cómo evaluar una startup IA como ángel

1. El nuevo paradigma del venture capital

La inteligencia artificial ha transformado el capital riesgo de forma tan profunda como está transformando otros sectores. En 2025, la inversión en startups de IA representó más del 35% de todo el capital riesgo global, según CB Insights. Pero este auge trae consigo un problema: la mayoría de los inversores ángel no tienen las herramientas adecuadas para evaluar estas empresas.

Relacionado: Evaluación de agentes: cómo medir lo no determinista

Relacionado: Cómo leer un 10-K como un inversor

Las métricas tradicionales de venture capital (ARR, burn multiple, CAC/LTV) siguen siendo relevantes, pero no son suficientes. Una startup de IA puede tener cifras de crecimiento espectaculares y, sin embargo, carecer de ventaja competitiva real porque su modelo está construido sobre APIs de terceros que cualquiera puede usar. Evaluar correctamente una startup de IA requiere entender tanto la tecnología como el negocio.

2. Los cuatro pilares de la evaluación

1. El dato (data moat): La materia prima de la IA son los datos. Preguntas clave: ¿Tiene la startup acceso a datos propietarios que sus competidores no pueden replicar? ¿Son datos de alta calidad, etiquetados, actualizados? ¿Genera más datos conforme más clientes usa el producto (data flywheel)? Si los datos son públicos y replicables, el foso es débil.

2. El talento (team moat): En IA, el equipo importa más que en otras startups. No solo por la complejidad técnica, sino porque el campo avanza tan rápido que la capacidad de aprendizaje del equipo es más importante que su conocimiento actual. Buscar fundadores que citan papers recientes, que mencionan experimentos fallidos (señal de honestidad intelectual), y que tienen experiencia combinada en producto e investigación.

3. La distribución (go-to-market): La mejor tecnología del mundo no vale nada si no llega a los clientes. Evaluar cómo planea la startup adquirir clientes, cuánto cuesta adquirirlos, y si el canal de distribución es escalable. Las startups de IA que venden a otras empresas (B2B) suelen tener mejor tracción que las que venden a consumidores (B2C) porque resuelven problemas concretos con presupuesto asignado.

4. La economía unitaria: Muchas startups de IA queman efectivo a un ritmo alarmante porque el coste de inferencia (ejecutar el modelo para cada cliente) es alto. Preguntar: ¿Cuál es el coste de servir a un cliente? ¿Cómo evoluciona ese coste con la escala? ¿El margen bruto es superior al 60-70%? Si el coste de inferencia consume la mayor parte del ingreso, no es un negocio sostenible.

3. Señales de alerta específicas de IA

Basadas en la experiencia de fondos como Sequoia, a16z e Index Ventures:

«Full-stack AI» sin especialización: Startups que pretenden hacerlo todo (modelo propio, infraestructura, aplicación) suelen acabar siendo malas en todo. La especialización es clave.

Dependencia de un solo modelo: Si la startup depende de la API de OpenAI o de un modelo concreto, está en riesgo de que el proveedor lance una actualización o cambie los precios. Buscar arquitecturas modulares.

Métricas vanity: «Hemos reducido el tiempo de proceso en un 90%». Bien, pero ¿cuántos clientes pagan por ello? La métrica clave es el revenue, no la eficiencia técnica.

Benchmarking engañoso: «Nuestro modelo supera a GPT-4 en benchmark X». Los benchmarks de IA se saturan rápidamente y no siempre se traducen en valor real para el cliente.

4. Checklist práctica para el inversor ángel

1. ¿Entiendo el problema que resuelve? (¿Puedo explicarlo en dos frases?)
2. ¿Quién más está resolviendo el mismo problema?
3. ¿Por qué esta startup puede resolverlo mejor que los incumbentes?
4. ¿Los fundadores tienen «chip» de producto o solo de tecnología?
5. ¿Puedo ver una demo real que funcione, no un PowerPoint?
6. ¿Cuánto efectivo consume al mes y cuánto le queda?
7. ¿Hay clientes reales pagando o solo usuarios gratuitos?
8. ¿Cuál es el plan para cuando OpenAI lance algo similar?
9. ¿El equipo ha fracasado antes y ha aprendido de ello?
10. ¿Invertiría en esta startup aunque no hubiera hype de IA?

El último punto es el más importante: separar el hype del sector de la calidad de la empresa concreta.

5. Fuentes

• CB Insights (2025). State of AI Venture Capital 2025.
• Sequoia Capital (2025). Evaluating AI Startups: A Framework for Investors.
• Andreessen Horowitz (2024). The AI Playbook: How to Invest in Artificial Intelligence.
• Blank, S. (2023). The Four Steps to the Epiphany. 3rd ed. Wiley.
• Thiel, P., & Masters, B. (2014). Zero to One: Notes on Startups, or How to Build the Future. Crown Business.
• Damodaran, A. (2025). «Valuing Early-Stage AI Companies». Musings on Markets.

6. Sugerencia de imagen

Infografía de cuatro bloques (datos, equipo, distribución, economía unitaria) con una puntuación visual tipo radar chart. Cada bloque tiene un indicador de 1-10. Un ejemplo anotado de una startup ficticia para mostrar cómo se evalúa. Fondo oscuro, azul profundo y dorado. Estilo similar a las fichas de evaluación de fondos de VC.

Ver también en el glosario: Inferencia, Startup, Señal