Cuando los datos no votan: por qué ni las startups ni los gigantes están ganando la partida al usuario

El Hook: el día en que el usuario dijo “no” a ambos bandos

Octubre de 2024. Un estudio revela que el 53 % de los consumidores cree que podría usar IA en sus compras, pero solo el 14 % está realmente dispuesto a hacerlo. La industria lo leyó como “gran oportunidad por capturar”. Yo lo leo como lo que es: un voto de desconfianza contra gigantes y startups al mismo tiempo.

Mientras tanto, en Colombia, el sistema de pagos instantáneos Bre‑B permite transacciones gratuitas con claves y QR para reducir el uso de efectivo. En paralelo, el BIS advierte que las stablecoins pueden ser un riesgo para la estabilidad financiera y la soberanía monetaria. En la misma semana, un unicornio cripto anuncia que quiere trabajar con bancos y family offices.

La narrativa oficial habla de “revolución”, “colaboración” y “win‑win”. Los datos cuentan otra historia: nadie está ganando claramente. Lo que tenemos no es una guerra, sino un ensayo clínico mal diseñado donde nadie quiere mirar los efectos secundarios.

Este texto es el informe que no aparecerá en el comité de innovación: un análisis comparativo de banca/fintech, retail/e‑commerce, salud/healthtech y movilidad/logística, pero escrito desde la incomodidad de quien solo confía en los datos que se intentan esconder.

La Génesis: cómo llegamos a un mercado que adora la palabra “disrupción” y teme a la hoja de cálculo

No empezamos aquí. Llegamos a este punto por una secuencia bastante prosaica:

1. Industria tradicional: décadas construyendo infraestructuras físicas, marcas, redes regulatorias y procesos. Elevada fricción, pero enorme resiliencia.
2. Startups: software, capital riesgo y la promesa de que “la fricción es un bug, no una característica”. Apalancamiento digital, iteración rápida, costes variables.
3. Tecnología: cloud, microservicios, IA generativa, open banking, pagos instantáneos como Bre‑B, agentes conversacionales como PuppeteerAI, plataformas materno‑infantiles como Maternify, soluciones de IA omnicanal como Adereso AI.
4. Regulación a remolque: el BIS avisando sobre stablecoins, reguladores de mercados emergentes intentando equilibrar inclusión financiera e integridad del sistema, bancos centrales temiendo perder el control de la moneda.

El relato “oficial” es lineal: incumbentes lentos vs startups rápidas, hasta que unos aprenden de otros y todos ganan. El problema es que, sector por sector, la evidencia empírica muestra algo más sucio: modelos de negocio que no encajan del todo, tecnologías sobredimensionadas respecto al apetito real del usuario y experiencias de usuario que optimizan fricción… en el sitio equivocado.

El Conflicto Invisible: no es gigantes vs startups, es teoría vs evidencia

El conflicto que la mayoría no ve no es entre banca y fintech, ni entre retailers y e‑commerce, ni entre hospitales y healthtech.

El conflicto real es este:

• El relato de innovación dice que la adopción tecnológica depende de cuán avanzada sea la solución.
• Los datos dicen que la adopción depende de algo mucho más incómodo: confianza, percepción de riesgo y compatibilidad con los hábitos existentes.

Si esto fuera una discusión científica, muchos modelos de negocio actuales serían rechazados por falta de correlación robusta entre lo que presumen y lo que realmente cambia en el comportamiento del usuario.

Vamos al terreno sector por sector, no para repetir el catecismo —bancos lentos, startups ágiles—, sino para ver dónde cada uno está ciego.

Banca vs Fintech: entre la solvencia regulatoria y el entusiasmo algorítmico

a) Modelos de negocio: ¿quién precifica el riesgo sistémico?

Las instituciones bancarias tradicionales siguen centradas en servicios integrales: cuentas, crédito, inversión, seguros. Sus ingresos vienen de intereses, comisiones y servicios premium. Costes altos: sucursales, personal, sistemas legacy. A cambio, tienen una cosa que el pitch deck no puede comprar: licencias, supervisión y un banco central detrás.

Las fintech, en cambio, venden especialización digital: pagos, préstamos específicos, inversión minorista, tarjetas virtuales. Sus ingresos se basan en comisiones, suscripciones, esquemas SaaS y modelos de casi‑marketplace de servicios financieros. Costes más ligeros, equipos ágiles, capacidad de iterar y diversificar rápido.

En mercados emergentes, la narrativa es inclusión financiera: Bre‑B en Colombia como ejemplo de pagos instantáneos gratuitos para reducir el efectivo y aumentar competencia. Reguladores adaptando marcos para permitir esta innovación.

Pero el dato incómodo viene del BIS: stablecoins no reguladas pueden amenazar la estabilidad financiera y la soberanía monetaria. Mientras unos hablan de “democratizar las finanzas”, los supervisores leen “potencial canal paralelo de riesgo sistémico”.

Tesis disidente:

• Los bancos sobre‑monetizan la confianza (cobran caro por ser “seguros”) y sub‑monetizan la experiencia.
• Muchas fintech sobre‑monetizan la experiencia (onboarding brillante, UX impecable) y no precifican adecuadamente el riesgo regulatorio y sistémico.

b) Tecnología: legado visible vs riesgo invisible

Bancos tradicionales:

• Infraestructura on‑premise, sistemas monolíticos, integraciones limitadas.
• Analítica básica para segmentación y riesgo.
• Ciclos de desarrollo largos, metodologías waterfall o híbridas.
• En cumplimiento y seguridad, enfoque conservador: pesados, sí; pero con procesos probados frente al regulador.

Fintech:

• Arquitecturas cloud‑native y microservicios.
• Modelos data‑driven y IA‑first para scoring, personalización, pricing dinámico.
• Integraciones vía APIs y open banking: datos de terceros para enriquecer sus modelos.
• Cultura DevOps, releases frecuentes, experimentación A/B como norma.

Bain & Company constata lo evidente: emisores digitales ofrecen experiencias superiores usando IA, datos en tiempo real y marketing personalizado, presionando el negocio de tarjetas de crédito de los bancos.

Pero si miramos como científicos y no como evangelistas, hace falta preguntar: ¿qué parte de esa ventaja es sostenible cuando el regulador empiece a medir no solo NPS, sino concentración de riesgo y dependencia de proveedores de nube?

c) Experiencia de usuario: confianza heredada vs confianza calculada

Bancos:

• Omnicanalidad basada en fuerte presencia física.
• Procesos con alta fricción: formularios, validaciones, tiempos de espera.
• Confianza construida en décadas, reforzada por la percepción de protección estatal.

Fintech:

• Onboarding digital en minutos, mobile‑first.
• Interfaces conversacionales, transparencia de tarifas, soporte rápido.
• Confianza basada en experiencia percibida, no en solvencia histórica.

El usuario no elige entre “viejo” o “nuevo”, elige entre riesgo percibido vs esfuerzo real. Y la paradoja es clara: el sistema que mejor gestiona el riesgo objetivo (la banca regulada) suele ofrecer la peor experiencia; el sistema que mejor diseña experiencia (fintech) carga con un riesgo estructural que todavía no hemos vivido a escala.

Retail vs E‑commerce: IA como fetiche, desconfianza como dato

a) Modelos de negocio: ¿vender stock o vender predicciones?

Retailers tradicionales:

• Tiendas físicas, ventas directas, márgenes apretados.
• Costes fijos: alquileres, personal, inventario.
• Diversificación moderada, iteración lenta.
• Crecimiento vía expansión física y marketing masivo.

Startups de e‑commerce:

• Plataformas digitales, ventas online, modelos marketplace.
• Costes ligados a tecnología y logística flexible.
• Rápida diversificación de catálogo, crecimiento por growth hacking y expansión geográfica digital.

El discurso hegemónico es que la IA “transforma la personalización” en comercio electrónico. Es verdad… para el lado de la oferta. El lado de la demanda cuenta otra cosa.

b) Tecnología: IA adoptada, confianza pendiente

Startups como Adereso AI muestran la versión brillante: IA generativa y automatización omnicanal para atención al cliente y gestión comercial; datos como materia prima, agilidad como cultura.

Retailers establecidos, con su infraestructura pesada y bases de clientes gigantes, enfrentan el coste de integrar IA en sistemas históricos, cuidando privacidad y equidad.

Los estudios recientes nos plantan el dato que nadie quiere en la portada del deck:

• 53 % de consumidores cree que podría usar IA en sus compras.
• Solo 14 % está dispuesto a hacerlo realmente.
• Las preocupaciones: volumen de datos recopilados, falta de claridad sobre su uso, temor a discriminaciones o usos indebidos.

c) Experiencia de usuario: conveniencia vs exposición

E‑commerce:

• Mobile‑first por diseño.
• Procesos de compra simplificados, un‑click, recomendaciones, soporte automatizado.
• Altísima personalización, pero a costa de perfilar exhaustivamente al usuario.

Retail físico:

• Experiencia sensorial directa, social, limitada en datos.
• Menos personalización, pero también menos sensación de vigilancia.

La IA en el retail no fracasa en la parte técnica; fracasa donde casi nadie mira: la psicología del usuario frente a la vigilancia algorítmica. El usuario percibe que cada click incrementa su “superficie de ataque” comercial.

En términos científicos, la tasa de adopción de IA en compras está limitada menos por la calidad del algoritmo que por un factor externo al modelo: aversión a la pérdida de control sobre los datos personales.

Salud vs Healthtech: eficiencia algorítmica versus miedo humano

a) Modelos de negocio: ¿quién está realmente orientado al paciente?

Instituciones de salud tradicionales:

• Servicios médicos presenciales, ingresos de consultas, procedimientos, seguros.
• Costes elevados en personal, infraestructuras, equipamiento.
• Iteración lenta, diversificación moderada.

Startups de healthtech:

• Telemedicina, wearables, plataformas de gestión de salud.
• Ingresos por suscripción, comisiones, SaaS.
• Cost structure ligera, foco en producto digital, diversificación rápida.

Casos concretos desmontan la caricatura de “startups contra hospitales”:

• PuppeteerAI (Uruguay): agentes conversacionales basados en IA que automatizan interacciones con pacientes; en 2024 incorporan voz para conversaciones telefónicas automatizadas, fijando un nuevo estándar operativo.
• Maternify (España): atención materno‑infantil personalizada, combinando domicilio y telemedicina, con inversión de actores tradicionales como HM Hospitales y Sanitas Ventures.
• Colaboraciones como la de BioNTech y Pfizer para la vacuna de ARNm contra la COVID‑19: tecnología puntera startup + capacidad de producción y distribución global de big pharma.

El patrón es claro: cuando la salud está en juego, la startup sola no basta. El modelo robusto emerge de la colaboración asimétrica.

b) Tecnología: IA donde duele equivocarse

Salud tradicional:

• Sistemas de gestión de pacientes y registros electrónicos, integración limitada.
• Cambios tecnológicos lentos, muchas veces impulsados por regulación.

Healthtech:

• Plataformas digitales que usan IA para diagnóstico, priorización, monitoreo y personalización.
• Prototipado rápido, experimentación constante.

En otros sectores, fallar un A/B test implica pérdida de conversión. En salud, un error algorítmico implica daño clínico. Esa asimetría rara vez está incorporada en el entusiasmo innovador.

c) Experiencia de usuario: lo que el paciente realmente valora

Instituciones tradicionales:

• Interacción humana directa, pero acompañada de esperas largas, burocracia y fricción.
• Confianza basada en reputación institucional y regulación.

Healthtech:

• Conveniencia extrema: consultas remotas, seguimiento digital, acceso más rápido.
• Transparencia de información y datos, cumplimiento estricto de privacidad.

Lo que los datos sugieren —por los patrones de colaboración como PuppeteerAI con instituciones y el respaldo a Maternify por grandes actores— es que el usuario no quiere elegir entre humano y digital. Quiere que:

1. La fricción administrativa desaparezca.
2. La responsabilidad clínica siga estando claramente en manos humanas e institucionales.

La narrativa de “hospital vs app” nunca existió del todo; lo que ha existido es una incapacidad sistemática de medir qué parte del journey quiere el paciente automatizada y cuál no.

Movilidad y Logística: algoritmos en el mapa, asfalto en la realidad

a) Modelos de negocio: flota pesada vs demanda líquida

Empresas tradicionales de movilidad y logística:

• Flotas propias, redes de distribución, ingresos por transporte de mercancías y pasajeros.
• Costes fijos altos en vehículos, personal y mantenimiento.
• Iteración lenta, contratos largos.

Startups:

• Movilidad compartida, logística bajo demanda, plataformas que orquestan oferta y demanda.
• Ingresos vía comisiones, suscripciones, SaaS para operadores.
• Costes centrados en tecnología y operaciones flexibles.

Nadie discute que las startups han mejorado la asignación dinámica de recursos. Lo que rara vez se discute es que buena parte de la infraestructura física sigue siendo la misma. El diferencial real no está en si hay una app, sino en quién absorbe el riesgo de capacidad infrautilizada.

b) Tecnología y experiencia: visibilidad no es control

Actores tradicionales:

• Sistemas de gestión de flota y logística, con integración limitada.
• UX pensada para clientes corporativos, poco foco en usuario final.

Startups:

• Plataformas escalables, algoritmos de ruteo y asignación, seguimiento en tiempo real.
• UX centrada en transparencia: se ve todo en un mapa, aunque no todo se pueda controlar.

El usuario final cree que, si ve un punto moverse en el mapa, el sistema es eficiente. No necesariamente. Muchas startups han logrado una percepción de eficiencia superior a la eficiencia real gracias a una UI brillante.

Si midiésemos el sistema con rigor científico —tiempos efectivos, emisiones, utilización de activos— veríamos que la “revolución” es a menudo una reorganización cosmética de la incertidumbre, no siempre una reducción estructural de ineficiencias.

Una primera tabla incómoda: puntuando sin épica

Cuadro comparativo: fortalezas estructurales por tipo de actor

La historia no es “unos ganan, otros pierden”. El dato frío es que ambos están especializados en ignorar tipos de riesgo distintos.

Evidencia & Hallazgos: lo que los sectores comparten sin querer admitir

Si abstraemos los casos anteriores, aparecen patrones transversales:

1. La regulación como variable estructural, no de fondo

   • BIS advirtiendo sobre stablecoins: las promesas cripto tienen un techo regulatorio duro.
   • Reguladores de mercados emergentes habilitando fintechs e infra como Bre‑B, pero sin renunciar al control del sistema.

2. La IA como artefacto de venta, no siempre de adopción real

   • Sector financiero: mercado de IA en finanzas apuntando a cientos de miles de millones de dólares para 2027, impulsando automatización y análisis.
   • Retail: solo 14 % de consumidores realmente dispuestos a usar IA en compras, a pesar de la presión tecnológica.

3. La colaboración asimétrica funciona mejor que la confrontación

   • Salud: PuppeteerAI + hospitales, Maternify + aseguradoras, BioNTech + Pfizer.
   • Fintech: bancos que usan APIs de terceros para mejorar experiencia en lugar de intentar reconstruir todo.

4. El usuario no se alinea con las tesis de los powerpoints

   • Quiere pagos instantáneos, sí, pero no a costa de la estabilidad del sistema que sostiene su dinero.
   • Quiere compras personalizadas, sí, pero no a costa de sentir que es un experimento permanente de IA.
   • Quiere salud accesible, sí, pero no a costa de convertir su cuerpo en un sandbox de algoritmos.

Segunda tabla: el marcador real de ganadores y perdedores

Scorecard: quién gana y quién pierde en cada dimensión crítica

Enfoque geográfico: mismos discursos, distintos experimentos

En mercados desarrollados (EE. UU., Europa):

• Mayor madurez regulatoria, marcos claros de open banking y protección de datos.
• Consumidor más consciente de privacidad y derechos digitales; la brecha entre “podría usar IA” y “quiero usar IA” se hace evidente.
• Incumbentes con músculo para invertir en IA y absorber startups vía M&A.

En mercados emergentes (Latam, Sudeste Asiático):

• Crecimiento acelerado de fintechs por necesidad de inclusión financiera y baja bancarización previa.
• Reguladores adaptando marcos para no estrangular la innovación, pero vigilando la estabilidad (caso Bre‑B y advertencias sobre stablecoins).
• Comportamientos de usuario más pragmáticos: se adopta lo que resuelve problemas inmediatos (pagos, transferencias, acceso básico a salud), incluso tolerando mayor experimentación.

Es el mismo guion narrativo, pero con parámetros iniciales distintos. En emergentes, la tolerancia al riesgo tecnológico es mayor cuando el contrapunto es la exclusión. En desarrollados, el usuario ya tiene alternativas funcionales y exige algo más que promesas.

El Giro Estratégico: cambiar la pregunta antes de cambiar la app

La mayoría de los planes de innovación parten de preguntas erróneas: “¿Cómo podemos ser más como una startup?” o “¿Cómo podemos comernos a los incumbentes?”

El enfoque científico sería otro: ¿qué tipo de riesgo estamos sistemáticamente subestimando?

Para una empresa tradicional que quiera defender su posición e innovar

1. Reformular el objetivo
   Pasar de “digitalizarnos” a “re‑diseñar la fricción”:

   • Mantener fricciones que protegen confianza (controles, verificaciones críticas).
   • Eliminar fricciones puramente administrativas.

2. Tratar la regulación como ventaja competitiva activa

   • Anticipar marcos en vez de resistirse: participar en el diseño de estándares de IA, de open banking y de privacidad.
   • Convertir cumplimiento en producto: mostrar de forma entendible cómo se protegen los datos, cómo se gobiernan los modelos algorítmicos.

3. Arquitectura tecnológica transicional, no heroica

   • No intentar “matar el core” en un año. Empezar por exponerlo vía APIs internas controladas.
   • Migrar a cloud y microservicios por capas, priorizando journeys de alto impacto en usuario.

4. Cultura de producto basada en evidencia, no en moda

   • A/B tests sí, pero con métricas que incluyan confianza y riesgo, no solo conversión.
   • Incorporar comités mixtos: negocio, tecnología, compliance y, sí, gente de datos que pueda decir “no” con argumentos.

5. Estrategia de colaboración selectiva con startups

   • CVC, aceleradoras, adquisiciones y modelos white label/B2B2C no como marketing, sino como mecanismos de aprendizaje controlado.
   • Casos como PuppeteerAI o Maternify señalan un patrón: dejar que la startup experimente en la interfaz, manteniendo la responsabilidad de fondo.

Para una startup que quiera escalar y colaborar con incumbentes

1. Modelar explícitamente el riesgo regulatorio

   • No tratarlo como “ruido” sino como variable de primera clase en el modelo de negocio.
   • Entender advertencias como las del BIS sobre stablecoins como condiciones de contorno, no como opiniones.

2. Optimizar para confianza, no solo para velocidad

   • En fintech y salud, mostrar con transparencia cómo se toman decisiones algorítmicas.
   • Incluir opciones de opt‑out y control granular sobre datos para reducir la brecha entre usuario potencial y usuario dispuesto.

3. Diseñar pensando en la migración al mainstream

   • Saber que la ventaja de costes y agilidad se erosiona cuando el negocio crece: anticipar estructuras de cumplimiento, seguridad y resiliencia.
   • No enamorarse del “modo beta permanente” en sectores donde el error tiene consecuencias graves.

4. Colaborar donde el otro es más fuerte

   • Tratar a bancos, hospitales, retailers y operadores logísticos como infraestruturas críticas, no como dinosaurios.
   • Buscar acuerdos donde la startup aporte interfaz y personalización, y el incumbente aporte escala, marca y paraguas regulatorio.

5. Medir lo que nadie quiere medir

   • No solo NPS, CAC o LTV; también impacto en estabilidad del sistema (financiero, sanitario, logístico), sesgos algorítmicos, percepción de vigilancia.
   • Tomar el 14 % de disposición a usar IA en compras como señal de límite, no como “barrera psicológica a superar a golpe de UX”.

El Gran Plano: el verdadero paradigma que se está moviendo

He evitado intencionadamente un sector más: educación/edtech. No porque no sea relevante, sino porque es la pieza que revela el patrón completo.

En educación, energía, finanzas, salud, retail y movilidad se repite la misma estructura experimental:

• Startups optimizan la interfaz y la velocidad de iteración.
• Incumbentes custodian la infraestructura y la relación con el regulador.
• El usuario oscila entre ambos buscando la mejor combinación posible de conveniencia y seguridad.
• La regulación actúa como fuerza gravitatoria que limita las órbitas más extremas (stablecoins, IA opaca, experimentación clínica sin control).

Se habla de “paradigma digital”, pero los datos apuntan a otra cosa: el verdadero cambio de paradigma no es tecnológico, es epistemológico.

Estamos pasando de un sistema donde confiábamos en instituciones lentas a uno donde se nos pide confiar en modelos rápidos. Y ni bancos, ni retailers, ni hospitales, ni apps de movilidad han demostrado todavía, con evidencia robusta, que puedan gestionar esa confianza al ritmo que prometen.

Cada sector parece contar una historia diferente, cada tabla sugiere ganadores y perdedores distintos, cada tecnología se presenta como inevitable, cada regulación como obstáculo o salvavidas, pero todas estas piezas sólo encajan si aceptamos que el juego ya no va de quién innova más rápido, sino de quién se atreve a medir —y a reconocer— el riesgo que los demás prefieren ignorar.

Referencias

1. Banco de Pagos Internacionales (BIS). Advertencias sobre el riesgo de las stablecoins para la estabilidad financiera y la soberanía monetaria. CincoDías, 24 de junio de 2025.
2. Análisis sobre la expansión de fintechs en mercados emergentes y marcos regulatorios flexibles orientados a la inclusión financiera.
3. Sistema de pagos instantáneos Bre‑B en Colombia: pagos gratuitos e instantáneos vía claves y códigos QR para reducir el efectivo y aumentar la competencia. El País, 11 de octubre de 2025.
4. Informe de Bain & Company sobre la presión de las fintechs y emisores digitales en el negocio de tarjetas de crédito de bancos tradicionales en Sudamérica.
5. Estimaciones de mercado sobre IA en el sector financiero, con proyecciones de alrededor de 400 mil millones de dólares para 2027, impulsadas por automatización, análisis de datos y aprendizaje automático.
6. PuppeteerAI: agentes conversacionales de IA para automatizar interacciones con pacientes, incorporación de capacidades de voz en 2024. Wikipedia.
7. Maternify: plataforma de atención materno‑infantil personalizada, modelo híbrido domicilio/telemedicina y ronda de inversión de 460.000 € en 2023 con participación de HM Hospitales y Sanitas Ventures. Wikipedia.
8. Colaboración BioNTech‑Pfizer para el desarrollo de vacunas de ARNm contra la COVID‑19. Noticias de Gipuzkoa, 20 de julio de 2025.
9. Adereso AI: soluciones de IA generativa y automatización omnicanal para atención al cliente y gestión comercial en retail y otros sectores. Wikipedia.
10. Estudio de octubre de 2024 sobre percepción de consumidores ante la IA en retail: preocupación por el volumen de datos recopilados y su uso. arXiv:2410.15369.
11. Informe de octubre de 2024 sobre adopción de IA en compras: 53 % de consumidores considera que podría usar IA, pero sólo 14 % está dispuesto realmente, debido a preocupaciones de privacidad y datos. CincoDías, 23 de octubre de 2024.
12. Artículos sobre estrategias de Binance para colaborar con bancos y family offices en productos cripto. CincoDías, diciembre de 2025.
13. Declaraciones de Juan Guerra sobre la adaptación de Revolut al contexto mexicano, subrayando que no es una copia del modelo europeo. El País, febrero de 2026.