Los costos de tokens de IA son visibles, el valor del output de IA no lo es—Long en herramientas de gobernanza, short en hyperscalers

El 4 de marzo de 2026, una empresa mediana enmendó discretamente su contrato de adquisición de IA. La enmienda añadió una cláusula que exige atribución trimestral de ROI para todo el gasto en tokens LLM. La cláusula obligará al proveedor—un hyperscaler cuyo nombre la empresa no revelará—a instrumentar cada prompt, rastrear cada respuesta y vincular el consumo de tokens a resultados de negocio medibles. El hyperscaler no puede hacer esto. Su plataforma factura por tokens procesados, no por valor entregado. La empresa ahora está evaluando herramientas de observabilidad de terceros para hacer el trabajo que el hyperscaler no hará. Este no es un caso aislado. Es el borde de avanzada de un cambio estructural que el mercado aún no ha valorado.

El gasto empresarial en IA saltó de $11.5 mil millones en 2024 a $37 mil millones en 2025, un aumento de 3.2x en un solo año. Las encuestas muestran que el 72% de las organizaciones espera que el gasto en LLM siga aumentando en 2025, con algunas empresas reportando que la IA consume hasta la mitad de los presupuestos de TI. Sin embargo, el 80–85% de las empresas fallan en sus pronósticos de infraestructura de IA por más del 25% debido a una gobernanza de costos débil, y la mayoría no puede vincular el gasto a resultados de negocio específicos y medibles. El problema es estructural: los costos de la IA—tokens, cómputo, watts—son inmediatamente visibles y auditables. El valor económico del output de IA permanece opaco. SemiAnalysis llama a esto "Dark Output"—el trabajo que la IA hace que las cuentas nacionales no pueden ver y las empresas no pueden medir. El entrante presidente de la Fed, Kevin Warsh, reconoció en diciembre de 2025 que "si estás mirando los datos, mi opinión es que estás mirando hacia atrás. Vas a llegar tarde. No te vas a dar cuenta de que el país puede tener crecimiento no inflacionario más rápido."

El mercado está valorando el crecimiento de ingresos de IA de los hyperscalers como duradero y acretivo de margen. Los servicios de IA de Azure contribuyeron 12–16 puntos porcentuales de crecimiento en el año fiscal 2025. Los ingresos de AWS crecieron 19% en Q4 2024 con cargas de trabajo de IA impulsando la reaceleración. Google Cloud creció 48% para Q4 2025 con Gemini procesando 10 mil millones de tokens por minuto. La brecha: el consenso no está valorando el riesgo de que las empresas racionalicen el gasto en tokens una vez que se den cuenta de que no pueden medir el valor del output. Las encuestas de CFOs muestran que la optimización de costos se encuentra entre las principales prioridades para 2025–2026, y aunque los presupuestos de IA están actualmente protegidos, esa protección se vuelve irracional en el momento en que los líderes financieros se dan cuenta de que están financiando un centro de costos sin atribución. El playbook de FinOps en la nube de 2015–2020 proporciona la plantilla—las empresas exigirán visibilidad, gobernanza y control de costos, comprimiendo el margen de los hyperscalers y acelerando la adopción de herramientas de observabilidad.

El problema de medición no es nuevo—pero la IA lo hace estructural

La revolución informática de los años 90 creó un problema de medición de productividad que tomó una década resolver. La frase de Robert Solow—"Puedes ver la era de las computadoras en todas partes, excepto en las estadísticas de productividad"—capturó la brecha entre la adopción visible de tecnología y el output económico invisible. Una revisión metodológica de 2013 añadió inversión en I+D y propiedad intelectual a la contabilidad del PIB, aumentando retroactivamente la producción de los años 90 en aproximadamente $3.6 billones, casi el 30% del PIB de todo el año 2000. La revisión se distribuyó uniformemente a lo largo de los años, por lo que las tasas de crecimiento apenas se movieron en las cuentas oficiales, pero la magnitud de la corrección reveló cuán mal las estadísticas nacionales iban rezagadas respecto a la transformación económica real.

La IA está creando el mismo problema de medición, pero más rápido y con una diferencia crítica. La brecha de productividad de los años 90 era invisible para todos—empresas, gobiernos, estadísticos. La brecha de la IA es asimétrica. Los costos son visibles en tiempo real. Los hyperscalers facturan por tokens procesados y GPU-horas consumidas. Estos son ítems limpios y auditables que aparecen en los balances inmediatamente. Lo que las empresas obtienen a cambio—el output de esos tokens—no tiene una unidad estándar de medición. Mil tokens podrían redactar un email, generar un fragmento de código, resumir un contrato o alucinar tonterías. El costo es el mismo. El valor es incognoscible sin contexto, evaluación e integración de flujo de trabajo.

Esta asimetría no es una peculiaridad contable. Es una característica estructural de cómo se valoran y consumen las cargas de trabajo de IA. Los hyperscalers no tienen incentivo para hacer visible el valor del output—hacerlo expondría el hecho de que la mayor parte del gasto en tokens produce valor de negocio marginal o cero. The New Stack reportó a principios de 2026 que GPT-5.4, Claude y Gemini no pueden ponerse de acuerdo sobre hechos básicos del mundo real. Si los modelos de frontera no están de acuerdo sobre la verdad fundamental, ¿cómo mide una empresa el ROI de un trabajo de resumen de contratos de un millón de tokens? La respuesta: no puede, a menos que instrumente el flujo de trabajo, evalúe el output y vincule el consumo de tokens a un resultado de negocio medible. Los hyperscalers no proporcionan esta instrumentación. Las herramientas de observabilidad de terceros sí.

El playbook de FinOps en la nube se está repitiendo—comprimido

El playbook de optimización de costos en la nube de 2015–2020 ofrece una plantilla. Los primeros adoptantes de la nube como Adobe e Intuit construyeron prácticas internas para llevar responsabilidad financiera al gasto en la nube a principios de los años 2010, principalmente como esfuerzos personalizados en lugar de una disciplina nombrada. A mediados de los años 2010, las empresas globales estaban encontrando el mismo problema central: gestionar los costos de la nube a escala a medida que las cargas de trabajo pasaban de pilotos a producción. La FinOps Foundation se creó en 2019 para proporcionar una comunidad, vocabulario compartido y marco de mejores prácticas. Para 2020, la Foundation tenía solo 12 miembros corporativos y una comunidad de unos pocos miles de practicantes, indicando que FinOps todavía estaba en la etapa de adoptantes tempranos. Después de 2020, la adopción se aceleró dramáticamente—crecimiento de 12 miembros corporativos en 2020 a más de 175 para 2024.

El período 2015–2020 fue la fase formativa de alto aprendizaje. La gobernanza de costos de IA está ahora entrando en esa misma fase, pero comprimida. La diferencia: los costos de la nube estaban al menos vinculados a infraestructura visible—servidores, almacenamiento, ancho de banda. Las empresas podían ver por qué estaban pagando, incluso si no podían controlarlo. Los costos de IA están vinculados a output invisible. The New Stack reportó que la observabilidad de costos de IA ha emergido como una categoría vigilante, con precios basados en tokens y modelos de consumo convirtiéndose en una de las líneas de gasto de más rápido crecimiento en los presupuestos tecnológicos corporativos. Investigaciones recientes de gobernanza reportan que alrededor del 80–85% de las empresas fallan en sus pronósticos de infraestructura de IA por más del 25%, en gran parte debido a una gobernanza de costos débil y subestimación del crecimiento de uso. "Shadow AI"—equipos que gastan en herramientas de IA fuera de TI/finanzas central—está acelerando tanto el gasto como el riesgo, creando herramientas duplicadas, brechas de seguridad y primas de IA no planificadas en SaaS existente.

El catalizador es visible. Las encuestas de CFOs muestran la optimización de costos como una prioridad principal para 2025–2026, con más de la mitad poniendo "optimización de costos a nivel empresarial" en sus áreas de enfoque principales. A pesar de esto, el análisis indica que mientras aproximadamente dos tercios de los CFOs estaban recortando costos a mediados de 2025, generalmente estaban protegiendo los presupuestos de IA y automatización, con algunos describiendo la IA como "lo último" a recortar. Esta protección es racional—si la IA es estratégica. Se vuelve irracional en el momento en que los CFOs se dan cuenta de que están financiando un centro de costos sin atribución de ROI. El playbook de FinOps muestra qué sucede después: las empresas exigen visibilidad, gobernanza y control de costos. El gasto en la nube no dejó de crecer después de que FinOps emergiera, pero dejó de crecer sin control. Las instancias reservadas, planes de ahorro, dimensionamiento correcto y contracargo se volvieron estándar. El crecimiento de ingresos de los hyperscalers se moderó. Los márgenes se comprimieron. La misma dinámica se está configurando ahora para la IA.

El crecimiento de ingresos de los hyperscalers es material pero el margen está en riesgo

La exposición de ingresos de IA de los hyperscalers ya es material pero aún no dominante. Los ingresos de AWS fueron $28.8 mil millones en Q4 2024, un aumento del 19% interanual, con cargas de trabajo impulsadas por IA probablemente representando un porcentaje de un solo dígito alto a adolescentes bajos de los ingresos pero una participación mucho mayor del crecimiento incremental. Si los servicios relacionados con IA contribuyeron aproximadamente la mitad del crecimiento de ingresos incremental, eso implica aproximadamente $2–4 mil millones de ingresos trimestrales relacionados con IA dentro de AWS para finales de 2024. Los ingresos de Intelligent Cloud de Azure fueron $25.5 mil millones en Q4 2024, con la IA ya representando una participación muy grande del crecimiento incluso si aún no la mayoría de los ingresos absolutos. Google Cloud fue $12 mil millones en Q4 2024, con la participación de IA más pequeña que en 2025 pero ya material. Para Q4 2025, Google Cloud estaba creciendo 48% con un run-rate de $70+ mil millones, y los ingresos de productos gen-AI crecieron casi 400% interanual.

El problema: los volúmenes de tokens están explotando y los costos unitarios están colapsando. Google reveló que los costos unitarios de servicio para Gemini cayeron 78% durante 2025, implicando aproximadamente 4.5x más tokens por GPU-hora. Para Q1 2026, Gemini estaba procesando 16 mil millones de tokens por minuto. Esto configura una carrera hacia el fondo en costos de inferencia, con crecimiento de ingresos impulsado por volumen multiplicado por precio ligeramente menor por token, no aumentos de precio. Los márgenes dependen de que las ganancias de eficiencia se mantengan al ritmo de los recortes de precio. Si las empresas racionalizan el gasto en tokens—adoptando capacidad reservada, herramientas de gobernanza o migración de cargas de trabajo a capas de inferencia más baratas—el crecimiento de ingresos de los hyperscalers enfrenta un viento en contra estructural. El mercado está valorando este crecimiento como duradero. No lo es.

La razón estructural por la que el mercado no ha valorado esto: los estándares de medición de output de IA aún no existen. Las empresas hoy usan un enfoque combinado—marcos de evaluación estandarizados para la calidad del output de IA (benchmarks, LLM-as-a-judge, evaluación humana) y vinculan esas métricas al ROI de negocio a través de datos de observabilidad, líneas base y modelos financieros. Todavía no hay un estándar global único, pero 2024–2025 vio movimientos fuertes hacia patrones comunes, herramientas y métricas de facto en evaluación de LLM y observabilidad de MLOps. Los marcos modernos de calidad de LLM descomponen "calidad" en dimensiones—corrección/fundamentación, relevancia, completitud, seguridad, estilo/UX, latencia, robustez—y las mapean al impacto de negocio. El problema: estos marcos aún no están integrados en adquisiciones, presupuestos o reportes financieros. Hasta que lo estén, los CFOs seguirán financiando gasto en tokens sin atribución de ROI. Una vez que lo estén, el crecimiento de ingresos de los hyperscalers enfrenta un viento en contra estructural.

La integración de flujos de trabajo está sucediendo—la medición de ROI no

La integración de flujos de trabajo empresariales es real. The New Stack reportó que la nueva integración de Jira de Cursor es "5 estrellas, sin notas", señalando adopción de flujos de trabajo empresariales. Cursor compite directamente con GitHub Copilot, Tabnine, Windsurf, Amazon Q Developer y Replit por codificación de IA empresarial, con precios en aproximadamente la misma banda pero diferentes compensaciones de uso y gobernanza. GitHub Copilot alcanzó aproximadamente 20 millones de usuarios acumulados y más de 1.3 millones de suscriptores pagos para mediados de 2025, con despliegue reportado en alrededor del 90% de las empresas Fortune 100. Los análisis de participación de mercado ponen a Copilot en aproximadamente 42% del mercado de herramientas de codificación de IA pagadas para 2025, con Cursor emergiendo como el competidor más cercano con aproximadamente 18% de participación de mercado y más de $500 millones en ingresos recurrentes anualizados.

La tendencia de integración de flujos de trabajo es real. La medición de ROI no lo es. The New Stack reportó que la trampa de plataforma DIY está quemando a los equipos de ingeniería, con la complejidad de automatización creciendo a medida que los equipos construyen flujos de trabajo de IA personalizados sobre Jira, Linear, GitHub y herramientas internas. Estos flujos de trabajo consumen tokens a tasas impredecibles, y la mayoría de las organizaciones carecen de la instrumentación para vincular el gasto en tokens a los resultados del flujo de trabajo. Los riesgos de propiedad intelectual y licencias también están surgiendo. The New Stack reportó que el desarrollador Gavriel Cohen encontró su propio código dentro de OpenClaw y se retiró. Si la procedencia de los datos de entrenamiento es opaca y la propiedad del output es disputada, las empresas enfrentan riesgo legal y reputacional además del gasto incontrolado.

La brecha estructural: las empresas están integrando IA en flujos de trabajo más rápido de lo que están instrumentando esos flujos de trabajo para medición de costo y calidad. Esto crea una ventana donde el gasto en tokens crece sin control y el valor del output permanece sin medir. La ventana se cierra cuando los CFOs exigen atribución. Las empresas que proporcionan la instrumentación—observabilidad, gobernanza, identidad y herramientas de seguridad—capturan el presupuesto incremental. Las empresas que proporcionan los tokens—hyperscalers—enfrentan compresión de margen.

El portafolio—long en herramientas de gobernanza, short en hyperscalers (por omisión)

Este portafolio expresa la tesis a través de tres capas estructurales: (1) herramientas de observabilidad de IA y atribución de costos que hacen visible el gasto en tokens y el valor del output (Datadog, Elastic); (2) plataformas de gobernanza de IA e integración de flujos de trabajo que vinculan el consumo de IA a resultados de negocio medibles (Palantir, Snowflake); (3) infraestructura de identidad y seguridad que controla el acceso a IA y aplica políticas (Okta, Palo Alto Networks, CrowdStrike); y (4) capas alternativas de inferencia y datos que permiten a las empresas reducir la dependencia de tokens de hyperscalers (Cloudflare, MongoDB). El portafolio es solo long por diseño. La visión bajista sobre los hyperscalers se expresa no poseyéndolos y poseyendo la capa de herramientas que captura valor cuando las empresas racionalizan el gasto en tokens.

Datadog (DDOG) · 18% · objetivo $325 · 180 días. El producto LLM Observability de Datadog instrumenta prompts, rastrea el uso de tokens, muestra métricas de evaluación y vincula el gasto en IA a KPIs de negocio—exactamente el flujo de trabajo que la tesis predice que las empresas exigirán. La plataforma de la empresa ya monitorea infraestructura en la nube, aplicaciones y seguridad; la observabilidad de LLM extiende esto a cargas de trabajo de IA. Datadog es la expresión pública más limpia de la gobernanza de costos de IA, pero la valoración no deja espacio para tropiezos de ejecución. A 651x P/E y 22.17x P/B, la acción valora una ejecución impecable y adopción acelerada. Dimensionado al 18% para reflejar alta convicción templada por riesgo de valoración.

Palantir (PLTR) · 15% · objetivo $425 · 180 días. AIP (Artificial Intelligence Platform) de Palantir es la tesis en forma de ticker—vincula explícitamente el gasto en tokens de IA a KPIs operacionales y hace visible y medible el Dark Output de IA. Toda la aceleración de ingresos de AIP en 2025 (56% interanual) está impulsada por empresas que lo adoptan para racionalizar el gasto en IA y probar el ROI. La plataforma se integra con flujos de trabajo empresariales existentes (ERP, CRM, cadena de suministro) y muestra insights generados por IA vinculados a resultados de negocio específicos. La valoración a 149x P/E y 40.29x P/B valora una ejecución impecable, por lo que se dimensiona al 15% en lugar del 20% para limitar el riesgo de nombre único.

Cloudflare (NET) · 15% · objetivo $350 · 270 días. Workers AI de Cloudflare es la exposición estructural más limpia a la migración de cargas de trabajo de inferencia lejos de los hyperscalers. Ejecutar inferencia en el edge reduce latencia y costos de tokens simultáneamente, cambiando el modelo de ingresos de facturación por token a cómputo de tarifa plana. Si las empresas racionalizan el gasto en tokens migrando cargas de trabajo a capas de inferencia más baratas, Cloudflare captura esa migración. La valoración a 61.32x P/B es tipo venture, valorando adopción rápida y expansión de margen. Dimensionado al 15% para reflejar alta sensibilidad estructural templada por riesgo de ejecución.

CrowdStrike (CRWD) · 12% · objetivo $950 · 180 días. La plataforma Falcon de CrowdStrike y la inversión en Vanta la posicionan en la intersección de seguridad de IA, gobernanza y cumplimiento. A medida que proliferan las cargas de trabajo de IA, las capas de seguridad e identidad se convierten en el punto de estrangulamiento donde las empresas aplican políticas y miden riesgos. El stack de observabilidad, identidad y cumplimiento de CrowdStrike apoya directamente el cambio de gasto de IA sin límite a presupuestos de IA gobernados e impulsados por ROI. La valoración a 42.64x P/B asume que la tesis se materializa, por lo que se dimensiona al 12% para reflejar exposición estructural limpia con upside limitado si la adopción simplemente cumple las expectativas.

Elastic (ESTC) · 10% · objetivo $85 · 270 días. El stack de observabilidad de Elastic se está convirtiendo en el sustrato para la atribución de costos de IA—las empresas lo usan para rastrear gasto en tokens, llamadas a modelos y latencia a través de cargas de trabajo de LLM. Las capacidades de búsqueda y análisis en tiempo real de la plataforma la convierten en la base para dashboards de FinOps de IA. La valoración a 18.17x P/E y 5.24x P/B no es exigente en relación con pares, pero la presión competitiva de Datadog limita el upside. Dimensionado al 10% como una jugada de valor en observabilidad de IA con upside limitado.

Snowflake (SNOW) · 10% · objetivo $310 · 360 días. Cortex AI y la capa de gobernanza de datos de Snowflake la posicionan como infraestructura para observabilidad de costos de IA—el sistema de registro para gasto en tokens y atribución de ROI. Si los costos de tokens se convierten en los nuevos costos laborales que requieren seguimiento granular, la plataforma de datos de Snowflake se convierte en infraestructura obligatoria. La valoración a 42.96x P/B señala precios premium y riesgo de invasión de hyperscalers. Dimensionado al 10% para reflejar alineación de tesis con riesgo de ejecución y competitivo.

Okta (OKTA) · 8% · objetivo $155 · 360 días. Okta es el proxy de mercado público para infraestructura de gobernanza de IA—la gestión de identidad y acceso (IAM) se convierte en el plano de control para rastrear qué usuarios, equipos y aplicaciones consumen qué modelos a qué costo por asiento. El caso de uso de gobernanza de IA permanece implícito en lugar de probado en finanzas, creando upside asimétrico si la tesis se materializa pero downside si la adopción se retrasa. Dimensionado al 8% para reflejar ajuste estructural con incertidumbre de hoja de ruta de producto.

Palo Alto Networks (PANW) · 8% · objetivo $350 · 360 días. Prisma Cloud y Cortex XSIAM de Palo Alto Networks abordan herramientas de gobernanza e identidad de IA, posicionando a la empresa como la capa de gobernanza entre empresas y servicios de IA de hyperscalers. La valoración a 242.56x P/E y 7.39x P/B ya valora este resultado, haciendo esto consenso en lugar de contrarian. Dimensionado al 8% como un nombre de calidad valorado para la perfección.

MongoDB (MDB) · 4% · objetivo $450 · 360 días. La búsqueda vectorial de Atlas y la base de datos operacional de MongoDB se sitúan en la capa donde las empresas consolidan datos fragmentados para reducir la hinchazón de prompts y el desperdicio de tokens. La empresa aún tiene que probar que la búsqueda vectorial impulsa el consumo incremental de Atlas a escala, y la valoración a 10.08x P/B ya valora vientos de cola de IA. Dimensionado al 4% como una exposición marginal a la tesis de racionalización de capa de datos.

Instrumentos

Ticker	Peso	Objetivo	Horizonte
DDOG	18%	$325	180d
PLTR	15%	$425	180d
NET	15%	$350	270d
CRWD	12%	$950	180d
ESTC	10%	$85	270d
SNOW	10%	$310	360d
OKTA	8%	$155	360d
PANW	8%	$350	360d
MDB	4%	$450	360d

Supuestos y falsificación

1. Las empresas exigirán ROI medible para el gasto en IA dentro de 12–18 meses a medida que los CFOs se den cuenta de que los costos de tokens están creciendo más rápido que los resultados de negocio atribuibles. Falsificado si: los presupuestos de IA empresariales continúan creciendo sin límite hasta 2027 sin adopción de herramientas de gobernanza de costos, o si las encuestas de CFOs muestran que la IA sigue siendo "lo último a recortar" independientemente de la visibilidad del ROI.

2. Los estándares de medición de output de IA emergerán y se integrarán en las adquisiciones empresariales y los reportes financieros para 2027–2028, siguiendo la curva de adopción de FinOps en la nube de 2015–2020. Falsificado si: ningún marco de evaluación consensuado o estándares de observabilidad ganan tracción para finales de 2026, o si las empresas continúan adquiriendo servicios de IA sin cláusulas de atribución de ROI en los contratos.

3. El crecimiento de ingresos de IA de los hyperscalers enfrentará compresión de margen a medida que las empresas racionalicen el gasto en tokens a través de capacidad reservada, herramientas de gobernanza y migración de cargas de trabajo a capas de inferencia más baratas. Falsificado si: AWS, Azure y Google Cloud mantienen o expanden los márgenes de servicios de IA durante 2026–2027, o si los precios de tokens permanecen inelásticos a los esfuerzos de control de costos empresariales.

4. Los proveedores de herramientas de observabilidad, gobernanza e identidad capturarán presupuesto empresarial incremental a medida que la racionalización de costos de IA se convierta en un mandato a nivel de junta directiva. Falsificado si: los hyperscalers agrupan exitosamente observabilidad y gobernanza en sus plataformas de IA a costo marginal, evitando que los proveedores de herramientas de terceros ganen poder de fijación de precios.

5. La migración de cargas de trabajo a inferencia en el edge (Cloudflare Workers AI) y alternativas on-prem se acelerará a medida que las empresas busquen escapar de los precios por token de los hyperscalers. Falsificado si: la gravedad de datos y los costos de integración mantienen las cargas de trabajo de IA centralizadas en la infraestructura de hyperscalers, o si los hyperscalers recortan los precios de tokens más rápido de lo que las alternativas edge/on-prem pueden competir.

Riesgos

Riesgo de valoración. Datadog, Palantir, Cloudflare, CrowdStrike, Palo Alto Networks y Snowflake todos cotizan a múltiplos premium (40x+ P/S o 100x+ P/E) que valoran una ejecución impecable. Cualquier fallo de ganancias, retraso de producto o presión competitiva desencadena compresión de múltiplo violenta. El portafolio está concentrado en nombres donde la tesis ya está parcialmente valorada.

Agrupación de hyperscalers. AWS, Azure y Google Cloud podrían agrupar herramientas de observabilidad, gobernanza e identidad en sus plataformas de IA a costo marginal, evitando que los proveedores de terceros capturen presupuesto incremental. La integración de Azure Monitor y Sentinel de Microsoft en los servicios de Azure AI es la plantilla. Si la agrupación se acelera, la tesis falla.

Cronología de adopción. Si la racionalización de costos de IA toma más tiempo que la analogía de FinOps de 2015–2020 sugiere (por ejemplo, 5–7 años en lugar de 3–5 años), el portafolio mantiene nombres de múltiplo premium a través de un período prolongado de incertidumbre, arriesgando re-valoración antes de que la tesis se materialice.

Shocks regulatorios y de cumplimiento. Si la procedencia del output de IA y los riesgos de propiedad intelectual/licencias (la dinámica Gavriel Cohen / OpenClaw) escalan a mandatos regulatorios o litigios de acción colectiva, las empresas pueden pausar la adopción de IA por completo en lugar de acelerar la adopción de herramientas de gobernanza, creando un shock de demanda.

Riesgo de operación saturada. La gobernanza y observabilidad de IA son temas de consenso para mediados de 2026. Si el posicionamiento institucional ya es pesado en Datadog, Palantir, CrowdStrike y Cloudflare, cualquier shock macro o rotación sectorial desencadena ventas forzadas que abruman el soporte fundamental.

Liquidez y préstamo. Elastic y MongoDB tienen volúmenes promedio más bajos que los pares mega-cap, creando riesgo de deslizamiento en entrada/salida. Ninguna de las posiciones es difícil de tomar prestada, pero Palantir y Cloudflare tienen interés corto elevado, lo que podría amplificar la volatilidad.