Baixing paga a sus agentes de IA por resultados, no por suscripción

A medida que los grandes modelos ganan capacidad, una pregunta domina cada vez más las decisiones de compra empresarial: ¿por qué, exactamente, está dispuesta a pagar una empresa? El informe semestral de 2026 de Baixing, empresa china de IA cotizada en Hong Kong, da una respuesta concreta: no por la capacidad del modelo en sí, sino por un resultado medible y facturable. Los ingresos totales cayeron por el endurecimiento regulatorio sobre su negocio de crédito, pero su unidad AICC (AI Contact Center, centro de contacto operado por agentes de IA) creció un 52%, con los ingresos de nuevos sectores fuera de las finanzas subiendo un 195%.

Dos despliegues reales ilustran el cambio. En un cliente de logística, el volumen diario de llamadas gestionadas por agentes de IA pasó de menos de 1.000 al lanzamiento a más de 15.000 a finales de agosto. En una gran correduría de valores, el número de puestos de agente desplegados pasó de unos 30 a principios de año a unos 210. Baixing llama a estos agentes, que asumen tareas reales de consulta, reclamación y venta, «empleados de silicio», y los cobra por resultado en lugar de por licencia o puesto: un escaparate financiero poco frecuente de la comercialización de agentes de empresa.

Dos curvas opuestas en las cuentas

En el primer semestre de 2026, Baixing registró unos ingresos de 914 millones de yuanes, un 43% menos interanual; el margen bruto cayó del 73% al 53%, y la compañía pasó de un beneficio de 201 millones de yuanes el año anterior a una pérdida de 322 millones. El informe atribuye la caída a una normativa sobre crédito asistido por internet en vigor desde octubre de 2025, reforzada por nuevas reglas durante el primer semestre de 2026, que llevó a varias entidades financieras a suspender ciertos productos, golpeando directamente el negocio central de Baixing en decisión asistida por IA y marketing de crédito.

El negocio AICC, en cambio, siguió la curva contraria: 166 millones de yuanes de ingresos, un 52% más, elevando su peso sobre el total de ingresos de cerca del 6,8% a alrededor del 18,1%. Al mismo tiempo, Baixing eligió aumentar el gasto en I+D un 31%, hasta 394 millones de yuanes (43% de los ingresos), incluso con la facturación total en descenso; de los 1.477 empleados a finales de junio, 901 —el 61%— trabajan en I+D. El consejero delegado, Zhang Shaofeng, calificó el giro de «actualización estratégica» en la presentación de resultados.

Del guion telefónico a la conversación que resuelve de verdad

La generación anterior de robots de centros de contacto se dedicaba sobre todo a llamadas salientes con guion: recordatorios, campañas de marketing estandarizadas. Las llamadas entrantes complejas son otra cosa: el usuario llega con una pregunta abierta, un tono y una situación imprevisibles, y el agente tiene que entenderla, mantener una conversación de varios turnos y consultar después una base de conocimiento y sistemas internos para resolver de verdad. Según Zhang, los robots tradicionales derivan a un humano entre el 70% y el 80% de estos casos complejos: precisamente la brecha que la nueva generación de AICC busca cerrar.

La apuesta técnica de Baixing es entrenar sus propios modelos base especializados en lugar de construir una capa de aplicación sobre un modelo de terceros: la compañía cuenta con BR-Voice (voz multimodal), BR-LLM-Proactive (diálogo proactivo) y BR-Vision-Doc (comprensión documental), con tamaños de parámetros deliberadamente contenidos entre 0,4B y 30B para priorizar precisión, estabilidad, latencia y coste de inferencia frente al tamaño bruto. Zhang contrastó explícitamente este enfoque con el de actores occidentales como Sierra o Decagon, que construyen en gran medida sobre modelos de terceros de OpenAI o Anthropic: Baixing controla internamente el preentrenamiento, el postentrenamiento y la optimización de inferencia, lo que le permite, ante un fallo en producción, identificar antes si el problema está en la capa de aplicación o en el modelo. En la tarea multilingüe de comprensión del habla del reto INTERSPEECH 2026 MLC-SLM, Baixing reivindica un 94,84% de precisión: tercer puesto mundial y primero entre los actores industriales chinos. Sobre el terreno, un equipo de «FDE» (ingenieros de despliegue avanzado) mapea los flujos de trabajo existentes del cliente y los reorganiza en flujos operados por agentes.

Cobrar por el resultado, no por la suscripción

El modelo RaaS (Results as a Service) de Baixing cobra, según el caso, por las llamadas o incidencias resueltas con éxito sin derivación a un humano, por la escala real de agentes desplegados, o mediante un reparto sobre el negocio generado. En el caso logístico, la dirección afirmó en la presentación de resultados que el coste por llamada resuelta ya es más de un 50% inferior al de un centro de atención humano tradicional. Esto contrasta con la licencia de software, la suscripción SaaS o la facturación por token: una vez entregado el software, el riesgo operativo queda del lado del cliente, mientras que el cobro por resultado empuja al proveedor tecnológico directamente dentro del proceso de negocio, haciendo que el rendimiento, la estabilidad y el coste del modelo también sean su problema.

Esta estrategia no es improvisada. El 18 de diciembre de 2025, la matriz Bairong Yunchuang lanzó formalmente su estrategia de agentes de IA de empresa y una plataforma llamada «Results Cloud», construida en torno a un concepto que denomina «cogobernanza silicio-carbono»: la IA («silicio») asume el trabajo estandarizado, procedimental e intensivo en cómputo, mientras las personas («carbono») se centran en estrategia, creatividad y relación humana. La plataforma tiene tres capas —infraestructura y modelos propios, un sistema operativo para agentes de empresa y una tienda de agentes listos para usar— y se lanzó con cuatro puestos insignia: un agente comercial y de atención al cliente al que se atribuye reducir la rotación anual de un equipo de más del 70% al 0% y elevar la conversión un 217%; un agente de selección que redujo el ciclo de contratación de 28 a 2 días; un agente de servicios profesionales para expansión internacional que comprimió el plazo de entrega de 90 a 14 días; y un agente de producción de conocimiento que redujo la entrega de informes profundos de 20 a 4 días.

La siguiente etapa de la IA de empresa no consiste en hablar mejor, sino en hacer más; no en entregar una función, sino en entregar un resultado.

De las finanzas a la logística, la aviación y las correduras

La capacidad AICC de Baixing, afinada durante siete u ocho años en el sector financiero, se está replicando ahora en logística, aviación, correduría de valores, banca, telecomunicaciones y seguros: sectores intensivos en servicio, con un volumen de interacción con el cliente alto y recurrente, y con la concentración suficiente para que un despliegue de referencia en una gran cuenta se replique con rapidez, primero puertas adentro y después hacia competidores del mismo sector. En julio, trece instituciones del sector de correduría habían firmado o estaban en proceso de contratación con Baixing. La dirección reconoció, no obstante, que la parte que más tiempo consume en la expansión entre sectores está hoy en los ciclos de validación de compra de las grandes empresas y en la integración de sistemas: el volumen solo se libera de forma gradual una vez validados la seguridad, el cumplimiento normativo y los límites del servicio.

Para una empresa española o latinoamericana que evalúe un proveedor de agentes de IA, la lección práctica es que el criterio de compra se está desplazando de la lista de funcionalidades hacia métricas de resultado verificables: tasa de resolución sin derivación humana, coste por interacción atendida y capacidad demostrada del proveedor para replicar el despliegue a escala. Para quienes trabajan en atención al cliente, selección de personal o soporte administrativo y legal —funciones ya muy estandarizadas—, este caso chino es una señal de alerta temprana: cuando una misma pieza tecnológica se replica de un sector a otro, esos son los puestos que se automatizan primero, y a los departamentos de recursos humanos les conviene planificar ya la reorientación de sus equipos hacia tareas que exigen criterio y trato humano, en lugar de esperar a que los agentes de IA en la empresa estén ya en producción.