Antes de usar una previsión del mercado de agentes de IA en una valoración, hay que decidir qué mide. Los ingresos de software, el gasto que podría cambiar de proveedor y el valor de compras influidas por programas son magnitudes económicas diferentes. Colocarlas en la misma columna puede agrandar una oportunidad sin añadir un solo cliente que pague.
Un análisis de colaborador publicado el 14 de septiembre en The Next Web destaca la distancia entre previsiones. El siguiente paso útil es acudir a los resúmenes originales. Corroboran una gran diferencia de tamaño proyectado, pero no autorizan a promediarlas ni a tratarlas como mediciones independientes de una industria definida con precisión.
Tasas parecidas no convierten los mercados en idénticos
Grand View Research proyecta un mercado empresarial de IA agéntica de 24.500 millones de dólares en 2030 y publica una tasa compuesta anual del 46,2% para 2025–2030. Estima el mercado de 2024 en 2.600 millones. Son estimaciones y proyecciones de la firma, no ingresos auditados ni una trayectoria garantizada.
MarketsandMarkets prevé un mercado de agentes de IA de 52.620 millones de dólares en 2030, con una tasa publicada del 46,3% para 2025–2030. Su resumen sitúa la base de 2024 en 5.260 millones y la proyección de 2025 en 7.840 millones. Las fechas deben acompañar a las cifras: una estimación histórica, una proyección intermedia y un punto final no son todas ventas actuales.
Las tasas publicadas se parecen, mientras difieren ámbitos y valores iniciales. Eso no demuestra acuerdo independiente sobre la demanda futura. Una tasa compuesta resume un recorrido entre una base elegida y un destino; no revela la calidad de los supuestos. Tasas similares pueden surgir de definiciones, grupos de clientes o modelos distintos.
Los resúmenes públicos no permiten conciliar completamente cada producto y categoría de ingresos. Es una limitación relevante, no un hueco que rellenar con explicaciones inventadas. El inversor debe comprobar si los ingresos de un proveedor encajan en cada definición antes de calcular su cuota. Sumar ambos totales sería especialmente difícil de justificar porque las categorías pueden solaparse.
El gasto amenazado no es una bolsa de ingresos nuevos
Gartner aporta otra clase de cifra. Su análisis del 1 de julio señala hasta 234.000 millones de dólares de gasto en aplicaciones empresariales expuesto al arbitraje agéntico desde entonces hasta 2030. Describe agentes que completan trabajo entre sistemas y debilitan la relación entre interacción del usuario e ingresos tradicionales por licencias. Es exposición a disrupción, no una previsión de que las nuevas empresas recibirán todo ese dinero.
Si un cliente sustituye parte de un contrato por un servicio de agentes, el nuevo proveedor puede ganar ingresos y el anterior perderlos. Parte del ahorro puede quedar en el cliente. El proveedor establecido también puede ofrecer el agente. Por ello, el presupuesto bruto afectado no equivale necesariamente a ingresos incrementales del sector, y menos al beneficio de una empresa concreta.
Los contratos determinan quién captura valor. Cobrar por usuario, tarea o resultado completado reparte de manera distinta los riesgos de volumen y ejecución. Quien promete un resultado puede absorber reintentos o revisión humana. El cliente que paga por consumo puede soportar más variabilidad. Un gran mercado potencial no responde esas cuestiones contractuales.
El abandono de proyectos cambia quién obtiene los ingresos previstos
En junio de 2025, Gartner predijo que más del 40% de los proyectos de IA agéntica se cancelarían antes de terminar 2027, por costes crecientes, valor empresarial poco claro o controles insuficientes. Sigue siendo una previsión atribuida con plazo definido; no es una tasa de cancelación medida en septiembre de 2026.
Muchos abandonos y un gasto agregado fuerte pueden coexistir. Las organizaciones pueden financiar experimentos que nunca llegan a operar de forma duradera, mientras un grupo menor de despliegues exitosos crece. Los ingresos de un piloto pueden ser reales pero menos repetibles que los de un contrato productivo renovado. Ninguna de las dos previsiones identifica esa mezcla para una empresa concreta.
El contraargumento al escepticismo excesivo es que experimentar puede generar aprendizaje reutilizable y que proveedores exitosos ganen cuota al desaparecer ofertas débiles. Es posible. Aun así, exige pruebas de retención, uso repetido y costes que mejoren con la experiencia. Un proyecto fallido no demuestra automáticamente que toda la tecnología carezca de valor.
Construir la tesis inversora desde un trabajo remunerado
El punto de partida práctico es un proceso por el que alguien paga: qué se entrega, con qué frecuencia se necesita y cuánto cuesta completarlo de forma fiable. Después pueden compararse ingresos con computación, integración, soporte y gestión de excepciones. Produce una estimación más estrecha que un titular de mercado, pero contrastable con contratos reales.
Fortalecerían la tesis las renovaciones tras experimentar, la concentración de clientes divulgada y márgenes de contribución sólidos al aumentar el uso. La debilitarían la intervención manual recurrente, integraciones costosas repetidas por cliente o ingresos que desaparecen al agotarse el presupuesto piloto. Son criterios de evaluación, no afirmaciones sobre el rendimiento actual de un proveedor concreto.
Las previsiones son mapas útiles de oportunidades posibles. Sus etiquetas esenciales son la unidad medida, el perímetro del mercado, el año base y el horizonte. Preservarlas permite hacer la pregunta más difícil: ¿qué parte de ese mercado posible puede atender una empresa de forma repetida y rentable?
