· Nacho Planas
El amanecer de la era agéntica: quién cobra cuando el software empieza a actuar
Muse, de Meta, ha puesto un agente de IA en millones de bolsillos en dos semanas. El momento del consumidor es real, pero todavía tosco. La historia más duradera es el arnés: el trabajo de cada agente se convierte en llamadas, commits, peticiones y registros que alguien factura. Twilio, Datadog, GitLab y Cloudflare, con los números.
Aviso: No es asesoramiento de inversión. Puedo tener posiciones en algunas de las empresas mencionadas. Las cifras de las empresas proceden de sus informes y presentaciones de resultados hasta septiembre de 2026; los precios son cierres hasta el 25 de septiembre.
Un momento Ghibli para los agentes
El 8 de septiembre Meta lanzó Muse, un agente personal de IA que envía correos, reserva viajes, rellena formularios, compra y negocia por ti. Sigue trabajando después de cerrar la aplicación y pide permiso antes de hacer cualquier cosa delicada. Funciona con Muse Spark, el modelo propio de Meta, paga a través de Stripe Link y probarlo no cuesta nada, con planes mensuales de 20 y 100 dólares para un uso más intensivo. Según datos de Sensor Tower publicados por Bloomberg, se descargó 902.000 veces en seis días y llegó al número uno en las dos tiendas de aplicaciones de Estados Unidos, por delante de la propia aplicación Meta AI en el mismo periodo. La acción de Meta subió un 11% el día en que se publicó ese dato. En Connect, dos semanas después, Meta añadió un avatar en vídeo para el agente, control de un Mac, una dirección de correo propia, una versión para sus gafas y una larga lista de socios comerciales, de Shopify y PayPal a Walmart y Expedia.
Citrini Research lo llamó el «momento Studio Ghibli» de la IA agéntica. La referencia es a finales de marzo de 2025, cuando OpenAI integró la generación de imágenes en ChatGPT e internet se llenó de dibujos al estilo de Hayao Miyazaki. En dos días Sam Altman escribía que las GPU de OpenAI se estaban derritiendo. A la semana siguiente ChatGPT había sumado un millón de usuarios en una hora, y 130 millones de personas habían creado más de 700 millones de imágenes. Una capacidad que los usuarios avanzados tenían desde hacía tiempo recibió un envoltorio que la gente corriente quería, y la demanda desbordó la infraestructura que había detrás.
La analogía funciona en un aspecto importante: los agentes ya existían para los desarrolladores, y Muse es la primera vez que llegan al gran público en un formato que la gente parece querer. Pero falla en otros dos.
Primero, un retrato al estilo Ghibli es inofensivo. Un agente gasta tu dinero, habla en tu nombre y tiene tus contraseñas. Una encuesta publicada este mes concluía que solo un 7% de la gente dejaría que un agente comprara sin preguntar antes. Amazon bloqueó a Muse en su tienda desde el lanzamiento, alegando problemas de permisos e identificación.
Segundo, Muse todavía no es del todo lo que parece. 404 Media informó de que algunas de las llamadas que Muse hizo a restaurantes y tiendas «en nombre de» sus usuarios las hicieron en realidad trabajadores subcontratados en centros de llamadas, y que a algunos usuarios no se les avisó. Según informaciones posteriores, la prueba se ha retirado, y Meta asegura que solo lanzará la función con la debida transparencia. Lo revelador es que, al parecer, las llamadas que hacían personas salían bien con mucha más frecuencia que las que hacía solo la IA.
Así que el momento del consumidor es real, y es tosco. Así suelen empezar estas cosas. La parte que me parece más invertible se ve menos: qué hace realmente un agente cuando se pone en marcha y quién cobra por cada paso.
De qué está hecho un agente
Un agente es un modelo de lenguaje más un arnés. El modelo razona. El arnés es todo lo que permite que ese razonamiento toque el mundo: las herramientas a las que puede llamar, un espacio de trabajo con archivos y código, una memoria que se conserva entre pasos, una red sobre la que funcionar y unas barreras y registros para que alguien pueda ver qué ha hecho. Meta ejecuta cada agente de Muse dentro de su propia pequeña máquina virtual, con dos núcleos de procesador y ocho gigas de memoria, lo que recuerda que el arnés es algo físico, no solo conceptual.
La distinción importa en términos económicos. A medida que los modelos convergen y se abaratan (el tema de mi artículo sobre las curvas en S apiladas), lo escaso es cada vez menos el razonamiento y cada vez más el arnés que lo rodea. Y el arnés tiene una propiedad que el modelo no tiene: casi todo lo que hace lo factura alguien que no es el proveedor del modelo.
La demanda ya está aquí
La historia del consumidor tiene unas pocas semanas. La empresarial tiene más de un año, y es enorme.
Anthropic pasó de un ritmo anualizado de ingresos de unos 1.000 millones de dólares a finales de 2024 a más de 65.000 millones a finales de julio de 2026. Su consejero delegado ha dicho que la empresa planificó para multiplicar por diez sus ingresos en un año y los multiplicó por ochenta. Buena parte procede de la programación, y la mayoría llega a través de la API, de empresas que construyen sus propios productos y agentes. OpenAI superó los 40.000 millones de dólares en agosto. Se piense lo que se piense de las valoraciones de estos laboratorios, son clientes pagando para que los agentes trabajen.
Los datos de tokens cuentan lo mismo desde otro ángulo. OpenRouter, que enruta el tráfico de desarrolladores entre decenas de proveedores de modelos, pasó de medio billón de tokens a la semana en enero de 2025 a unos 126 billones a mediados de septiembre de 2026. Según la propia empresa, principios de febrero de 2026 fue probablemente el último día en que los humanos consumieron más tokens en su plataforma que los agentes. Cloudflare afirma que el tráfico no humano superó al humano en su red en mayo de 2026, mucho antes de lo que preveía su propio consejero delegado. El Model Context Protocol, el estándar que permite a los agentes conectarse a herramientas, se descarga más de 97 millones de veces al mes.
Por qué los agentes multiplican la demanda en lugar de limitarse a sumarla: un chat es una pregunta y una respuesta. Un agente planifica, llama a una herramienta, lee el resultado, llama a otra, revisa su trabajo y vuelve a intentarlo. Anthropic midió que sus propios agentes usan unas cuatro veces más tokens que un chat, y los sistemas multiagente, unas quince veces más. El consejero delegado de Datadog señaló lo que importa para todos los demás: los agentes pasan buena parte de su tiempo, a veces la mayor parte, llamando a herramientas, y esas herramientas son software corriente que funciona en servidores corrientes. Cada una de esas llamadas la factura alguien.
Dónde corre el taxímetro
Eso me da una prueba sencilla para saber quién sale ganando: seguir a un agente durante una tarea y apuntar todo lo que toca. Normalmente necesita llegar a una persona, escribir o modificar código, moverse por la red y estar vigilado mientras lo hace. Cuatro empresas cotizadas ocupan esos cuatro pasos y cobran por uso, no por puesto humano.
El gráfico es el marcador. Tres de las cuatro han pasado de un crecimiento que se frenaba a uno que se acelera en el último año y medio. La cuarta, GitLab, muestra el patrón antes de que llegue a los ingresos publicados. Esto es lo que hace cada una por un agente, y las pruebas de que son los agentes los que tiran de ella.
Twilio: los agentes tienen que llegar a las personas
Los agentes que reservan, venden, atienden y recuerdan necesitan llegar a personas, y las personas siguen, sobre todo, cogiendo el teléfono y leyendo mensajes. Twilio vende las tuberías para eso. Su nueva capa de conversaciones, disponible para todos los clientes desde mayo, conecta una llamada telefónica con un modelo de IA y gestiona la voz en ambos sentidos, con memoria y análisis por encima, todo ello facturado por uso.
Un minuto de voz entrante normal tiene un precio de tarifa inferior a un céntimo. El mismo minuto con ConversationRelay cuesta casi ocho céntimos, antes de sumar memoria y análisis. Las cifras de la empresa empiezan a reflejarlo. Los ingresos de voz crecieron más de un 20% el último trimestre, y los de voz en autoservicio, más de un 50%; el crecimiento del beneficio bruto no GAAP se ha acelerado durante cinco trimestres seguidos, hasta el 18%. El beneficio bruto es la medida más limpia para Twilio, porque las tasas de operadoras que se repercuten inflan los ingresos sin añadir beneficio. La dirección explicó el caso de un cliente nativo de IA que pasó de gastar una cifra baja de seis dígitos al trimestre a un ritmo anualizado de 6 millones de dólares en poco más de un año. Twilio ha elevado dos veces sus previsiones de crecimiento orgánico para el año, del 8–9% al 13–13,5%.
Una advertencia, porque la acción se ha movido por ello: el vínculo de Twilio con Muse no está confirmado. Los títulos subieron alrededor de un 23% en cuatro sesiones en torno a Meta Connect, porque el mercado dio a Twilio el papel de compañía telefónica de Muse. Ninguna de las dos empresas lo ha dicho. El único testimonio de primera mano, de un desarrollador que probó las llamadas de Muse, dice que Meta gestiona la telefonía por su cuenta. HSBC rebajó la recomendación el día 25, con el argumento de que Meta podría conectarse directamente con las operadoras y de que incluso un escenario muy optimista para Muse añadiría menos de un 1% a los ingresos de Twilio. Bandwidth, de la que nadie dice que tenga un contrato con Muse, subió casi exactamente lo mismo esa semana, lo que indica que fue una operación temática. La historia de Twilio que me convence es la de las empresas que construyen sus propios agentes de voz en su plataforma, no la de una aplicación de consumo.
Datadog: alguien tiene que vigilar a los agentes
El software tradicional hace lo mismo cada vez. Los agentes, no. Toman caminos distintos para la misma tarea, llaman a herramientas distintas y fallan de formas que nadie había previsto. Por eso monitorizarlos (rastrear cada paso, medir coste y latencia, detectar bucles y llamadas erróneas a herramientas) es mucho más importante que monitorizar una aplicación convencional.
Datadog es donde acaban esos datos. El crecimiento de los ingresos se ha acelerado cinco trimestres seguidos, hasta el 36%. Tiene más de 750 clientes nativos de IA, ocho de los cuales gastan más de 10 millones de dólares al año. Las llamadas de agentes a los puntos de acceso de herramientas de la propia Datadog se multiplicaron por cuatro en un solo trimestre y por más de 22 desde finales de 2025. Y lo que es clave: el crecimiento fuera de las empresas nativas de IA también se ha acelerado, del 18% de hace un año a tasas que rozan el treinta por ciento, y esa es la prueba que me interesa: empresas normales que despliegan agentes y necesitan vigilarlos.
El riesgo es la concentración. El mayor cliente de Datadog, que según numerosas informaciones es OpenAI aunque Datadog no lo nombra, renovó con un uso menor, y la acción cayó un 19% tras un trimestre que batió las estimaciones. La dirección dice que el crecimiento sin ese cliente es más o menos el mismo. Me tomo la reacción del mercado como un recordatorio de que los mayores clientes nativos de IA pueden construir sus propias herramientas, y lo harán; lo que hace duradero el negocio es la base más amplia de empresas.
GitLab: los agentes escriben código, y el código necesita un hogar
La programación es la primera aplicación estrella de los agentes, y cada línea que escribe un agente hay que almacenarla, versionarla, probarla, analizarla y aprobarla antes de ponerla en producción. Las cifras de GitHub dan la escala: los commits mensuales en la plataforma pasaron de 1.400 millones en abril a 2.900 millones en agosto de 2026. El 17 de agosto GitHub sufrió una caída mundial de casi ocho horas, que su director de tecnología atribuyó a un fallo de capacidad en el núcleo del sistema.
GitLab es el otro gran hogar del código, y el que eligen las empresas cuando quieren gestionarlo ellas mismas o no depender de una sola nube. También es la más interesante de las cuatro, porque sus cifras publicadas y sus cifras de fondo cuentan historias distintas.
El crecimiento de los ingresos publicados se ha frenado todos los trimestres durante dos años, hasta el 21%. Por eso la puse como contraejemplo en el artículo sobre el SaaSpocalypse. Pero si se baja un nivel, todo se acelera. Los envíos de código suben un 50% interanual; los pipelines, un 40%, y los repositorios protegidos, un 60%. Los primeros pedidos de clientes nuevos se duplicaron, y los nuevos ingresos recurrentes netos firmados en el trimestre crecieron un 42%. La dirección dice que en los clientes que más usan la IA las bases de código se han multiplicado hasta por cinco, y está reconstruyendo el propio Git, con Anthropic como socio de diseño, para una escala unas cien veces superior a la humana.
La monetización no ha hecho más que empezar. La plataforma de agentes de GitLab, con precio por uso, pasó en un trimestre de 15 millones de dólares a más de 40 millones de consumo de pago anualizado, con el objetivo de superar los 100 millones en enero. Y cerca del 80% de las consultas a su nuevo servicio de contexto de código llegan de agentes externos, como Claude Code y Codex. GitLab cobra cuando agentes que no ha construido trabajan sobre código que aloja. Esa es la tesis del arnés en un solo dato.
Los riesgos son reales. El margen bruto ha bajado del 90% al 86% porque tiene que pagar la inferencia de IA. Parte de los nuevos ingresos por consumo pueden ser dinero de licencias por puesto reempaquetado, algo que según la dirección aún es pronto para separar. Y GitHub, con la distribución de Microsoft y millones de usuarios de pago de Copilot, está resolviendo sus problemas de capacidad.
Cloudflare: la red sobre la que funcionan los agentes
Cloudflare está entre buena parte de internet y sus usuarios, lo que la convierte en el mejor observatorio de lo que los agentes están haciendo con el tráfico. Informó de que el tráfico no humano superó al humano en su red en mayo. Los rastreadores para entrenamiento de IA pasaron del 22% al 52% de las peticiones de rastreadores en un año, y en las categorías más rastreadas las visitas humanas han caído hasta un 40%. Su respuesta ha sido cobrar: pago por rastreo para las empresas de IA desde 2025, precios por uso desde julio y bloqueo por defecto de los rastreadores de uso mixto en páginas financiadas con publicidad desde el 15 de septiembre.
Además, ejecuta agentes directamente. Su plataforma Workers, que ejecuta código en el borde de la red, se ha convertido en una fuente de ingresos relevante y en la línea de producto que más crece. Entre los acuerdos recientes hay compromisos de varios millones de dólares específicamente para alojar contenedores seguros para agentes de IA, y las plataformas de vibe coding más populares despliegan en ella las aplicaciones de sus usuarios. El argumento de su consejero delegado es la escasez: si cada trabajador del conocimiento tuviera un agente en su propio contenedor, no habría CPU suficientes en el mundo, y el enfoque más ligero de Cloudflare usa muchas menos. El crecimiento de los ingresos se ha vuelto a acelerar, del 26% al 36%; los clientes que pagan más de 100.000 dólares al año aumentan un 27%, y sumó unos 2 millones de desarrolladores el último trimestre, más que en todo 2025. El negocio de pagos para agentes que está construyendo todavía no genera ingresos, y gran parte del tráfico de bots que gestiona lo bloquea gratis.
El mercado se ha dado cuenta
Nada de esto es un secreto. Datadog, Twilio y Cloudflare suben entre un 77% y un 97% este año, mientras que el ETF de software está plano. Cloudflare cotiza a unas 33 veces las ventas del año que viene y a más de 200 veces los beneficios del año que viene. Datadog, a unas 17 veces ventas. Esos precios dejan poco margen para un tropiezo como la reacción de Datadog en agosto. GitLab y Twilio son las menos exigentes de las cuatro por múltiplo de ingresos, y GitLab es la única cuya aceleración todavía no se ve en los ingresos publicados.
Qué podría salir mal
- Los agentes decepcionan. El centro de llamadas humano de Muse es el ejemplo que hay que recordar. Si los agentes resultan menos fiables de lo esperado, el uso crecerá más despacio. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelarán antes de que acabe 2027.
- Los mayores clientes se lo hacen ellos mismos. Que OpenAI reduzca su uso de Datadog y que Meta pueda ir directamente a las operadoras son el mismo riesgo: las grandes empresas de IA tienen escala para llevarse el arnés a casa. La defensa es la larga cola de empresas normales que no lo harán.
- Los laboratorios integran el arnés. Un proveedor de modelos que ofreciera llamadas, alojamiento, almacenamiento de código y monitorización dentro de su propia plataforma estrujaría a las cuatro. Es lo que más vigilaría en OpenAI y Anthropic.
- La inferencia se come los márgenes. Los márgenes brutos de GitLab y Cloudflare bajan en tasa interanual porque tienen que pagar cargas de trabajo de IA. Los ingresos por uso con menos margen siguen siendo buenos, pero los múltiplos dan por hecho márgenes de software.
- El precio. En tres de las cuatro, el mercado ya ha pagado buena parte de esto.
El amanecer, no el día
La era agéntica se parece mucho al cuarto peldaño de la escalera que describí en el primer ensayo de esta serie: una capacidad que construyeron los humanos dando a los modelos herramientas y tiempo, y que ahora se extiende de los desarrolladores a las empresas y, con Muse, a todo el mundo. Lleguen o no los modelos a mejorarse a sí mismos, ese peldaño crea un patrón duradero. Cuanto más trabajan los agentes, más llamadas, commits, peticiones y registros pasan por el arnés, y el arnés lo facturan sobre todo empresas que no son laboratorios de modelos.
La versión de consumo está en su fase Ghibli: viral, tosca y apuntalada en parte por personas entre bastidores. La versión empresarial ya supone un ritmo anualizado de 100.000 millones de dólares en los laboratorios, y se nota en las tasas de crecimiento de las empresas que canalizan el trabajo de los agentes. El siguiente sitio donde quiero seguir ese hilo es la seguridad, porque un mundo con mucho más software autónomo actuando por su cuenta es, ante todo, un mundo con una superficie de ataque mucho mayor.