M&A en la Era de la IA: La 'Due Diligence' que Evita Desastres (Más allá del EBITDA)
Sin embargo, comprar una empresa de Software tradicional (SaaS) no es lo mismo que comprar una empresa de IA. En una adquisición clásica, auditas el código, la base de clientes y el churn. En una adquisición de IA, si no sabes dónde mirar, puedes estar comprando una caja negra llena de pasivos legales y deuda técnica.
Como economista y especialista en IA, he visto cómo operaciones que parecían brillantes sobre el papel (Excel) se desmoronaban al abrir el "capó" del algoritmo. Aquí es donde una Due Diligence Específica de IA se vuelve crítica.
Si tu empresa está evaluando una compra hoy, estos son los puntos ciegos que debes iluminar:
1. La Trampa de la "Deuda Técnica": ¿IP Real o "Wrapper"?
El primer error es confundir una empresa de IA con una empresa que usa IA.
El riesgo del "Wrapper": ¿La startup ha desarrollado modelos propios o es simplemente una interfaz bonita conectada a la API de OpenAI o Anthropic? Si es lo segundo, su ventaja competitiva es nula y sus márgenes dependerán de las subidas de precio de un tercero. Estás comprando dependencia, no propiedad intelectual (IP).
Espagueti de Datos: En el software tradicional, el código es el rey. En la IA, los datos son el rey. He visto pipelines de datos insostenibles, mantenidos con scripts manuales que no escalan. Auditar la calidad, el linaje y la arquitectura de datos es más importante que auditar el modelo en sí.
Costes de Inferencia Ocultos: Un modelo puede funcionar de maravilla en una demo controlada. Pero, ¿cuánto cuesta ejecutarlo a escala? Si el coste de computación para servir a 1.000 clientes supera los ingresos, has comprado una máquina de quemar dinero.
2. El Campo Minado Regulatorio (EU AI Act y más allá)
Aquí es donde la compra puede convertirse en una pesadilla legal. Con la entrada en vigor del Reglamento de IA de la UE (EU AI Act), la ignorancia ya no es excusa.
Origen de los Datos (Copyright): Esta es la bomba de relojería actual. ¿Con qué datos se entrenó el modelo? Si la startup hizo scraping indiscriminado de internet sin licencias (libros, arte, código protegido), el modelo resultante es "fruto del árbol envenenado". Podrías enfrentarte a demandas masivas o a la obligación de eliminar el modelo entero post-adquisición.
Clasificación de Riesgo: ¿Sabe la startup si su producto es de "Alto Riesgo" según la UE? Si compramos una solución de IA para RRHH (selección de personal) o Scoring Crediticio, las obligaciones de conformidad son enormes. Si la startup no ha documentado sus procesos de gobernanza, estás comprando una multa futura.
GDPR y el "Derecho al Olvido": Si un usuario pide borrar sus datos, ¿puede la startup "desaprender" lo que el modelo memorizó sobre esa persona? A menudo, la respuesta técnica es "no", lo cual plantea un conflicto legal grave.
3. La "Gobernanza" del Talento (Acqui-hiring)
En IA, gran parte del valor reside en las cabezas de 3 o 4 personas clave.
Dependencia del "Rockstar": A menudo, el código es tan complejo y poco documentado que solo el fundador técnico sabe cómo tocarlo. Si esa persona se marcha tras el vesting (periodo de permanencia), te quedas con un sistema inoperable. La Due Diligence debe evaluar si el conocimiento está institucionalizado o privatizado en cerebros individuales.
La IA es un multiplicador de valor, pero también un multiplicador de riesgos.
Para un Comité de Dirección, la pregunta clave no debe ser solo "¿Cuánto va a crecer esta startup?", sino "¿Qué riesgos sistémicos estamos integrando en nuestro balance?".
No se trata de frenar la innovación o la inversión, sino de asegurar que la "magia" tecnológica tenga un suelo legal firme y una arquitectura técnica viable. Porque en 2026, la rentabilidad no vendrá solo de tener el mejor algoritmo, sino de tener la IA más robusta y confiable.
Comentarios