Entre la presión por adoptar IA y el riesgo de quemar recursos: la difícil encrucijada para el ecosistema emprendedor en 2025
Machine Learning en startups españolas: ¿revolución o espejismo?
Hace exactamente tres años, mientras escuchaba a un CEO en Barcelona detallar su «revolucionaria» estrategia de implementación de inteligencia artificial, tuve esa sensación de déjà vu que acompaña a los ciclos de hype tecnológico. Su entusiasmo me recordaba a aquel fundador de blockchain que en 2017 me aseguraba que «sin tokenización, tu empresa no existirá en cinco años». Spoiler: su startup cerró, la mía sigue aquí y sin un solo token. El péndulo ahora oscila hacia el Machine Learning, y en mi recorrido por el ecosistema español detecto el mismo patrón: una mezcla tóxica de FOMO corporativo, promesas grandilocuentes y una preocupante falta de estrategia práctica.
Lo que encuentro particularmente fascinante es cómo hemos pasado del «deberías considerar el ML» al «o adoptas ML o mueres» en apenas 24 meses. Un salto mortal sin red que me hace preguntarme: ¿estamos ante una genuina ventaja competitiva o frente a otro abismo tecnológico donde las startups españolas arrojarán sus limitados recursos?
La cara brillante de la moneda algorítmica
Los números, como buenos soldados, se alinean para impresionar: 225.000 millones de euros para el mercado global de ML en 2025. Sherpa.ai atrayendo 15 millones de inversión. Startups españolas colaborando con gigantes como Telefónica. Estas cifras no son casualidad. En mis conversaciones con fundadores de Madrid a Valencia, detecto cómo el ML está transformando genuinamente tres áreas críticas: la automatización de tareas repetitivas (liberando recursos humanos), la personalización de servicios (mejorando retención) y la detección de patrones imposibles para el ojo humano (generando insights estratégicos).
He visitado startups como Séntisis, que analiza mediante ML el sentimiento en redes sociales con una precisión que hace cinco años hubiera requerido un ejército de analistas. O Kymatio, que predice riesgos de seguridad internos antes de que ocurran. Casos reales, resultados tangibles. No es humo.
El caso que nadie cuenta: ROI positivo en seis meses
Una startup de logística en Valencia (que prefiere mantener el anonimato por ventaja competitiva) implementó algoritmos de optimización de rutas el año pasado. Su CTO me confesó que redujeron costes operativos en un 22% en solo seis meses. «El secreto,» me dijo, «fue empezar con un problema muy específico, no con la tecnología. Identificamos un dolor real, mensurable, y luego aplicamos ML. No al revés.»
La cruz: cuando el ML se convierte en una moda ruinosa
Pero desde mi perspectiva, el panorama tiene sombras preocupantes. El estudio de Deloitte que menciona un 65% de fracaso en ROI durante los primeros tres años no me sorprende en absoluto. He presenciado demasiadas implementaciones precipitadas donde el ML parecía más un capricho del departamento de marketing que una necesidad operativa.
Los obstáculos son formidables y frecuentemente subestimados. El primero es económico: contratar un científico de datos competente en España puede costar fácilmente 70.000€ anuales, un lujo prohibitivo para la mayoría de startups en fase temprana. El segundo es técnico: la calidad de los datos sigue siendo el talón de Aquiles. «Garbage in, garbage out», como me recordaba un CTO en Málaga mientras me mostraba su flamante modelo que producía predicciones inservibles por trabajar con datos incompletos.
Y no olvidemos el tercer obstáculo, cada vez más relevante: el regulatorio. El AI Act europeo, con sus requisitos de transparencia y auditoría, añade una capa de complejidad que muchas startups simplemente no pueden manejar sin asesoramiento legal especializado.
La tierra de nadie: adopción sensata vs. imperativo categórico
Entre el rechazo tecnofóbico y la adopción ciega existe un camino intermedio. En mis análisis, las startups españolas que están navegando con éxito estas aguas turbulentas comparten tres características:
- Enfoque modular y escalable: Comienzan con proyectos pequeños, autocontenidos, que generan valor rápidamente. Una startup de Barcelona dedicada a fintech implementó ML solo para detección de fraude, no para toda su operación.
- Formación antes que contratación: Invierten en capacitar a su equipo actual en lugar de competir por unicornios. Un programa de upskilling en ML puede costar 10 veces menos que un data scientist senior.
- Alianzas estratégicas: Colaboran con universidades y centros de investigación. El Barcelona Supercomputing Center ha sido clave para varias startups que acceden a potencia computacional y conocimiento sin inversiones prohibitivas.
El contraejemplo: la startup que casi muere por ML
Una startup del sector healthtech (que me pidió no revelar su nombre) invirtió más de 300.000€ en un sofisticado sistema de ML para diagnóstico que nunca llegó a desplegarse. «Nos obsesionamos con la tecnología antes de validar el problema», me confesó su fundador. «Ahora replanteamos todo con soluciones más simples y problemas mejor definidos.»
Mi perspectiva: pragmatismo tecnológico en tiempos de fervor
Después de analizar docenas de casos, mi conclusión es clara: el ML no es inherentemente bueno ni malo para las startups españolas. Es una herramienta poderosa que requiere madurez organizativa para ser aprovechada. Desde mi perspectiva, el verdadero desafío no es técnico sino cultural: necesitamos menos fetichismo tecnológico y más pensamiento estratégico.
Las startups españolas deberían preguntarse: ¿Tenemos un problema que realmente requiere ML? ¿Disponemos de datos de calidad? ¿Podemos permitirnos el coste total (no solo el desarrollo inicial)? Y sobre todo: ¿cuál es el ROI esperado en escenarios realistas?
Creo firmemente que 2025 será el año en que muchas startups españolas despertarán de la borrachera algorítmica, mientras otras cosecharán los frutos de implementaciones meditadas. El ML será ventaja estratégica solo para quienes lo aborden con sobriedad, no como panacea sino como componente de una estrategia mayor.
Como me dijo recientemente un fundador en Bilbao: «El Machine Learning es como la electricidad: no presumimos de tenerla, simplemente la usamos cuando es necesaria.» Quizás sea hora de que el ecosistema español madure hacia esa visión pragmática, alejada tanto del tecnooptimismo ingenuo como del pesimismo paralizante.
Y mientras tanto, seguiré observando con escepticismo constructivo cómo el ciclo de expectativas continúa su curso inexorable. Porque al final, como en cada revolución tecnológica, lo que realmente importa no es quién adopta primero, sino quién implementa mejor.