Anthropic superó los 65.000 millones de dólares de revenue anualizado a fines de julio, frente a 9.000 millones al cierre del año anterior. Es una multiplicación por más de siete en siete meses, y ubica a la compañía por delante de la cifra de 40.000 millones reportada recientemente por OpenAI. El dato importa menos por la competencia entre laboratorios que por lo que revela: quien está pagando ese dinero son empresas, no consumidores.

Para cualquiera que trabaje o quiera trabajar en tecnología, ahí está la señal relevante. El gasto en IA se consolidó como partida presupuestaria corporativa, y eso define qué perfiles profesionales se van a demandar en los próximos años.

Los números de la operación

Según la cobertura de TechCrunch, el run rate anualizado pasó de 9.000 millones a fines del año pasado, a 47.000 millones en mayo, y superó los 65.000 millones al cierre de julio. La compañía reportó ingresos preliminares del segundo trimestre por 11.500 millones de dólares, aproximadamente catorce veces los del mismo período del año anterior.

Dos datos completan el cuadro. El primero: según Fortune, los inversores esperan que la compañía cierre el año con ingresos de entre 100.000 y 120.000 millones de dólares. El segundo, más significativo desde una lectura de negocio: la empresa reportó resultado operativo ajustado positivo, algo poco habitual en un sector donde el gasto en cómputo suele borrar cualquier margen. Ambos elementos alimentan la expectativa de una salida a bolsa que podría concretarse este año.

Por qué este crecimiento es distinto

Hubo empresas de software que crecieron rápido antes. Lo inusual acá es de dónde viene el ingreso. El modelo de negocio de Anthropic está concentrado en API y planes empresariales: no depende de suscripciones de consumidores, sino de compañías que integraron modelos dentro de sus productos y procesos internos.

Eso cambia la naturaleza del crecimiento. Un usuario individual cancela una suscripción sin costo. Una empresa que reescribió su flujo de atención al cliente o su pipeline de desarrollo alrededor de una API no se desconecta de un mes al otro. El gasto se vuelve estructural.

Tres usos concentran buena parte de ese consumo:

• Desarrollo de software. Asistentes de código y agentes que ejecutan tareas de programación completas. Es el caso de uso con ROI más medible y el de adopción más rápida.

• Automatización de procesos con lenguaje natural. Clasificar, resumir y extraer datos de documentos, mails y transcripciones.

• Productos con IA incorporada. Compañías que integran modelos dentro de su propia oferta y le cobran a sus clientes por esa capa.

Qué señala sobre la adopción enterprise

El contraste con la investigación de adopción es la parte más interesante. El trabajo de McKinsey sobre el estado de la IA y la era agéntica muestra que la mayoría de las organizaciones sigue en fase de experimentación y que muy pocas escalaron agentes en producción.

Es decir: el gasto se multiplicó por siete mientras la mayoría de las empresas todavía no escaló. Hay dos lecturas posibles y no son excluyentes. La primera es que un grupo relativamente chico de compañías —muchas del propio sector tecnológico— está concentrando un consumo enorme. La segunda es que el techo de crecimiento sigue lejos, porque la adopción amplia recién empieza.

En ambos escenarios, la conclusión práctica para un profesional es la misma: la demanda de gente que sepa llevar IA de la prueba de concepto a producción es estructuralmente mayor que la oferta.

Qué perfiles impulsan este crecimiento

Detrás de cada dólar de consumo de API hay alguien que decidió, diseñó e implementó ese uso. Los perfiles que aparecen con más frecuencia:

• AI engineer. Integra modelos en productos: diseño de prompts a escala, manejo de contexto, evaluación de resultados, control de costos por token.

• Especialista en automatización. Conecta modelos con los sistemas existentes de la empresa. Es el perfil de mayor crecimiento en organizaciones no tecnológicas.

• Data engineer. Sin datos ordenados y accesibles no hay caso de uso posible. Es el rol que habilita todo lo demás.

• Perfiles de negocio con fluidez técnica. Gente de marketing, finanzas u operaciones que identifica dónde aplicar IA y puede construir la primera versión sin depender de un equipo de desarrollo.

El último grupo es el que más creció y el menos cubierto por la formación tradicional. Si querés dimensionar cómo se traduce esto en el mercado laboral regional, este análisis sobre cómo formarte para trabajar con inteligencia artificial ordena las rutas posibles según el punto de partida.

Qué hacer con esta información

• Si trabajás en tecnología: la habilidad diferencial ya no es usar un asistente, es construir sistemas que usan modelos de forma confiable —con evaluación, manejo de errores y control de costos.

• Si trabajás en un área de negocio: el conocimiento profundo de tu proceso más la capacidad de armar una automatización te posiciona mejor que a un técnico sin contexto de negocio.

• Si estás decidiendo qué estudiar: el crecimiento del gasto empresarial en IA es la señal más concreta de dónde va a estar la demanda laboral. No es una apuesta sobre una tendencia: es la lectura de un presupuesto ya asignado.

Cursos recomendados de Coderhouse

• Para entender el panorama: el Curso de Introducción a la Inteligencia Artificial.

• Para construir con modelos: el Curso de AI Engineering y el Curso de AI Agents, que trabajan justamente la capa donde se concentra el consumo enterprise.

• Para automatizar procesos de negocio: el Curso de AI Automation o la Carrera de AI Automation.

Preguntas frecuentes

¿Qué significa revenue anualizado o run rate?

Es una proyección: se toma el ingreso del período más reciente —habitualmente un mes— y se multiplica para estimar un año completo al mismo ritmo. Sirve para dimensionar la velocidad de crecimiento, pero no equivale a facturación anual efectiva.

¿Anthropic factura más que OpenAI?

Según las cifras reportadas en agosto, su run rate anualizado de 65.000 millones supera los 40.000 millones informados por OpenAI. Son métricas autorreportadas y con metodologías que pueden diferir, por lo que la comparación directa conviene tomarla con cautela.

¿Por qué el negocio enterprise crece más rápido que el de consumidores?

Porque el retorno es medible. Una empresa puede calcular cuántas horas ahorra o cuántos tickets resuelve, y con eso justifica el gasto. Un usuario individual paga por conveniencia, con un techo de disposición a pagar mucho más bajo.

¿Este crecimiento puede ser una burbuja?

Es una discusión abierta en el sector. El argumento a favor de la sostenibilidad es que buena parte del ingreso viene de casos de uso con retorno demostrable, y que la compañía reportó resultado operativo ajustado positivo. El argumento contrario apunta a la magnitud del gasto en infraestructura y a la concentración del consumo en un grupo reducido de clientes.

¿Qué habilidades conviene desarrollar frente a este escenario?

Tres, en orden de escasez: construir e integrar sistemas con modelos —incluida su evaluación—, diseñar automatizaciones de procesos, y trabajar con datos para que esos sistemas tengan información confiable. Las tres tienen hoy más demanda que oferta.