AI-native vs IA pegada encima: cómo distinguirlos en 60 segundos

Un producto AI-native es software cuyo data model, workflow y pricing colapsan sin un modelo en el loop, diseñado así desde el día uno. La IA pegada encima es lo opuesto: un producto que ya funcionaba, envuelto luego en un panel de chat, un botón "resumir" o un campo de autocompletado añadido después.

El removal test es la forma más limpia de distinguirlos. Quita todas las funciones de IA. Si el producto sigue haciendo su trabajo, la IA estaba pegada encima. Si el producto se vuelve inutilizable, es AI-native (Taskade, IBM). La distinción importa en 2026 porque el enfoque bolt-on está empezando a fallar de manera medible.

Los datos de RevenueCat publicados en marzo de 2026 muestran que las apps de IA generan un 41% más de ingresos por usuario que las apps no-IA, pero hacen churn un 30% más rápido: la retención mensual cae del 9,5% al 6,1%, la anual del 30,7% al 21,1% (TechCrunch, marzo 2026; ppc.land). La brecha es lo bastante ancha como para que "vende más, retiene menos" describa bien la categoría bolt-on.

Por qué los bolt-on de IA chocan contra un techo

La encuesta McKinsey State of AI 2025 encontró que el 88% de las organizaciones usa IA en al menos una función de negocio, frente al 78% del año anterior. Solo el 39% reporta impacto en EBIT a nivel empresa, y solo el 31% ha escalado IA en toda la empresa (McKinsey, 2025). El otro 61% sigue pilotando funciones de las que el resto de la organización no puede beneficiarse.

Tres razones estructurales empujan ese techo.

El data model asume humanos. Los esquemas SaaS legacy se construyeron alrededor de write paths impulsados por humanos: un usuario crea un registro, un usuario actualiza un campo, un usuario hace clic en un botón. Cuando la IA llega después como bolt-on, lee esas filas a través de una API delgada y produce resúmenes que el usuario tiene que consumir a mano. El modelo nunca escribe de vuelta, nunca actúa, nunca aprende de los resultados.

El pricing asume compute casi-cero. La economía SaaS dependía de que una llamada API extra costara prácticamente nada. La inferencia de IA cuesta entre $0,001 y $0,50 por petición según el modelo y la longitud del contexto, varios órdenes de magnitud más que una lectura en base de datos. El pricing plano por puesto absorbe ese coste del margen hasta que no queda margen.

La UX asume salidas deterministas. Un botón que devuelve el mismo resultado cada vez encaja con un modelo mental distinto al de un panel de chat que streamea un párrafo que cambia entre sesiones. El usuario entrenado en la superficie determinista desconfía de la no determinista y deja de usarla. El número de retención citado arriba es lo que esa desconfianza produce en agregado.

Por qué "basta con añadir un chatbot" no cierra la brecha

La respuesta refleja al ROI de IA en caída es añadir más superficie de IA, normalmente un panel de chat y unos campos de autocompletado. Ninguna de las tres razones estructurales se arregla. El chat lee los mismos datos rancios, cuesta por consulta lo que el resto del workflow combinado y muestra una interfaz que confunde a los usuarios que llegaron allí buscando un botón.

El estudio BCG 2025 sobre 1.250 empresas encontró que la brecha entre líderes de IA y rezagados se está ensanchando: los líderes generan aproximadamente el doble de crecimiento de ingresos y un 40% más de ahorro de costes, pero solo el 5% de las empresas se califica como future-built (BCG, septiembre 2025). El 95% restante sigue en modo piloto, y la mayoría de sus iniciativas de IA nunca salen del estadio de proof-of-concept. Los bolt-on son el síntoma de ese modo, no la cura.

Qué requiere de verdad un producto AI-native

Cuatro desplazamientos llevan a un producto de bolt-on a native. Ninguno es barato, pero acumulan.

Un data model que el modelo puede leer y escribir

Los embeddings vectoriales conviven con las filas relacionales. Cada artefacto de texto (email, transcripción de llamada, descripción de producto, ticket de soporte) se embebe al escribir. El agente recibe una superficie estructurada de herramientas, no una API REST educada: function calls que mapean sobre los mismos write paths que usa la UI humana, con los mismos permisos y el mismo audit trail. El agente puede actualizar campos, disparar workflows, pasar la pelota a un humano. Es un participante, no un lector.

Workflow donde la IA es un actor, no un sidecar

El patrón que falla es la chat lateral que resume lo que el usuario podría ver de todas formas. El patrón que funciona trata al agente como un compañero con autoridad acotada: puede redactar un follow-up, archivarlo como nota, programar una tarea y traer el resultado a aprobación. El usuario revisa el trabajo del agente como un manager revisa el de un junior, no como un power user revisa su propia herramienta.

Pricing que absorbe el coste de los tokens

Tres patrones que usamos en productos AI-native. Por puesto en la superficie determinista, usage-based con créditos en la superficie de IA, tier enterprise que empaqueta un suelo de créditos. El error más común es esconder el coste de compute dentro de un plan plano por puesto y descubrir al cuarto mes que el margen bruto se ha ido. Mide el coste por petición desde el día uno y precia la superficie de IA por separado, aunque la determinista siga por puesto.

UX diseñada para salidas no deterministas

Respuestas en streaming, actualizaciones de UI optimistas, undo de baja fricción, generative UI que monta la interfaz sobre la intención del usuario en vez de sobre un menú fijo. Un usuario que mira un spinner de 4 segundos mientras un modelo piensa no vuelve. La latencia ya no es un tema de rendimiento, es un tema de retención.

Cómo se ve en la práctica

Un ejemplo pequeño. Un CRM tradicional pega la IA como un botón "resumir esta oportunidad". Los datos siguen siendo filas; la IA genera un párrafo que el usuario lee, copia, ignora. Un CRM AI-native conserva las filas pero añade un índice vectorial de cada email, llamada y mensaje; el agente puede responder a "qué oportunidades se han estancado esta semana", archivar la respuesta como nota y proponer un borrador de follow-up acotado al comercial. El bolt-on ahorra 30 segundos por oportunidad. La versión native mueve todo el funnel.

La brecha se ve en la unit economics. El software AI-native crece en ingresos 2,6 veces más rápido que las alternativas AI-enhanced en las mismas categorías según análisis de sector, y los proyectos AI-native greenfield cuestan aproximadamente un 40% menos en tres años que los proyectos tradicionales a los que se añade IA después (BCG, 2025). El camino bolt-on parece más barato en el mes uno y más caro cada trimestre después.

Cuándo pegar la IA encima sigue teniendo sentido

No todos los productos hay que reconstruirlos. Tres casos en los que el retrofit es la decisión correcta.

Workflows regulados donde la aprobación humana es exigida por ley y la IA es un acelerador, no el actor: revisión de compliance, diagnóstico sanitario, back-office financiero. El bolt-on encaja con el modelo de confianza y con la cadena de audit.

Productos con moats profundos en dominios donde la IA todavía no alcanza el suelo de precisión: soporte a decisiones clínicas, cierta redacción legal, editorialidad de alto riesgo. El bolt-on es el intermedio más seguro hasta que la fiabilidad de los modelos lo alcance.

Herramientas internas con menos de 200 usuarios donde el coste de ingeniería de un rebuild AI-native supera el valor de vida de la propia herramienta. Pega el asistente, acepta el techo, mueve el presupuesto a un producto que se gane el rebuild.

Para todo lo demás, especialmente SaaS B2B o consumer en 2026, los bolt-on pierden en retención más rápido de lo que ganan en conversión.

Cómo saber cuál tienes

Hazle el removal test a tu propio producto. Quita cada feature de IA. ¿Qué queda? Si es el mismo producto menos algunos empujones útiles, tienes un bolt-on. Si en el flujo de usuario se abre un agujero del tamaño de "no sé qué hacer aquí", el producto es en parte native y merece reconstruirse alrededor del modelo.

Segundo control: mira el data model. ¿Hay un índice vectorial, un set de funciones que el agente puede llamar, un audit log de las acciones del agente? Si los tres faltan, la IA lee las mismas filas que lee el usuario, de la misma manera. Bolt-on con otro nombre.

El camino que falla para la mayoría de equipos es "reconstruir todo". El camino que funciona es reconstruir un workflow end-to-end, el de mayor impacto en retención, demostrar el lift en una sola cohorte y luego expandir. De seis a nueve meses para un vertical enfocado a 50-200K MAU es un presupuesto realista. Los equipos que envían antes suelen haberse saltado el desplazamiento del data model, y eso se ve seis meses después en el churn. La misma brecha que abrió el compilador de React en el frontend (hacer menos, pero en la capa correcta), AI-native la abre en la capa de producto: reconstruir menos, pero reconstruirlo donde el modelo puede vivir de verdad.