Monetización de la IA

Ejecución de los ingresos ordinarios

Este es el Samuel’s Newsletter. Lea, analice, comente y comparta con sus amigos y relacionados. Exprese su opinión, máxime si no está de acuerdo conmigo o tiene otras perspectivas.

Por Samuel Mantilla – Monetización de la IA. Ejecución de los ingresos ordinarios

Quienes están utilizando agentes y otras herramientas de IA están muy interesados en su productividad y monetización, pero quienes los están generando no tanto. ¿Por qué?

Una explicación radica en las preocupaciones que hay por si las inversiones, gastos, desembolsos, y compromisos que se están haciendo en IA, particularmente en laboratorios y centros de datos, van a generar los retornos que normalmente esperan los inversionistas. Algunos incluso alertan sobre una posible ‘burbuja de la IA’.

Otra, un poco más complicada, intenta explicar por qué los indicadores derivados de los PCGA (con bases US GAAP o IFRS, o sin ellas), que comúnmente se usan para analizar las compañías como tales, no están siendo utilizados por las plataformas en que se desarrollan. Los lectores del Samuel’s Newsletter están familiarizados con la diferencia entre compañías y plataformas.

Para algunos expertos la clave radica en entender el rompecabezas de los ingresos ordinarios [revenues]. De manera creciente la monetización de la IA está siendo reportada por referencia a los ingresos ordinarios:

• Se reconoce que el estándar de los ingresos ordinarios derivados de contratos con los clientes (ASC 606 de los US GAAP, e IFRS 15 de los Estándares IFRS de Contabilidad) es “El rey de los estándares”.
• ¿Por qué, entonces, se están usando métricas derivadas de ese estándar (para el análisis tradicional de los estados financieros) y otras métricas basadas-en-los-ingresos-ordinarios (que no son de corte tradicional), pero sí de alto uso en finanzas?
• La ejecución de los ingresos ordinarios, sobre todo, la anualizada (por períodos mensuales, trimestrales, semestrales o anuales) tiene buena parte de la clave de ello y entenderla se ha convertido en todo un reto.

En este contexto, para entender la monetización de la IA, la ejecución de los ingresos ordinarios tiene la clave.

Pero las finanzas ofrecen una perspectiva completamente diferente a la contable tradicional.

El rompecabezas de los ingresos ordinarios

El pasado 11 de agosto de 2026 Olga Usvyatsky publicó en su blog Deep Quarry un artículo que tituló The AI Revenue Puzzle. Companies increasingly report AI monetization metrics, but what do those numbers actually measure? [El rompecabezas de los ingresos ordinarios de la IA. De manera creciente las compañías reportan métricas de monetización de la IA, ¿pero qué realmente miden esos números?

Olga inicia su artículo con la siguiente afirmación:

“Hoy daré una mirada a cómo los híper-escaladores responden la pregunta de cómo definir la monetización de la IA, por qué los GAAP no responden esa pregunta, y qué revelan las revelaciones de Microsoft acerca del desafío de interpretar las métricas de ingresos ordinarios de IA”.  [Traducción de SAMantilla]

Se trata de un artículo que es necesario leer y analizar en su totalidad, no puede el lector conformarse solamente con mi resumen y mi análisis.  

La preocupación común es qué va a pasar con las grandes inversiones que los híper-escaladores (las grandes tecnológicas y las otras entidades que están vinculadas a la creación de centros de datos y a la generación de IA) están haciendo en IA. ¿Van a generar los retornos de inversión esperados? ¿Cuándo? ¿Se está generando una burbuja que afectará toda la economía?  Sobre éstas, y preguntas similares, no hay uniformidad en las respuestas y mucho menos consensos.

Dada la diversidad y aparente contradicción entre los distintos indicadores utilizados, Olga Usvyatskypercibe que se está frente a una verdadera encrucijada, un rompecabezas cuyas piezas no son fáciles de armar.

La inquietud común es cuál es la relación financiera que hay entre las inversiones y la IA. Frente al tradicional ‘retorno sobre la inversión’ advierte que hay otros indicadores que están adquiriendo mucha importancia:

• Crecimiento de los ingresos por IA (tanto ingresos ordinarios como ganancias).
• Crecimiento en la nube (parece que para algunas tecnológicas el ‘gran negocio’ sigue estando en la ‘utilización de los servicios’ de la nube).
• Expansión de las carteras de pedidos (y su contraparte de compromisos adquiridos a futuro, si bien todavía no concretados en contratos y desembolsos).
• Relación entre gasto (para muchos ‘desorbitado’) en infraestructura de IA y su productividad (concretada y por concretarse).

En esa encrucijada se destaca un conjunto aparentemente ‘nuevo’: las métricas de ingresos ordinarios relacionados con la IA y, particularmente su ejecución anualizada.

Olga Usvyatsky reconoce que, una vez más, ha sido el WSJ quien ha ‘puesto sobre la mesa’ esas inquietudes, haciéndolo con estilo periodístico, bastante cargado de especulación, y le hace un ‘filtro’ usando los GAAP y los reportes preparados según los US GAAP y reportados en la SEC. Comparte la preocupación del periodista del WSJ en relación con las revelaciones de Microsoft sobre estas cosas, y se sorprende al encontrarlas en otras grandes tecnológicas.

En ese contexto, hace una afirmación interesante:

“Microsoft es uno de los pocos casos en los que los inversionistas pueden vincular parte de una métrica de ingresos de IA a un cliente específico, lo que permite comprender al menos un componente del negocio de IA de Microsoft, aunque con ciertas salvedades y sujeto a estimaciones. Pero esta ventaja plantea otra pregunta lógica. Si OpenAI representa aproximadamente entre el 50 % y el 70 % del negocio de IA de Microsoft, ¿qué constituye el 30%  al 50% restante? ¿Se trata principalmente de los servicios de IA de Azure vendidos a otros clientes? ¿Microsoft 365 Copilot? ¿GitHub Copilot? ¿Funciones de IA integradas en otros productos de Microsoft?” [Traducción de SAMantilla]

Por eso su conclusión no sorprende: se necesita mejorar las revelaciones. Este es un tipo de ‘solución’ al que se está acudiendo con frecuencia en los tiempos más recientes: más y mejores revelaciones para entender lo que está ocurriendo.

Pero se contradice con otro cuestionamiento que hace: el modelo de fijación de precios [de Microsoft] puede estar fallando:

“El desafío de la asignación de los ingresos ordinarios a los diferentes componentes de un contrato empaquetado no es nuevo bajo los US GAAP. La ASC 606 requiere que las compañías identifiquen las obligaciones de desempeño distintas contenidas en un contrato con el cliente y asignen el precio de la transacción a cada obligación con base en su precio de venta independiente relativo. La asignación del precio de la transacción a cada componente importa porque diferentes obligaciones de desempeño pueden ser reconocidas en diferentes puntos en el tiempo o durante diferentes períodos.

“ Como resultado, identificar si un bien o servicio prometido es distinto y determinar cómo tal consideración que es asignada a él puede afectar tanto la cantidad de los ingresos ordinarios reconocidos para ese producto o servicio y el período en el cual los ingresos ordinarios son reconocidos. La unidad de cuenta según la ASC 606 es la obligación de desempeño – no la característica o capacidad de un producto individual. De acuerdo con ello, si la funcionalidad de IA está inmersa en una suscripción de software más amplia y no constituye una obligación de desempeño separada según la ASC, el estándar no requiere que los ingresos ordinarios sean atribuidos por separado a la funcionalidad de la IA” [Traducción de SAMantilla]

El análisis de Olga es válido: la separación entre bienes y servicios, pero:

• Pareciera que los servicios son intangibles, lo cual no necesariamente es cierto.
• El empaquetamiento que incluye IA debe considerar el componente intangible y parece que así lo están haciendo las grandes tecnológicas, aún a costa de ‘dentro de los GAAP’ apartarse un poco de ellos.
• No extraña que los auditores identifiquen estas cosas como materias de auditoría críticas, pero tampoco vayan más allá.

Abordando lo relacionado con la ‘ejecución de los ingresos ordinarios’ [run-rate revenue] Olga acude a un artículo que Karen Kwok publicó en Reuters el 10 de marzo de 2026 con el sugestivo título de Anthropic give lesson in AI revenue hallucination [Anthropic da una lección sobre la alucinación de los ingresos ordinarios de IA]. ¿Una alucinación que ilusiona?

Usvyatsky comentó:

“Un artículo de Reuters, del 10 de marzo de 2026, proporciona un ejemplo útil de que una métrica prospectiva basada-en-ingresos-ordinarios puede presentar una imagen dramáticamente diferente comparada con el análisis histórico de los ingresos ordinarios. De acuerdo con Reuters, Anthropic tenía registrados ingresos ordinarios GAAP acumulados de $5 billones entre 2023 y 2025 al tiempo que simultáneamente reportó una tasa de ejecución de ingresos ordinarios de $19 billones a finalesde febrero de 2026, un aumento considerable desde los $14 billones pocas semanas antes” [Traducción de SAMantilla, las negrillas corresponden al original].

Deja claro que la diferencia no es un error de contabilidad: es el poder de la extrapolación inmersa en cómo Anthropic define la ejecución de los ingresos ordinarios.

Por eso llama la atención el uso de expresiones tales como:

• Análisis histórico de los ingresos ordinarios
• Alucinación de los ingresos ordinarios
• Ilusión de ingresos ordinarios

En finanzas las cosas son bastante diferentes. Conviene darles una mirada.

La ejecución de los ingresos ordinarios es un indicador ya afianzado

Si bien en los entornos del análisis histórico (tradicional) de los estados financieros, como el que realiza Olga Usvyatsky, la ejecución anualizada de los ingresos ordinarios es algo nuevo, la realidad es que en finanzas ya tiene un largo recorrido.

Lo ‘nuevo’, quizás, sería entender por qué Microsoft y otras grandes tecnológicas la están usando. Entiendo que, para ellas, como para todo el mundo, la IA es un negocio nuevo y la ejecución de los ingresos ordinarios es, precisamente, un indicador ampliamente utilizado para evaluar startups y otros negocios nuevos. Téngase en cuenta que no se refiere a evaluación de ‘empresas’ o ‘entidades’, sino a negocios nuevos. Yo preferiría decir plataformas.

Hay dos indicadores que están ampliamente afianzados en los entornos financieros, si bien en los contables no tienen la misma acogida:

• Tasa anual de ejecución de los ingresos ordinarios (Annual Revenue Run Rate)
• Tasa de ejecución de las ventas = Tasa de ventas acumuladas (Sales Run Rate)

La ejecución de la tasa (Run Rate) se usa más cuando es expresada en términos anualizados. Se anualiza un período reciente de ingresos ordinarios para proyectar la cifra de todo el año.

El 15 de marzo de 2020 Tim Vipond, FMVA, en el blog del Corporate Finance Institute, escribió un artículo con el título de Revenue Run Rate. Annualized revenue [Tasa de ejecución de los ingresos ordinarios. Ingresos ordinarios anualizados], donde anota:

“La tasa de ejecución de los ingresos ordinarios es un indicador del desempeño financiero que toma los ingresos ordinarios corrientes de una compañía en cierto período (una semana, mes, trimestre, etc.) y los convierte en una cifra anual para obtener el equivalente de todo el año. Esta métrica a menudo es usada por compañías de crecimiento rápido, dado que los datos, incluso los de hace unos pocos meses, pueden subestimar el tamaño actual de la compañía. Otro término para esto es la tasa de ejecución de las ventas”.

En general, la tasa de ejecución usa información financiera actual, tal como ventas actuales e ingresos ordinarios actuales, para pronosticar el desempeño. Como extraplora la información financiera y el desempeño actuales, es un supuesto implícito que el entorno financiero actual no cambiará de manera significativa en el futuro.

Tasa de ejecución de los ingresos ordinarios = ingresos ordinarios del período / # de días del período x 365:

• Generalmente se considera que es un indicador muy útil del desempeño financiero para una compañía joven que solo ha estado en el negocio durante un corto período de tiempo.
• La tasa de ejecución de los ingresos ordinarios puede ser una herramienta especialmente poderosa si la compañía está relativamente segura de que el entorno financiero no cambiará de manera drástica.
• Es útil cuando: (1) se intenta obtener fondos para la actividad de negocios; (2) la firma hace cambios importantes a su estructura y administración operacional; y (3) en la modelación financiera.

Conlleva los siguientes riesgos: (1) Cambios en el entorno; (2) Estacionalidad; y (3) Cambios en el desempeño de la compañía

Waveup publicó el 29 de abril de 2026 una revisión que Igor Shaverskyi hizo a su artículo Run Rate: Definition, Formula + ARR vs MRR Comparison (2026) [Tasa de ejecución: Definición, fórmula + Comparación ARR vs MRR (2026)] donde deja claro:

“La tasa de ejecución anualiza un período de ingresos ordinarios recientes para proyectar la cifra de todo el año. La fórmula: Tasa de ejecución de los ingresos ordinarios = Ingresos ordinarios del período x Número de períodos por año (mensual x 12, trimestral x 4, diaria x 365). Funciona como una instantánea, no como un pronóstico – la estacionalidad, las ofertas puntuales, y la rotación de clientes la invalidan inmediatamente. En nuestro trabajo con más de 600 startups, la tasa de ejecución es el indicador que más se utiliza incorrectamente en las presentaciones para startups en fase inicial.”

La siguiente gráfica permite visualizar esta fórmula.

Esta fórmula para calcular la ejecución de los ingresos ordinarios es la misma que Tim Vipond presentó. La aparente diferencia se explica con el ejemplo que ofrece Shaversky:

“Si su startup obtuvo $20,000 el mes pasado, su tasa anual de ejecución (a menudo denominada revenue run rate [tasa de ejecución de los ingresos ordinarios] es $20,000 x 12 = $240,000. Eso es todo. Es popular en equipos de etapa temprana porque da un sentido rápido de escala incluso cuando los datos históricos son escasos.

“Hay un inconveniente. La tasa de ejecución asume que los siguientes 12 meses se comportarán exactamente igual al período más reciente – y los negocios reales raramente se comportan de manera tan ordenada. Cuando un fundador dice “tenemos una tasa de ejecución de $1M”, el inversionista mentalmente traduce: “¿Con base en cuál período? ¿Repetible? ¿Puntual? ¿Estacional? ¿Mes de suerte?” Por eso la tasa de ejecución sin contexto es peor que no tener dato alguno”. [Traducción de SAMantilla]

El contexto, es quizás, la mayor ventaja que tienen los indicadores basados-en-contabilidad, históricos, tal y como lo plantea Olga Usvyatsky. Pero, disponiendo del contexto, el análisis debe realizarse según los parámetros, condiciones y límites del mismo.

Shaversky agrega:

“Esta guía explica qué significa realmente la tasa de ejecución, la fórmula para períodos mensuales, trimestrales y diarios, en qué se diferencia de los ingresos ordinarios recurrentes anuales (ARR) y los ingresos ordinarios recurrentes mensuales (MRR), qué significa el «EBITDA de la tasa de ejecución» en la diligencia debida de fusiones y adquisiciones, y los cinco errores que los inversores detectan en 30 segundos.”

 Esa guía es bastante interesante porque ofrece ejemplos sencillos de cómo se calcula y cómo se debe analizar la tasa de ejecución. Presenta también cuándo funciona y cuándo no. Ofrece tres escenarios que comúnmente los fundadores utilizan para ‘inflarla’ y los cinco errores que más comúnmente se cometen en su uso:

1. Usar como referencia su mejor mes hasta la fecha.
2. Ignorar descuentos o promociones.
3. Tratar como recurrentes los eventos puntuales.
4. Citar la tasa de ejecución sin mencionar en qué período se basa.
5. Usar la tasa de ejecución para justificar la contratación o el gasto.

Finaliza con una sección sobre las preguntas y respuestas más frecuentes, pero antes ofrece una guía bastante práctica sobre cómo usar la tasa de ejecución sin engañar a los inversionistas:

1. Establezca, de manera explícita, el período.
2. Elimine los ingresos ordinarios que ocurren solo por una vez.
3. Siempre que sea posible, calcule al menos datos de tres meses.
4. Combine con una métrica recurrente.
5. Úsela como un dato más, no como el encabezado titular.

Ciertamente se trata de una referencia para el lector interesado en estas cosas.

Con el IFRS 18 se complica el rompecabezas

La comparabilidad con los indicadores derivados de los IFRS y de los US GAAP ahora es más difícil. Si Ud. no tiene cuidado, puede generar problemas complicados. La materialidad importa.

El 25 de agosto de 2026 Shlomi Shuv y Eyal Ruff publicaron en IFRSIdeas un artículo que titularon 12 New GAAP Gaps (at least) Expected to Emerge in 2027 Following the Adoption of IFRS 18 [(Al menos)12 nuevas brechas en los GAAP se espera que surjan en el 2027 luego de la adopción del IFRS 18].

Afirman de manera contundente:

“Si bien la inclusión de las Medidas de desempeño definidas-por-la-administración [Management-Defined Performance Measures (MPMs)] dentro de los estados financieros ha recibido importante atención, el IFRS 18 introduce otro cambio importante: un estado de ingresos estandarizado que agrupa los elementos en las categorías de operación, inversión, y financiación. La nueva estructura cambia cómo muchos elementos de ingresos y gastos son clasificados y presentados en comparación con la actual práctica IFRS. Adicionalmente, comenzando en el 2027, la adopción del IFRS 18 se espera que incremente las diferencias en la utilidad operacional reportada y el EBITDA entre los IFRS y los US GAAP”. [Traducción de SAMantilla].

Debo aclarar que el IFRS 18.47 en realidad establece cinco categorías para el estado de ingresos (utilidades y pérdidas):

1. Categoría de operación (incluye todos los elementos de ingresos y gastos que no se clasifiquen en las otras categorías,
2. Categoría de inversión,
3. Categoría de financiación,
4. Categoría de impuestos a los ingresos (ganancias), y
5. Categoría de operaciones descontinuadas.

Quizás por la asociación con las categorías del estado de flujos de efectivo es que se mencionan solamente las tres primeras, pero no se deben dejar por fuera las otras dos, máxime si son materiales.

Sin embargo, lo importante del artículo de Shlomi Shuv y Eyal Ruff son las nuevas brechas que, a raíz de la implementación del IFRS 18 a partir del año 2027, surgen en los indicadores calculados según los IFRS y los US GAAP. Esto es clave porque generalmente las grandes tecnológicas (y las empresas asociadas a la creación de centros de datos e IA) están reportando según los US GAAP. No entender estas diferencias puede generar problemas y dificultades adicionales.

A continuación ofrezco, en español, en tres secciones, la tabla con la que Shlomi Shuv y Eyal Ruff resumen las 12 diferencias que surgen en la implementación de los IFRS y de los US GAAP. Lo hago sin su autorización.

Shlomi Shuv y Eyal Ruff dejan claro que, tal y como ocurre siempre con la adopción de un nuevo estándar de contabilidad, su lista no es una lista completa. La implementación podrá hacer que surjan nuevas ‘sorpresas’ y el profesional en ejercicio debe ser cuidadoso en detectarlas y analizarlas. La traducción (‘no autorizada’) se hace con fines de académicos, de análisis y opinión. No es asesoría profesional.

Por eso vale la pena reseñar otros comentarios de Olga Usvyatsky donde resalta por qué, además de los indicadores, es importante considerar la oportunidad, los términos contractuales y la contabilidad.

La oportunidad, los términos contractuales y la contabilidad son importantes

Olga Usvyatsky complementa análisis que se está haciendo en este artículo con otro que publicó el pasado 24 de agosto de 2026 con el título de Behind Big Tech’s AI Commitments. Why timing, contract terms and accounting matter when interpreting Big Tech’s future spending. [Detrás de los compromisos de IA de las Grandes Tecnológicas. Por qué la oportunidad, los términos contractuales y la contabilidad son importantes cuando se interpreta el gasto futuro de las Grandes Tecnológicas].

Es su análisis de un artículo publicado en el WSJ Why Big Tech’s AI Spending Is $3 Trillion Higher Than It Seems [Por qué el gasto en IA de las Grandes Tecnológicas es 3 billones de dólares superior a lo que parece] que, usando la familiar figura del iceberg, señala que en el balance general el gasto en IA se sitúa por encima de la línea de flotación, mientras que billones de dólares en compromisos de arrendamiento y de compra, que aún no se han informado en el balance general, se sitúan por debajo.

Olga muestra cómo el artículo de WSJ especula sobre la información contenida en la contabilidad (que denomina ‘gasto’, pero que en realidad son activos, porque en el balance general no se registran gastos) y la que está fuera del balance porque corresponde a compromisos de arrendamiento y de compra, que todavía no se han materializado aunque haya la intención de hacerlo en el futuro. Estos compromisos todavía no son gastos). En lugar de ‘balance’, WSJ debió haber utilizado la expresión ‘Estados financieros’ y aún así su análisis seguiría sesgado hacia lo especulativo.

Más allá de ello, Olga extiende sus preocupaciones sobre lo adecuado de las proyecciones y valuaciones que utiliza WSJ, y no acepta que las cifras que ofrece sean comparables con las de Enron: Enron utilizó el ‘fuera de balance’ para ocultar pasivos, mientras que las Grandes Tecnológicas lo están usando para revelar compromisos que se concretaran en el futuro (p.ej., cuando la empresa que está construyendo el centro de datos se lo entregue efectivamente en arrendamiento para uso).

Olga acepta que se necesita mejor revelación y desarrolla su análisis de los compromisos futuros en cómo son definidos y lo vinculantes que son en términos de comparabilidad, cancelabilidad, oportunidad, y valor del dinero en el tiempo.

Palabras finales

Se han presentado diversas posiciones respecto de problemas de contabilidad y finanzas que están generando bastante impacto y, por lo tanto, se convierten en objeto de análisis.

La monetización de la IA es uno de esos problemas. Para entender la monetización de la IA, la ejecución de los ingresos ordinarios tiene la clave.

Quienes están utilizando agentes y otras herramientas de IA están muy interesados en su productividad y monetización, pero quienes los están generando no tanto. ¿Por qué?