En los dos primeros artículos de esta serie, mirábamos la economía del SaaS desde dentro: cómo funcionan ARR, ARPU, churn, CAC, LTV y CAC payback en modelos SaaS “clásicos”, y cómo los costes de IA y LLM reconfiguran el P&L de un SaaS de IA.

En este tercer artículo quiero cambiar la perspectiva. En lugar de preguntarnos “¿Es viable mi SaaS/SaaS de IA?” desde el lado del fundador, quiero plantear otra pregunta: “¿Cómo ve este negocio un inversor?” Tanto si se trata de un fondo de venture capital, un fondo de growth equity o un comprador estratégico, las preocupaciones de fondo son similares:

• ¿Está la empresa resolviendo un problema real?
• ¿El crecimiento es eficiente o está subvencionado?
• ¿Los márgenes son defendibles?
• Y, en un SaaS de IA, ¿hay alguna ventaja duradera más allá de usar los mismos LLM que puede usar cualquiera?

Este artículo no pretende ser una lista de comprobación para levantar ronda, sino un marco para entender cómo se leen tus números y tu historia desde el otro lado de la mesa, especialmente en 2026, cuando el escepticismo y la competencia en IA son mayores que nunca.

1. Las métricas que siguen importando (haya IA o no)

Empecemos por lo evidente: las métricas SaaS fundamentales que importaban hace diez años siguen importando hoy. La IA no ha cambiado eso.

1.1 ARR y calidad del crecimiento

Los inversores siguen fijándose en:

• ARR (Annual Recurring Revenue): el tamaño de la base de ingresos recurrentes.
• Crecimiento de ARR: no solo el porcentaje, sino la calidad de ese crecimiento.

“Calidad” significa:

• ¿El crecimiento viene sobre todo de nuevos clientes, o de expansión en clientes existentes?
• ¿El crecimiento está concentrado en unos pocos clientes grandes?
• ¿Depende en exceso de descuentos o promociones agresivas?

Un ARR alto con poca diversificación y expansión débil es menos atractivo que un ARR algo menor con una NRR sólida y base de clientes mejor repartida.

1.2 Net Revenue Retention (NRR) y churn

La NRR (Net Revenue Retention) se ha convertido en métrica central:

• NRR > 100 % significa que, como grupo, tus clientes actuales están expandiendo su gasto.
• NRR > 120 % en B2B suele considerarse muy fuerte.
• Una combinación de churn bajo y expansión sana indica product–market fit y potencial de upsell.

En SaaS de IA, los inversores se preguntan además:

• ¿Los clientes expanden porque perciben más valor real, o porque se les empuja a planes superiores por límites de uso o tokens?
• ¿Está empezando a subir el churn a medida que se apaga el “efecto novedad” de la IA?

1.3 CAC, CAC payback y LTV/CAC

CAC, CAC payback y LTV/CAC siguen en el núcleo del caso de inversión:

• CAC (Customer Acquisition Cost): coste total para captar un cliente de pago.
• CAC payback: cuántos meses de margen bruto se necesitan para recuperar ese CAC.
• LTV/CAC: ratio que relaciona el valor esperado del cliente con su coste de adquisición.

Como referencia (orientativa, no dogmática):

• CAC payback < 12 meses: fuerte.
• 12–18 meses: aceptable, según segmento y márgenes.
• 24 meses: difícil de defender, salvo que crecimiento y retención sean excepcionales.

La IA no altera las matemáticas. Lo que cambia son los inputs (margen bruto, ARPU, retención) y la volatilidad de esos inputs.  

2. Métricas adicionales en 2026: eficiencia y disciplina

Más allá de las clásicas, muchos inversores en 2026 ponen el foco en métricas de eficiencia: qué tan bien convierte la empresa su gasto en crecimiento.

2.1 Burn multiple

El burn multiple relaciona la caja que quemas con el ARR nuevo que generas: Burn multiple = Quema neta de caja / ARR neto nuevo Un burn multiple en torno a 1–1,5 suele verse de forma positiva en compañías de crecimiento o fases avanzadas. Ratios por encima de 2–3 pueden indicar que el crecimiento es demasiado caro o que la empresa no se ha adaptado al nuevo entorno de financiación. En SaaS de IA, las inversiones iniciales en equipo, infraestructura y experimentación pueden disparar el burn puntual, pero los inversores quieren ver:

• Una trayectoria creíble hacia un burn multiple más bajo.
• Evidencia de que la empresa puede reducir el gasto en crecimiento y aun así mantener una trayectoria razonable.

2.2 La “Rule of 40”, con matices

La Rule of 40 es una heurística conocida: Crecimiento de ingresos (%) + margen EBITDA (%) ≥ 40 En 2026 muchos inversores la tratan más como referencia que como regla rígida, pero la idea se mantiene: una empresa que crece al 50 % con un EBITDA del -20 % es más interesante que otra que crece al 10 % con un EBITDA del +20 %, y así sucesivamente. En SaaS de IA, el matiz es:

• Se revisa si el margen bruto es realmente de tipo SaaS (>75–80 %) o está erosionado por costes de IA.
• Un buen “Rule of 40” con margen bruto débil genera dudas sobre la sostenibilidad.

3. Qué esperan ver los inversores según la fase

Las expectativas cambian por etapa. No se juzga igual a un proyecto en seed que a una empresa en Serie B. La tabla siguiente es orientativa, pero ayuda a situarse. Tabla 1 – Enfoque típico por etapa (SaaS / SaaS de IA)

Etapa	Rango ARR (aprox.)	Métricas / señales clave
Pre-seed	0 – 100k	Claridad de problema, uso temprano, insight fundador
Seed	50k – 500k	ARR inicial, intensidad de uso, lógica CAC vs ARPU
Serie A	500k – 3M	Ritmo de crecimiento, NRR, CAC payback, margen
Serie B	3M – 10M	NRR > 110–120 %, CAC eficiente, burn multiple, equipo
Serie C+	10M+	Escalabilidad, Rule of 40, posición competitiva, defensas

Para SaaS de IA, a cada etapa se añaden:

• Claridad sobre costes de LLM e infraestructura frente a ARPU.
• Una estrategia creíble de modelos y datos (más allá de “usamos el último GPT”).
• Evidencia de que las funcionalidades de IA impulsan retención y expansión, no solo trials.

4. Ver un P&L de SaaS de IA con gafas de inversor

Imaginemos un inversor analizando el P&L de un SaaS de IA con:

• ARR: 4 M USD.
• Crecimiento interanual de ARR: 70 %.
• Margen bruto: 78 %.
• Costes de LLM e IA incluidos en COGS.
• CAC payback: 14 meses.
• Burn multiple: 1,8.

4.1 Parte alta: ARR y crecimiento

Un negocio de 4 M USD de ARR creciendo al 70 % es atractivo en superficie. Las preguntas:

• ¿Este crecimiento viene de clientes nuevos o de expansión?
• ¿Cuán concentrado está el ARR en los 10–20 mayores clientes?
• ¿Ha sido un crecimiento consistente, o impulsado por unos pocos deals grandes o proyectos puntuales?

En SaaS de IA aparece además:

• ¿Qué parte de ese ARR está ligada a flujos de trabajo críticos frente a usos “nice to have” y experimentales con IA?

4.2 Margen bruto: ¿es realmente un SaaS?

Un margen bruto del 78 % es razonable, pero por debajo del 80–85 % de los mejores SaaS. El inversor querrá saber:

• Qué parte del COGS es coste de LLM/API frente a infra y soporte tradicionales.
• Si la empresa tiene palancas para mejorar ese margen (pricing, mix de modelos, políticas de uso).
• Si el margen bruto está estable, mejorando o deteriorándose con el tiempo.

Si los costes de LLM crecen más rápido que los ingresos, es una señal temprana de alarma.

4.3 Ventas y marketing: CAC y eficiencia

Con un CAC payback de 14 meses:

• Estamos en un terreno “aceptable pero a justificar”.
• El inversor revisará si el CAC es probable que baje con la escala (más marca, más inbound) o que suba (competencia, canales saturados).

En SaaS de IA, el marketing puede generar métricas top-of-funnel muy llamativas (registros, pruebas, demos), pero los inversores preguntan:

• ¿Cuál es la tasa de conversión de free/trial a pago?
• ¿Qué porcentaje de usuarios de prueba se convierte en clientes activos tras 6–12 meses?
• ¿El uso intensivo de IA correlaciona con mayor retención y ARPU, o solo con mayor COGS?

4.4 Opex y camino a la rentabilidad

Con un burn multiple de 1,8, la empresa está quemando:

• 1,8 USD de caja neta por cada 1 USD de ARR neto nuevo.

El inversor se preguntará:

• Si el crecimiento baja del 70 % al 40 %, ¿la empresa puede reducir el burn de forma significativa?
• ¿Qué flexibilidad tienen las partidas de Opex (ventas y marketing, I+D, G&A)?
• ¿Existe un camino creíble hacia el break-even a partir de cierto ARR?

En SaaS de IA, se espera que:

• La inversión en I+D construya capacidades diferenciadas o activos de datos, no solo features reactivas a cada nuevo modelo.
• El gasto en ventas y marketing sea disciplinado y cada vez más informado por datos.

5. Preguntas específicas sobre IA que los inversores hacen en 2026

Más allá de las métricas SaaS genéricas, los inversores que miran SaaS de IA se plantean una serie de preguntas específicas de IA en torno a riesgo y defensas.

5.1 Dependencia de proveedores de LLM

• ¿Qué porcentaje del COGS está directamente ligado a un único proveedor de LLM?
• ¿La empresa tiene capacidad real de trabajar con varios modelos y varios proveedores?
• ¿Qué coste y complejidad tendría cambiar de modelo o proveedor?

Una dependencia alta no es necesariamente un “deal-breaker”, pero debe estar entendida y mitigada.

5.2 Ventaja de datos (o ausencia de ella)

Una pregunta recurrente es si la empresa tiene:

• Acceso a datos propios que mejoren el producto de forma significativa.
• Mecanismos para usar esos datos de forma segura y legal (consentimiento, anonimización, gobierno).
• Un camino hacia una ventaja acumulativa: modelos o flujos que se vuelven más difíciles de replicar conforme crece la base de clientes.

Si el producto se apoya únicamente en modelos públicos y datos públicos, como cualquiera, la defensabilidad del negocio se cuestiona.

5.3 Defensabilidad de producto y flujo de trabajo

Los inversores también se preguntan:

• ¿El producto está profundamente integrado en flujos de trabajo críticos, o es una herramienta lateral que podría ser sustituida por la siguiente feature de una gran plataforma?
• ¿La empresa posee una pieza crítica del flujo o del dato (por ejemplo, ser el sistema de registro), o solo actúa como “ayudante de IA”?

En muchos casos, el foso no es el modelo en sí, sino la combinación de workflow, UX, integraciones y datos.

5.4 Riesgo regulatorio, de privacidad y de cumplimiento

En SaaS de IA que operan en sectores regulados o tratan datos sensibles, se revisa:

• Residencia y cumplimiento de datos (GDPR, normativas sectoriales).
• Cómo se hace el entrenamiento y el ajuste fino (datos de cliente vs datos genéricos).
• El nivel de transparencia hacia los clientes respecto a dónde y cómo se procesan sus datos.

Un enfoque sólido de compliance puede ser un diferencial; uno débil puede bloquear deals y dañar valoraciones.

6. El papel de la narrativa: cómo debería contar su historia un fundador de SaaS de IA

Las métricas son necesarias, pero no suficientes. Los inversores también evalúan la narrativa: cómo enlazan los fundadores los números con la visión. Una narrativa sólida en SaaS de IA en 2026 suele tener tres capas.

6.1 Problema, segmento y workflow

• Definición clara del problema: quién lo sufre, con qué frecuencia y con qué impacto.
• Segmento bien definido (industria, tamaño, rol) en lugar de “cualquiera que use IA”.
• Descripción concreta de cómo encaja el producto en el día a día.

El objetivo es mostrar que la IA se aplica a algo específico y recurrente, no simplemente “añadida por encima” de una propuesta vaga.

6.2 Lógica económica y economía unitaria

Los fundadores deberían poder explicar el motor económico del negocio en lenguaje sencillo:

• “En régimen estable, un cliente típico paga X al mes, nos cuesta Y servirle (incluida IA), permanece Z meses y recuperamos el CAC en N meses.”
• “En esta fase, nos gastamos aproximadamente A para captar un cliente, y recuperamos esa inversión en B meses.”
• “Las palancas que estamos trabajando son: subir ARPU con estas funcionalidades, reducir CAC con estos canales y mejorar retención haciendo esto.”

Si la IA forma parte relevante de la base de costes, debe aparecer explícitamente, no escondida en “infraestructura”.

6.3 Foso y estrategia a medio plazo

Por último, se busca que el negocio pueda defender y ampliar su posición:

• ¿Cómo seguirá diferenciado el producto a medida que los modelos sean más accesibles y potentes?
• ¿Qué papel juegan los datos propios, las relaciones con clientes y las integraciones?
• ¿Cómo evolucionarán pricing y packaging a medida que crezca el uso de IA?

Una historia de foso creíble no se basa en palabras de moda, sino en decisiones concretas.

7. Cómo puede prepararse un fundador de SaaS de IA para hablar con inversores

En la práctica, si diriges un SaaS de IA y piensas en levantar capital, hay algunos pasos muy concretos que facilitan mucho la conversación.

7.1 Construir un cuadro de mando claro de métricas

Como mínimo, deberías poder compartir:

• ARR, MRR, crecimiento por trimestre.
• NRR, churn bruto y neto (por logos y por ingresos).
• CAC y CAC payback por canal de adquisición relevante.
• Margen bruto con desglose claro de COGS (incluyendo LLM e infraestructura).
• Burn multiple y cálculo básico de Rule of 40.

Para IA, añade:

• Uso de tokens por usuario, por plan y segmento.
• Costes agregados de LLM/API a lo largo del tiempo.
• Tendencias en intensidad de uso frente a retención y ARPU.

7.2 Preparar y documentar algunos escenarios de sensibilidad

Antes de que un inversor pregunte, deberías saber:

• ¿Qué pasa si cambian los precios de modelos (al alza o a la baja)?
• ¿Qué pasa si el uso medio por usuario se duplica?
• ¿Qué pasa si hay que bajar el ARPU para ser competitivo?

No necesitas previsiones perfectas, pero sí análisis suficientes para demostrar que entiendes dónde es frágil el negocio y dónde es robusto.

7.3 Afinar la historia, no solo el diseño de las slides

La historia alrededor de tus métricas debería:

• Ser consistente entre conversaciones (no cambiar radicalmente cada mes).
• Reconocer debilidades de forma honesta (por ejemplo, “Nuestro CAC es más alto de lo que nos gustaría; esto es lo que estamos haciendo”).
• Conectar el uso y los costes de IA con el valor para el cliente, no con el hype.

Los inversores ya han visto muchas presentaciones de IA. Lo que diferencia a unas pocas es un vínculo coherente entre problema, producto, métricas y estrategia.

8. Conclusión: SaaS de IA desde los ojos del inversor

La IA no ha reescrito las reglas del negocio. Ha añadido nuevas herramientas, nuevos costes y nuevas posibilidades, pero las preguntas fundamentales siguen ahí:

• ¿Este producto resuelve un problema relevante para un segmento concreto?
• ¿Los clientes están dispuestos a pagar lo suficiente, durante el tiempo suficiente, para sostener el coste de servirles?
• ¿La empresa puede captar a esos clientes de forma eficiente y retenerlos?
• ¿Existe alguna ventaja estructural que haga difícil copiar este negocio?

Desde la perspectiva de un inversor, las compañías de SaaS de IA más interesantes en 2026 son aquellas en las que:

• Los fundamentos SaaS son sólidos: crecimiento de ARR, retención, márgenes, eficiencia.
• Los costes de IA están entendidos y gestionados, no maquillados.
• El foso se construye alrededor de workflows, datos y relaciones, no solo del acceso a un modelo.

En el cuarto —y último— artículo de esta serie conectaré estas ideas con el papel que pueden jugar las agencias y socios externos: cómo una agencia de marketing B2B puede ayudar a los fundadores de SaaS de IA no solo a generar demanda, sino también a trabajar su narrativa, su disciplina en métricas y su posicionamiento para que el negocio no solo sea financiable una vez, sino sostenible en el tiempo.