La adopción de inteligencia artificial avanza a una velocidad inédita. Sin embargo, el desafío que enfrentan hoy muchas organizaciones ya no pasa únicamente por incorporar nuevas herramientas tecnológicas, sino por lograr que esas tecnologías produzcan resultados concretos.
La distancia entre ambas cosas todavía es significativa. Según datos de McKinsey, el 80% de las organizaciones implementó inteligencia artificial generativa durante 2025, pero menos del 1% considera que esa adopción tuvo un impacto real en su P&L. Al mismo tiempo, Gartner estima que hacia 2026 el 60% de los proyectos de IA que no cuenten con datos preparados para su utilización serán abandonados.
Detrás de estas cifras aparece una realidad menos visible: la calidad de los resultados depende tanto de la tecnología como de las personas que la diseñan, entrenan, supervisan y validan.
“La conversación suele concentrarse en los agentes, pero el verdadero desafío está en cómo se construyen los procesos que permiten que estos agentes funcionen correctamente”, explica Clemencia Nicholson, CEO de Arbusta.
La compañía, fundada en Argentina en 2015 y con operaciones en Argentina y Colombia trabaja desde hace una década en servicios vinculados con gestión de datos, entrenamiento de modelos de inteligencia artificial, control de calidad y operaciones de soporte para empresas como Mercado Libre, Kavak, Despegar y PedidosYa.
Su experiencia la llevó a desarrollar un modelo basado en un principio cada vez más extendido dentro de la industria tecnológica: Human-In-The-Loop, un enfoque que combina automatización con intervención humana en aquellos casos donde el criterio, la interpretación o el contexto siguen siendo determinantes.
Cuando la automatización encuentra sus límites
Las herramientas de inteligencia artificial permiten procesar enormes volúmenes de información en tiempos mínimos. Sin embargo, todavía encuentran dificultades cuando deben enfrentar situaciones ambiguas, excepciones o escenarios que requieren interpretación.
“Las automatizaciones aceleran la resolución de casos ordinarios, pero pierden eficacia cuando aparecen problemas complejos o casos de borde. Ahí es donde la supervisión humana aporta contexto, criterio y capacidad de decisión”, señala Martín Senderey, COO & CTO de Arbusta.
Por eso cada vez más organizaciones avanzan hacia modelos híbridos donde la tecnología se ocupa de las tareas repetitivas y escalables, mientras las personas intervienen en aquellas situaciones donde la calidad depende del juicio profesional.
Datos de calidad para decisiones confiables
Según Grand View Research, el mercado global de gestión de datos empresariales alcanzó un valor de u$s 110.530 millones en 2024 y crecerá a una tasa anual de 12,4% entre 2025 y 2030. El crecimiento refleja una preocupación creciente de las organizaciones por la calidad de la información que utilizan para tomar decisiones.
Arbusta trabaja precisamente sobre esa capa menos visible de la transformación digital: recolección de datos, enriquecimiento de catálogos, validación documental, monitoreo de mercados, entrenamiento de modelos de IA y control de calidad.
El objetivo es convertir información dispersa en datos estructurados y confiables para alimentar procesos de negocio, sistemas analíticos y herramientas de inteligencia artificial.
El factor humano detrás de la IA
La necesidad de supervisión humana también aparece en el entrenamiento de modelos de inteligencia artificial.
Cuando un usuario realiza una búsqueda en un marketplace, consulta a un asistente virtual o interactúa con un sistema automatizado, existe un proceso previo de etiquetado, validación y corrección que permitió que esa herramienta aprendiera a reconocer patrones.
“Los modelos no aprenden solos. Detrás de cada respuesta correcta existe trabajo humano que organiza información, corrige errores, valida resultados y aporta contexto”, explica Stephany Villa Castillo, CBO de Arbusta.
Este trabajo resulta especialmente relevante en áreas donde la precisión es crítica, como prevención de fraude, moderación de contenidos, validación de identidades o análisis documental.
Uno de los ejemplos más representativos fue el trabajo desarrollado junto a Mercado Libre para fortalecer sistemas de detección de fraude y moderación de publicaciones. A través de procesos de etiquetado y validación realizados por equipos especializados, la compañía logró ampliar y enriquecer los conjuntos de datos utilizados para entrenar algoritmos, mejorando la capacidad de detección de irregularidades a escala regional.
CX Support: cuando la experiencia depende de personas y tecnología
La combinación entre automatización e intervención humana adquiere especial relevancia en las operaciones de atención al cliente.
A medida que las empresas digitalizan procesos, crecen también las expectativas de los usuarios respecto de los tiempos de respuesta, la resolución de problemas y la calidad de la experiencia.
En ese contexto, Arbusta da soporte a empresas como Despegar y Mercado Pago con un modelo de este tipo. En el caso de Mercadopago, la compañía se encarga de la gestión y repatriación de fondos, reclamos de fraudes y picos de demandas en fechas demandantes. En el caso de Despegar, Arbusta provee CX support para un enorme volumen de solicitudes de devolución vinculadas a cambios, cancelaciones e incidencias de viaje. Con ambas empresas, se logra el alcance de métricas y niveles de SLA satisfactorios.
“El objetivo es construir operaciones capaces de escalar manteniendo calidad y consistencia en la experiencia del usuario, y para eso los equipos de personas y la tecnología se complementan de una gran manera”, señala Senderey.
Esta mirada permite reducir tiempos de respuesta, mejorar indicadores de servicio y, al mismo tiempo, generar información que retroalimenta continuamente los sistemas para hacerlos más precisos.
La necesidad de combinar automatización y criterio humano se vuelve cada vez más evidente en América Latina. El crecimiento de la inteligencia artificial, el comercio digital y los servicios basados en datos está elevando los estándares de calidad, precisión y experiencia de usuario que deben sostener las organizaciones.
En ese escenario, Argentina y Colombia ofrecen ejemplos representativos de una transformación que avanza a gran velocidad. En Argentina, el comercio electrónico facturó $35,3 billones durante 2025 y sumó más de un millón de nuevos compradores, según datos de la Cámara Argentina de Comercio Electrónico (CACE). En Colombia, las ventas digitales crecieron 18,6% durante el mismo período, de acuerdo con la Cámara Colombiana de Comercio Electrónico (CCCE).
En ambos mercados, la escala creciente de las operaciones exige combinar tecnología con mecanismos de validación y supervisión capaces de sostener la calidad de los procesos.
A medida que aumentan las transacciones, también crecen los desafíos asociados a validación de información, prevención de fraude, gestión de reclamos y actualización de datos. En ese escenario, los modelos híbridos adquieren mayor relevancia porque permiten escalar operaciones sin resignar control ni calidad.
Una discusión que trasciende la tecnología
La necesidad de mantener supervisión humana sobre los sistemas inteligentes también comenzó a ocupar un lugar central en organismos internacionales.
La UNESCO sostiene en su Recomendación sobre la Ética de la Inteligencia Artificial que la protección de los derechos humanos y la dignidad humana debe ser un principio rector en el desarrollo de estas tecnologías. Entre otros aspectos, el organismo destaca la importancia de preservar mecanismos de supervisión humana sobre decisiones automatizadas que puedan afectar a las personas.
La discusión atraviesa gobiernos, empresas, universidades y organismos multilaterales. Pero también forma parte de los desafíos cotidianos que enfrentan las organizaciones cuando buscan convertir la innovación tecnológica en resultados concretos.
“El futuro no pasa por elegir entre personas o tecnología. Pasa por encontrar la mejor forma de combinarlas”, resume Nicholson.
