Anthropic y OpenAI ya encontraron PMF

Durante años, la conversación sobre IA generativa tuvo un problema bastante simple: había mucho interés, pero todavía no estaba claro si la gente la estaba usando porque era novedosa o porque realmente resolvía trabajo. Podías ver demos impresionantes, titulares con promesas enormes y pilotos en casi todas partes, pero eso no era lo mismo que product-market fit.

La tesis de Simon Willison, al mirar a Anthropic y OpenAI, es que esa fase ya cambió. Las dos empresas más visibles del sector dejaron de depender solo de curiosidad o prueba gratis y empezaron a mostrar señales más duras: usuarios que pagan, equipos que integran la herramienta en su flujo diario y una retención que ya no parece anecdótica. Eso importa porque, cuando una categoría encuentra PMF, deja de discutirse si existe demanda y empieza a discutirse cuánto mercado puede capturar.

Qué significa realmente que ya haya PMF

Product-market fit no es una medalla de marketing. Es una señal operativa: una parte suficiente del mercado siente que el producto le ahorra tiempo, dinero o fricción como para usarlo de forma repetida y pagar por él. En IA generativa, eso se traduce en algo muy concreto: no basta con que alguien pruebe un chatbot una vez. Tiene que volver, meterlo en su rutina y, mejor todavía, convencer a su empresa de pagar.

En el caso de Anthropic y OpenAI, la señal más clara no es una única métrica mágica, sino la combinación de varias. Hay demanda de consumo, pero también demanda profesional. Hay uso individual, pero también integración en tareas de trabajo. Y hay una base de usuarios que no solo experimenta, sino que convierte la herramienta en parte de su proceso.

Para aterrizarlo: cuando un equipo de soporte usa IA para resumir tickets, cuando un analista le pide a Claude que revise un contrato largo, o cuando un desarrollador usa modelos para escribir, depurar y explicar código todos los días, ya no estás frente a un juguete. Estás frente a software que compite por tiempo de atención y por presupuesto.

La diferencia entre hype y uso real

El hype se mide por menciones, demos y picos de tráfico. El uso real se ve en hábitos. Si una persona abre una app una vez por curiosidad y no vuelve, eso no es PMF. Si vuelve cada semana para resolver la misma clase de tarea, ahí sí hay una señal fuerte.

En productos de IA, ese cambio suele verse en tres lugares:

1. Usuarios que pagan suscripción porque el plan gratis se queda corto.
2. Equipos que estandarizan prompts, flujos y permisos.
3. Empresas que miden ahorro de tiempo o aumento de productividad y renuevan la licencia.

Ese tercer punto es clave. La compra empresarial no ocurre porque el producto sea “interesante”, sino porque se puede defender con números. Si una herramienta ahorra 20 minutos al día a 30 personas, el cálculo de retorno empieza a ser bastante fácil de explicar.

Las señales que muestran adopción real

La adopción real no se ve solo en descargas. Se ve en conversación de producto, en gasto recurrente y en dependencia operativa. Cuando una empresa paga todos los meses, no está comprando una novedad; está comprando continuidad. Y continuidad es una palabra mucho más seria que curiosidad.

Hay una razón por la que Anthropic y OpenAI aparecen siempre en esta discusión: ambas lograron cruzar el puente entre producto de consumo y herramienta de trabajo. ChatGPT se volvió una interfaz familiar para millones de personas. Claude, por su parte, encontró muy buena tracción entre usuarios que valoran contexto largo, escritura y tareas de razonamiento. El detalle no es quién “gana” una carrera abstracta, sino que ambas ya dejaron de depender de una sola demo viral.

También hay un cambio en el tipo de preguntas que hace el mercado. Antes era “¿puede hacer esto?”. Ahora es “¿cuánto cuesta al mes?”, “¿qué pasa con los datos?” y “¿cómo lo integro con mi stack?”. Esa es una señal bastante sana de PMF porque indica que el producto ya entró al terreno de la compra real.

Pagos, frecuencia y retención

Si quieres detectar PMF sin caer en narrativas infladas, mira estas variables:

• Pago mensual o anual: alguien vio valor suficiente para sacar tarjeta o pedir aprobación interna.
• Uso recurrente: no basta con un día fuerte; la herramienta debe volver a aparecer en la semana.
• Retención de equipos: si varias personas del mismo equipo siguen usándola, el efecto red interno crece.
• Expansión de casos de uso: empieza en redacción y termina en análisis, soporte, ventas o código.

Una forma simple de pensarlo es esta: si el producto se usa solo cuando hay tiempo libre, no hay PMF. Si se usa cuando hay presión de entrega, ya cambió la historia.

Por qué Anthropic y OpenAI llegaron primero

No es casualidad que estas dos compañías estén liderando la conversación. Tienen algo que muchas startups de IA no lograron combinar: distribución, calidad de modelo, interfaz usable y una propuesta suficientemente amplia para distintos tipos de usuario. Eso no garantiza el dominio futuro, pero sí explica por qué fueron las primeras en mostrar señales claras de adopción sostenida.

OpenAI tuvo una ventaja enorme en reconocimiento de marca y en la simplicidad de acceso. Para mucha gente, ChatGPT fue la primera experiencia con IA que no exigía entender prompts complejos, APIs o configuración técnica. En paralelo, Anthropic construyó una reputación fuerte alrededor de Claude como asistente útil para tareas largas, escritura y trabajo profesional. No necesitas que todos los usuarios te amen por la misma razón; necesitas que suficientes usuarios encuentren una razón válida para quedarse.

La otra pieza es el contexto. La IA generativa ya no vive solo en pruebas aisladas. Está entrando en suites de productividad, herramientas de desarrollo, flujos de soporte y procesos de análisis. Cuando un producto puede vivir dentro del trabajo cotidiano, la probabilidad de retención sube bastante.

OpenAI: entrada masiva y hábito de uso

OpenAI ganó por ser el punto de entrada más obvio. Para muchos usuarios, la primera interacción fue simple: escribir una pregunta y obtener una respuesta útil en segundos. Esa facilidad creó hábito. Y cuando un hábito se forma alrededor de una herramienta que resuelve tareas concretas, la suscripción empieza a tener sentido.

Además, OpenAI empujó una interfaz que la gente entiende rápido. No necesitas capacitación larga para pedirle que resuma un correo, redacte un texto o proponga ideas. Esa baja fricción es una ventaja comercial enorme, porque reduce el costo de adopción.

Anthropic: profundidad de uso y tareas largas

Anthropic encontró otra ruta: menos ruido, más profundidad. Claude se asoció con casos donde la gente quiere trabajar con documentos largos, razonamiento más cuidadoso o escritura con menos fricción. En términos de producto, eso es oro, porque convierte al modelo en una herramienta de trabajo y no solo en una curiosidad.

Si tu usuario le pega un documento largo, le pide una síntesis, luego un borrador y después una revisión, ya no está “probando IA”. Está externalizando parte de su proceso cognitivo. Y cuando eso pasa de forma repetida, la retención suele mejorar.

Qué cambió en el flujo de trabajo de la gente

La gran diferencia entre 2023 y ahora es que la IA dejó de estar “al lado” del trabajo para empezar a estar “dentro” del trabajo. Ya no es solo una pestaña abierta por diversión. Es una herramienta que participa en tareas con entrega, revisión y seguimiento.

Eso se nota en roles muy distintos. Un marketer la usa para iterar copies. Un abogado la usa para resumir contratos. Un desarrollador la usa para escribir tests o entender una base de código. Un equipo de ventas la usa para preparar outreach. El patrón común no es el tipo de tarea, sino que la herramienta ahorra tiempo en tareas repetibles o de alta carga mental.

También cambió el nivel de confianza. Al principio, mucha gente dudaba de si la IA “valía”. Hoy la pregunta más útil es dónde sí y dónde no. Esa madurez es importante porque indica que el producto ya se integró en decisiones reales.

Casos de uso que sí sostienen pago

No todos los usos generan PMF. Los que sí suelen tener una de estas características:

• Frecuencia alta: se repiten varias veces por semana.
• Valor económico claro: ahorran horas facturables o reducen trabajo manual.
• Riesgo controlable: el usuario puede revisar y corregir.
• Salida útil: el resultado se puede copiar, editar o llevar a otra herramienta.

Ejemplos concretos:

• Resumir reuniones de 60 minutos para enviar follow-up en 5 minutos.
• Revisar 20 páginas de documentación técnica y extraer decisiones clave.
• Generar una primera versión de un correo comercial y luego ajustarla.
• Depurar un error en código con contexto de archivos relacionados.

Esos casos no dependen de magia. Dependen de repetición. Y la repetición es lo que convierte una demo en un producto.

Qué deberían mirar los equipos de producto y negocio

Si trabajas en producto, marketing o crecimiento, esta etapa de la IA generativa te obliga a cambiar el foco. Ya no alcanza con medir registros o sesiones. Necesitas saber si el usuario vuelve, si paga y si incorpora la herramienta a un proceso estable.

La pregunta correcta no es cuánta gente “la conoce”, sino cuánta gente la necesita. Y eso se ve en señales como activación, frecuencia semanal y expansión a más casos de uso. Si una empresa compra 10 asientos y después sube a 60, ahí hay algo más fuerte que una moda.

Para equipos en LatAm, esto también tiene una lectura práctica. Muchas empresas de la región no adoptan tecnología porque sea nueva; la adoptan cuando reduce fricción operativa y entra en un presupuesto defendible. Si una IA ayuda a un equipo pequeño a hacer más con menos, la conversación cambia rápido.

Métricas que sí importan

Si estás evaluando una herramienta de IA, mira estas métricas antes que el ruido de redes:

No necesitas una métrica perfecta para entender el panorama. Necesitas una combinación coherente. Si sube el uso, sube la retención y sube el gasto, la señal es bastante clara.

Cómo leer el mercado sin exagerar

Hay una trampa común: confundir crecimiento con madurez. Un producto puede crecer rápido y aun así no tener PMF sólido si depende demasiado de promociones, curiosidad o una ola mediática. En cambio, un producto con PMF real suele mostrar menos drama y más rutina.

En IA, la rutina vale mucho. Si la gente abre la herramienta para trabajar, no para jugar, el producto entra en otra liga. Y si además la empresa acepta pagar, el caso de negocio deja de ser hipotético.

Lo que esto cambia para LatAm

Para una audiencia latinoamericana, esta historia tiene una lectura muy concreta. No se trata solo de quién lidera en Silicon Valley, sino de qué herramientas ya están listas para usarse en equipos de la región. Cuando una categoría encuentra PMF en Estados Unidos, suele abrir una ventana de adopción más rápida en otros mercados, aunque con matices de precio, idioma y soporte.

En LatAm, el valor suele medirse con más cuidado. Las empresas quieren ver retorno rápido, menos fricción operativa y herramientas que se adapten a equipos pequeños o medianos. Por eso la IA generativa tiene tanto potencial en servicios, agencias, software, educación corporativa y operaciones internas.

También hay un punto de acceso. Muchas personas en la región entran a estas herramientas por uso individual y luego las llevan al trabajo. Ese movimiento de abajo hacia arriba puede acelerar adopción incluso en empresas que todavía no tienen una estrategia formal de IA.

Oportunidades reales para equipos pequeños

Si diriges un equipo en LatAm, hay al menos cuatro lugares donde la IA ya puede justificar uso pago:

1. Atención al cliente: respuestas iniciales, resumen de tickets y clasificación.
2. Ventas: investigación previa, personalización de mensajes y seguimiento.
3. Operaciones: redacción de procedimientos, análisis de documentos y reportes.
4. Producto y desarrollo: documentación, revisión de código y soporte a QA.

La clave es empezar por tareas repetibles. Si intentas meter IA en procesos demasiado ambiguos desde el día uno, la adopción se enfría. Si la usas donde el ahorro es visible, el hábito aparece más rápido.

Tabla resumen

La conversación sobre IA generativa cambió de nivel. Ya no estamos solo frente a una promesa técnica o a una ola de curiosidad. Estamos viendo productos que la gente usa para trabajar, paga para mantener y recomienda dentro de su equipo. Eso es lo más parecido a PMF que puede mostrar una categoría nueva.

Y eso no significa que todo esté resuelto. Falta ver quién consolida ventajas duraderas, cómo se reparten los mercados y qué pasa cuando más empresas integren IA en procesos críticos. Pero una cosa ya quedó bastante clara: Anthropic y OpenAI dejaron de ser solo nombres grandes. Hoy son productos con demanda real.