La previsión que Canva decidió recortar

Cuando Canva presentó sus resultados del segundo trimestre de 2026, la consejera delegada Melanie Perkins abrió con la cifra que menos esperaban los analistas: la previsión de crecimiento para todo el año, rebajada del 30 al 20 por ciento, un tercio completo por debajo del propio objetivo anterior de la empresa. No lo presentó como un fallo. Lo llamó "una decisión deliberada para poner en orden la economía" del coste de ejecutar las funciones de IA de Canva, el tipo de expresión que usa una consejera delegada cuando una cifra se mueve porque la dirección decide moverla, no porque el mercado la obligue.

El trimestre en sí no fue débil según los estándares habituales. Los ingresos alcanzaron los 921,9 millones de dólares (1.320 millones de dólares australianos), un 25,2 por ciento más que el año anterior, una tasa de crecimiento que la mayoría de las empresas de software presentaría con orgullo. Simplemente se quedó por debajo del ritmo que asumía la propia hoja de ruta de Canva, y algunas de sus funciones de IA más recientes se lanzaron hasta seis meses más tarde de lo previsto, un retraso que, visto en retrospectiva, remite al mismo problema de fondo que la rebaja de la previsión.

Nada de esto se lee como una empresa en apuros. Se lee como una empresa que había tasado su propia ambición en IA con una cifra que resultó no sostenerse, lo advirtió lo bastante pronto como para que importara, y se puso a buscar el porqué.

Por qué dejaron de cuadrar las cuentas

El diagnóstico: Perkins señaló tres causas concretas, y cada una merece leerse como una lista de comprobación, no como una excusa. El coste medio de atender una sola tarea de IA dentro de los productos de Canva había subido demasiado para sostener los precios construidos a su alrededor. La empresa había dependido, en sus propias palabras, en exceso de modelos frontera - los grandes sistemas de terceros de proveedores como OpenAI - para tareas que no necesitaban capacidad de nivel frontera. Y los propios precios, el modelo de consumo y los controles de uso de Canva no habían seguido el ritmo de la demanda real una vez las funciones estaban en producción a gran escala, y no ya en un piloto.

Por qué importa: cada uno de esos fallos parece pequeño por separado y se combina mal. Una función calculada con el volumen de un piloto parece asequible. Esa misma función, multiplicada por millones de usuarios que ahora la esperan incluida en una suscripción en lugar de facturada por uso, se convierte en una partida de coste que crece más deprisa que la de ingresos situada al lado. Canva construye productos para equipos de diseño, responsables de marketing y pequeñas empresas de toda Europa que sienten este mismo mecanismo desde el lado del comprador cada vez que un proveedor cambia el precio de un complemento de IA sin avisar; esto es el lado del proveedor de exactamente ese mismo mecanismo, en una empresa lo bastante grande como para publicar las cifras.

Lo que hace este diagnóstico especialmente útil es que no es una historia sobre que la IA sea cara en abstracto. Es la historia de un desajuste concreto: pagar el precio de lista de un proveedor frontera por tareas que un modelo más pequeño y hecho a medida podía resolver por una fracción del coste, a un volumen en el que esa fracción se acumula hasta convertirse en dinero de verdad.

Un 90 por ciento más barato, construido dentro de casa

La solución: Canva dedicó unos tres meses a reconstruir su infraestructura de IA en torno a modelos propios, construidos en gran parte sobre la tecnología de Leonardo.AI, la startup de IA generativa con sede en Sídney que Canva adquirió en 2024. La lógica es estrecha y concreta: reservar los modelos frontera para las tareas que de verdad necesitan capacidad frontera, y trasladar la inferencia repetitiva y de gran volumen - la mayor parte de lo que una herramienta de diseño realmente pide a un modelo de IA - a una infraestructura que Canva controla y cuyos precios fija ella misma.

Los resultados son la parte que merece detenerse a considerar. Canva declara una reducción de en torno al 90 por ciento en el coste de IA por tarea en conjunto. Desglosado por modelo, el modelo de imagen propio resultó unas 30 veces más barato que los modelos frontera comparables, el modelo de vídeo unas 17 veces más barato, y un modelo de transferencia de estilo unas 23 veces más barato. No son ganancias de eficiencia marginales por mejores instrucciones o caché. Son la diferencia entre un modelo de negocio que funciona al volumen que Canva atiende realmente y otro que no.

Nada de esto se lee como una empresa bajo presión financiera. Canva sigue siendo rentable por noveno año consecutivo y mantiene 1.470 millones de dólares en efectivo. La corrección fue una decisión tomada desde una posición de fuerza, no un rescate desde una posición de debilidad, y precisamente por eso merece estudiarse en lugar de archivarse como una historia de apuro.

La trampa de construir o comprar en la que puede caer cualquier hoja de ruta

El patrón: el giro de Canva es un caso vivo, respaldado por cifras, de una trampa que atrapa a empresas mucho más pequeñas y con mucho menos margen para absorberla. Una hoja de ruta de producto se escala frente al precio de lista de un modelo frontera de un tercero antes de que nadie haya calculado la economía unitaria al volumen de uso real. El piloto cuadra. El despliegue no, porque el consumo supera lo que los propios precios y controles de uso del proveedor estaban diseñados para absorber, y para cuando eso se hace visible, la hoja de ruta - y las expectativas de los clientes construidas sobre ella - ya están comprometidas.

Qué hacer de otra manera: trate el coste de la API de un modelo frontera como una variable que puede moverse más deprisa de lo que su propia fijación de precios puede reaccionar, no como un dato fijo que calcula una vez y olvida. Antes de lanzar una función de IA a gran escala, calcule el coste por tarea con algo así como diez veces su volumen esperado, no con el volumen del piloto, porque el volumen del piloto es precisamente la cifra que oculta este problema hasta que resulta caro corregirlo. La respuesta concreta de Canva - traer la inferencia de mayor volumen y más estandarizada a casa y reservar las API frontera para las tareas realmente difíciles - es un patrón concreto que cualquier equipo de producto con recursos para construir o comprar un modelo más pequeño puede copiar; la disciplina de cálculo que hay detrás está al alcance de cualquier equipo, sea cual sea su tamaño.

La lección no exige que una empresa construya sus propios modelos de IA para resultar útil. Exige tratar el precio del proveedor como una pieza móvil del modelo de negocio, contrastada con el volumen que el producto va a alcanzar realmente, antes de que ese volumen llegue y sea la factura la que decida por usted.

Leer a continuación: Su proveedor de IA podría tener un interruptor estatal  |  Rust traza la línea que la IA no puede cruzar