La inteligencia artificial merece un modelo de negocio más riguroso: pago por resultados, no aplausos por una demostración. En los Estados Unidos, la conversación práctica ya está llegando a las operaciones comerciales ordinarias. Una lista de la Administración de Pequeñas Empresas para un taller en línea del 17 de septiembre de 2026 se centró en llamadas perdidas, recordatorios, seguimientos descuidados y entrada de datos repetida. Ese es un punto de partida útil para la economía de la IA: identificar un problema costoso antes de elegir el software. Una máquina inteligente sin un cliente que pague sigue siendo un gasto. La evidencia de adopción disponible sugiere una oportunidad, pero no una mina de oro intacta. En su análisis del 26 de mayo de 2026, la Oficina del Censo de los Estados Unidos informó que el uso de IA en los negocios fluctuó entre el 17% y el 20% durante los períodos de encuesta desde diciembre de 2025 hasta principios de mayo de 2026. Estas son observaciones históricas, no una estimación de adopción de septiembre. La oficina también explicó que amplió su pregunta en noviembre de 2025 de IA utilizada en la producción de bienes o servicios a IA utilizada en cualquier función comercial. Esa distinción es importante: redactar un correo electrónico ocasional y construir una operación rentable en torno a la automatización no son logros equivalentes. La primera teoría es el arbitraje de producción: usar IA para reducir el tiempo necesario para entregar algo que los clientes ya compran, y luego retener la diferencia. Un especialista hipotético podría vender descripciones de productos editadas, materiales de capacitación traducidos o presentaciones de ventas personalizadas a un precio de proyecto acordado. Si la producción y la verificación se vuelven más baratas sin dañar la calidad, el margen mejora. La atracción es sencilla: un servicio se puede probar antes de construir un producto elaborado. La debilidad es igualmente sencilla. La producción más rápida no crea automáticamente una ventaja en encontrar clientes, ganar confianza o defender precios contra competidores con herramientas similares. Este modelo tiene más sentido cuando el vendedor aporta experiencia, distribución o juicio que el cliente no puede obtener solo de un aviso. La segunda teoría es la agencia de automatización: vender la instalación y el mantenimiento de sistemas que hagan que otro negocio sea más productivo. Su argumento más fuerte es que las ganancias de productividad pueden ser reales. Un estudio publicado en la edición de mayo de 2025 de The Quarterly Journal of Economics examinó a 5,172 agentes de soporte al cliente y encontró que la asistencia de IA aumentó los problemas resueltos por hora en un 15% en promedio, con diferencias sustanciales entre los trabajadores. Ese hallazgo apoya un uso específico en el lugar de trabajo, no una promesa de ganancias universal. Una agencia aún necesitaría establecer si su instalación particular ahorra horas extras pagadas, expande la capacidad útil o mejora la retención de clientes. Los minutos ahorrados no son automáticamente dólares ganados. La versión débil de cualquiera de las teorías es la propuesta de ingresos pasivos: comprar acceso, activar la tecnología y esperar dinero. Los registros de aplicación oficial ofrecen una razón para el escepticismo. En el testimonio del Congreso de abril de 2026, la Comisión Federal de Comercio describió la obtención de prohibiciones contra varios operadores de oportunidades comerciales que habían hecho afirmaciones relacionadas con la IA, incluyendo Ascend Ecom. El testimonio dijo que la comisión había acusado a esa operación de haber tomado al menos 25 millones de dólares de los consumidores a través de promesas engañosas. Esa historia no condena el emprendimiento en IA. Condena la sustitución de una terminología impresionante por evidencia sobre los resultados de los clientes y la economía empresarial. La alternativa más interesante es un servicio de recuperación de compras asistido por IA: encontrar dinero que un negocio ya ha pagado de más, documentar la discrepancia y ganar una parte negociada solo cuando se realiza la recuperación. Un piloto propuesto podría concentrarse en las facturas de proveedores de un mayorista, registros de pagos, órdenes de compra y notas de crédito. La IA ayudaría a extraer información de documentos inconsistentes e identificar posibles desajustes; cálculos ordinarios y revisión humana determinarían si realmente existía un pago duplicado o un crédito faltante. Cada recuperación candidata necesitaría un paquete de evidencia que vincule los documentos originales. Esta es una aplicación propuesta, no una afirmación de que un modelo estándar puede auditar de manera confiable un negocio sin supervisión. La diferencia comercial es la responsabilidad. En lugar de vender un chatbot o una vaga promesa de eficiencia, el operador vendería un proceso de recuperación documentado. El acuerdo debería excluir discrepancias ya identificadas por el personal del cliente, establecer un período de revisión y definir si el pago depende de un reembolso en efectivo o de un crédito realmente aplicado. Un compromiso hipotético ilustra la aritmética: 20,000 dólares en recuperaciones elegibles y realizadas a una tarifa de éxito negociada del 20% producirían 4,000 dólares en ingresos. Si los costos totales del compromiso, incluidos el esfuerzo de ventas, el software, la revisión humana y los gastos generales asignados, fueran de 1,500 dólares, el remanente sería de 2,500 dólares antes de impuestos. Cada cifra es una suposición, no una tarifa de mercado o una previsión de ganancias. Un compromiso sin recuperación podría perder dinero. Las salvaguardias propuestas son tan importantes como el argumento de venta. El acceso debería comenzar con registros autorizados de solo lectura, limitados a la información necesaria para el compromiso. El operador debería acordar términos de retención y eliminación, probar la precisión de la extracción y requerir que un revisor calificado apruebe cada reclamación antes de que un proveedor la reciba. Un modelo de lenguaje no debería autorizar pagos, alterar detalles bancarios o inventar la base contractual para un reembolso. Donde una hoja de cálculo o una regla de coincidencia convencional resuelva el problema, debería reemplazar el paso de IA. El servicio también debería evitar presentar la conciliación de facturas comerciales como una auditoría regulada o ofrecer conclusiones legales o fiscales más allá de su competencia. La pregunta más difícil es la repetibilidad. Una primera revisión podría descubrir un atraso que nunca regresa, mientras que la prevención exitosa podría reducir las tarifas de recuperación futuras. Por lo tanto, el operador necesitaría probar si un servicio de monitoreo con precio separado ofrece suficiente valor continuo para ganar renovación. Los clientes potenciales deberían ser seleccionados por un volumen de transacciones suficiente, registros accesibles y una disposición a validar resultados, no meramente entusiasmo por la IA. La publicación del 7 de mayo de 2026 de la Oficina del Censo puso a disposición datos suplementarios sobre la adopción por industria y tamaño de negocio, así como usos comerciales y tareas apoyadas. Tal evidencia puede ayudar a enmarcar la investigación de mercado, pero solo un piloto pagado puede establecer si este servicio particular tiene un negocio.