From Unit Economics to Narrative Structure

Dos lenguajes sobre un mismo objeto

En investigación de portfolios conceptuales —entendidos aquí como conjuntos de modelos bajo revisión descriptiva, no como carteras de inversión recomendadas— suelen coexistir dos lenguajes. Uno habla de contribución, ciclos de pago, costes variables documentados o definiciones de “unidad”. El otro habla de misión, segmento, momento de categoría y “por qué ahora”. Ambos pueden ser legítimos dentro de un archivo analítico. Ninguno debería absorber al otro sin mediación.

El problema no es que existan dos lenguajes. El problema es la traducción descuidada. Una cifra sin definición de unidad se cuela en un párrafo de visión y adquiere, por contagio estilístico, un aura de prueba. Una historia de producto bien contada se ilustra con un ratio incompleto y el lector interno cree haber visto evidencia donde solo había atmósfera. El trabajo analítico consiste en mediar: ¿qué parte de la narrativa exige una métrica para ser comprensible? ¿Qué métrica carece de contexto si no se explica el mecanismo del modelo?

Este artículo desarrolla ese puente. No enseña a “optimizar” unit economics ni a construir pitch decks. Describe cómo leer, etiquetar y contrastar afirmaciones métricas y afirmaciones narrativas cuando se revisan varios modelos bajo un mismo protocolo. El uso de IA aparece como acelerador de borradores y detector de inconsistencias léxicas —siempre bajo veto humano.

Qué contar como unit economics en notas abiertas

En materiales públicos, las cifras unitarias a menudo llegan incompletas, redondeadas, condicionadas a escenarios o presentadas sin periodo de observación. Un protocolo prudente las trata como afirmaciones con fuente, no como hechos contables auditados. Esa distinción evita dos extremos inútiles: el cinismo (“nada es creíble”) y la credulidad (“si está en el deck, es dato”).

Antes de incorporar una métrica al cuerpo de una nota, conviene fijar tres anclas. Primera: la definición de unidad usada por la fuente —cliente, asiento, transacción, cuenta activa, gigabyte, o cualquier otra. Segunda: el periodo de observación y, si aparece, el supuesto de extrapolación. Tercera: el estatus documental —declarado por la compañía, citado por un tercero, o calculado por el analista a partir de fragmentos (este último caso exige transparencia máxima y, en muchos archivos, se desaconseja fuera de un anexo).

• Registrar la definición de “unidad” tal como la emplea la fuente, no la que el analista preferiría.
• Separar periodo observado de cualquier proyección o escenario mencionado.
• Marcar como no disponible lo que no aparece, en lugar de estimarlo con promedios no citados.
• Anotar si la cifra es puntual, de cohorte, o de un subconjunto no representativo declarado.
• Evitar convertir ratios parciales en sinónimos de “salud del negocio”.

Cuando la IA extrae métricas de un PDF o de una página, el riesgo típico es la normalización silenciosa: el sistema unifica formatos y, de paso, unifica significados. Pedir al flujo asistido que conserve la definición textual junto al número reduce ese riesgo. Si la definición no aparece, la celda correcta es vacía o “definición ausente”, no un número huérfano.

Unidades incomparables entre modelos

En un portfolio conceptual, el error más caro no suele ser una cifra falsa, sino una comparación ilegítima. “Usuario” en un producto de consumo y “asiento” en un software B2B no son la misma unidad aunque ambos generen un ratio de contribución. La tipología del modelo —suscripción, uso, comisión, híbrido— condiciona qué métricas tienen siquiera sentido. Antes de alinear columnas en una tabla, hay que alinear ontologías. Si no se puede, la tabla debe declarar incomparabilidad, no fingir homogeneidad.

La estructura narrativa como andamiaje

Una narrativa útil para investigación no es un eslogan ni una declaración de misión aislada. Es una secuencia con casillas: problema observado en el material; solución propuesta; mecanismo de intercambio de valor; dependencias críticas; límites o riesgos reconocidos por la propia fuente. Cuando esa secuencia se escribe con claridad, las métricas encuentran lugares naturales donde encajar —o donde ausentarse de forma explícita.

El andamiaje narrativo también protege contra el “número decorativo”. Si una nota afirma que el modelo resuelve un problema de fragmentación de datos, pero no puede señalar ni un mecanismo de cobro ni una unidad de valor, la narrativa está incompleta. Si, al contrario, hay ratios abundantes pero ninguna secuencia que explique quién paga y por qué, las métricas flotan. El puente metodológico exige ambas orillas visibles, aunque una de ellas esté marcada como laguna.

En revisiones asistidas, un buen uso de la IA es pedir un esquema narrativo en cinco bloques con citas, no un “storytelling mejorado”. Mejorar el estilo del relato sin anclarlo es exactamente lo que un archivo editorial debería impedir. La máquina puede proponer títulos de sección; el analista decide si cada sección tiene soporte.

Una métrica sin definición de unidad es un número; una narrativa sin anclajes es publicidad.

Matriz de contraste métrica–relato

Una herramienta sencilla y resistente al abuso es una matriz de dos columnas. A la izquierda, afirmaciones narrativas tomadas de las fuentes (no parafraseadas hasta perder el ancla). A la derecha, evidencia unitaria asociada o la etiqueta “sin soporte documental”. La matriz no puntúa atractivo, no calcula un score y no produce un ranking dentro del portfolio. Solo muestra alineación o vacío.

Ejemplo de filas útiles: “el pago es recurrente mensual” frente a plan de precios visible; “el valor se captura por transacción” frente a comisión documentada; “la retención es alta” frente a cualquier definición y cifra de retención —o frente a “no documentado”. Cada fila fuerza una decisión: anclar, marcar laguna o eliminar la afirmación narrativa del núcleo de la nota.

En flujos con IA, la matriz puede generarse como borrador a partir de fuentes cargadas. La revisión humana elimina inferencias (“si hay freemium, habrá conversión”), reescribe definiciones ambiguas y rechaza filas donde el sistema haya inventado el lado métrico. El borrador acelera; la revisión decide. Sin esa segunda estación, la matriz se convierte en un generador de falsa completitud.

Cómo leer los vacíos de la matriz

Un vacío no es automáticamente una debilidad del modelo revisado; es una limitación del material disponible o del alcance de la nota. Tratar cada celda vacía como señal negativa introduce un sesgo de disponibilidad: se castiga lo no publicado como si fuera lo no existente. El uso correcto del vacío es metodológico: delimita qué se puede afirmar con el expediente actual. Si más adelante llegan fuentes nuevas, la matriz se actualiza con fecha, no se reescribe como si el pasado documental nunca hubiera sido incompleto.

Del modelo individual al portfolio conceptual

Cuando se revisan varios modelos juntos, aparece la tentación de “inteligir” el conjunto: buscar patrones, clusters, arquetipos ganadores. Esa tentación es comprensible y peligrosa. Los patrones tipológicos —por ejemplo, prevalencia de mecanismos de suscripción en un sector aparente— pueden ser un resultado descriptivo válido. Los patrones evaluativos —“estos tres son los más sólidos”— no pertenecen a una nota de contraste métrica–narrativa salvo que el mandato lo diga y el método lo soporte con criterios explícitos distintos.

Un portfolio conceptual se lee mejor como una galería de fichas comparables que como una liga. Cada ficha conserva su definición de unidad, su secuencia narrativa y sus lagunas. Las tablas transversales solo agrupan lo que es ontológicamente alineable. Donde no lo es, se usan taxonomías (“familia de ingresos”, “tipo de dependencia”) en lugar de ratios forzados. La IA puede sugerir agrupaciones léxicas; el analista debe verificar que la agrupación no esté uniendo objetos distintos bajo un sinónimo engañoso.

1. Fijar el mandato: descripción tipológica, contraste interno, o ambos —nunca “recomendación” silenciosa.
2. Homogeneizar plantillas de ficha, no homogeneizar a la fuerza las unidades.
3. Construir matrices métrica–relato por modelo antes de cualquier vista transversal.
4. Declarar incomparabilidades en la vista de conjunto.
5. Separar hallazgos descriptivos de interpretaciones en secciones distintas.

Errores frecuentes al “inteligir” un portfolio

Entre los fallos recurrentes destacan varios. Homogeneizar unidades distintas entre modelos. Comparar ratios sin alinear periodos de observación. Usar retención o contribución como sinónimo de calidad del negocio. Proyectar una métrica de un caso análogo sin declarar la analogía. Confundir cobertura mediática con validación unitaria. Dejar que un modelo lingüístico “complete” una celda vacía con un promedio sectorial no citado. Cada fallo puede pasar desapercibido en un texto fluido.

También es frecuente el error inverso: despreciar la narrativa porque “solo son palabras”. La narrativa estructura qué métricas tienen sentido. Sin ella, un archivo se llena de números huérfanos que nadie sabe dónde colocar en un debate. El puente no privilegia la métrica sobre el relato ni el relato sobre la métrica; privilegia la traducción explícita.

Las comparaciones tipológicas son válidas como lenguaje de clasificación y contraste documental. No constituyen evidencia de resultado, ni asesoramiento de inversión, ni evaluación de atractivo de ningún activo o emisor.

Papel de la IA en la traducción métrica–narrativa

Un uso legítimo: extraer candidatos a métricas con su contexto oracional; proponer bloques narrativos con citas; señalar contradicciones entre documentos; detectar cuando un mismo término (“activo”, “usuario”, “margen”) cambia de sentido entre fuentes. Un uso ilegítimo: pedir “unit economics completas” a partir de un texto incompleto; solicitar un score de calidad; generar un relato persuasivo que “una” cifras y visión en un tono comercial.

Las plantillas de prompt deberían incluir frenos: prohibición de inventar definiciones de unidad; obligación de etiquetar lagunas; obligación de conservar fechas; rechazo de lenguaje de potencial o de asignación. Si el sistema insiste en rellenar, la respuesta operativa no es negociar con el modelo: es descartar el fragmento. Un flujo maduro prefiere una matriz a medias a una matriz inventada.

Versionado del puente

Cuando una nota se actualiza, conviene versionar no solo el texto final, sino la matriz. Qué filas ganaron soporte, cuáles siguieron vacías, qué definiciones de unidad cambiaron en las fuentes. Ese historial evita la amnesia documental: el relato “siempre fue claro” suele ser un efecto del último resumen pulido, no de la evidencia acumulada.

Conclusión

Pasar de unit economics a estructura narrativa —y viceversa— es un ejercicio de traducción con reglas. Cuando la traducción es fiel, el portfolio conceptual se vuelve legible: se ven modelos, no solo cifras ni solo historias. Cuando la traducción es perezosa, el archivo produce o bien dashboards sin contexto o bien narraciones con números decorativos. Ninguno de los dos extremos sirve a un debate interno serio.

La IA puede acortar el camino hacia el borrador del puente; no puede firmar la traducción. Esa firma —humana, fechada, con lagunas visibles— es lo que convierte un conjunto de documentos en investigación, y no en una colección de resúmenes persuasivos.