La promesa de nate era limpia: instalas la app, encuentras algo que quieres comprar en cualquier tienda en línea, tocas un botón y la IA completa la compra por ti. Nada de formularios, nada de tarjetas, nada de checkout.
En abril de 2025, el Departamento de Justicia de Estados Unidos acusó a su fundador, Albert Saniger, de fraude a inversionistas. Según la acusación, la tasa de automatización real era cercana a cero: las compras las completaban a mano cientos de contratistas en un centro de operaciones en Filipinas.
Desde el lado del usuario el producto funcionaba. Lo que no era real era el mecanismo — y con él, toda la tesis de inversión.
Qué pasó
La empresa había levantado más de 40 millones de dólares de fondos reconocidos, presentando a nate como una aplicación impulsada por IA propia.
La acusación del DOJ sostiene que Saniger sabía que la automatización no funcionaba, y que ocultó deliberadamente el trabajo humano detrás del producto. Cuando surgían dudas internas, la respuesta era mantener la narrativa.
El detalle que hace el caso didáctico: desde el lado del usuario, el producto funcionaba. La compra se completaba. La experiencia era la prometida. Lo que no era real era el mecanismo — y con él, toda la tesis de inversión, que dependía de que el costo por transacción bajara con la escala. Con personas a mano, no baja: sube.
Por qué pasó
El patrón tiene nombre en la industria: se lo llama AI washing, y en 2024-2025 dejó de ser un pecado de marketing para convertirse en materia de reguladores. La SEC ya multó a firmas por exagerar sus capacidades de IA, y este caso escaló a lo penal.
Pero hay una razón estructural por la que pasa tanto: decir "IA" cambia la valuación. La misma empresa, con el mismo producto y los mismos ingresos, vale distinto si el mecanismo es un algoritmo que si es un equipo de personas. Un algoritmo escala con costo marginal casi nulo; un equipo, no.
Ese diferencial es el incentivo. Y mientras nadie pida la métrica que lo delata —la tasa de intervención humana— el incentivo gana.
Las cifras del caso, en una imagen.
Dónde te puede pasar a ti
Como comprador de tecnología, este caso es la versión extrema de algo que vas a encontrar seguido:
- La demo es impecable porque está preparada, y en producción alguien corrige a mano lo que el sistema no resuelve.
- El proveedor habla de "IA propia" y en realidad es una llamada a un modelo de terceros con un prompt encima — que puede estar perfectamente bien, pero cambia el precio justo y el riesgo.
- El "agente autónomo" tiene un equipo de soporte revisando cada acción antes de ejecutarla.
Ninguna de las tres es necesariamente mala. Un proceso con humanos en el circuito puede ser la decisión correcta. El problema es pagar precio de automatización por un servicio con personas adentro, y descubrirlo cuando el proveedor sube la tarifa porque su costo escala con tu volumen.
Cómo se evita
1. Pide la tasa de intervención humana, medida. Qué porcentaje de casos requiere que una persona revise, corrija o complete. Si no lo miden, ya sabes la respuesta.
2. Pide ver el sistema fallar. Un caso raro, en vivo, sin preparar. Cómo se comporta cuando no sabe es más informativo que cómo se comporta cuando sabe.
3. Pregunta qué modelo usan y de quién es. No para descalificar: para entender qué estás comprando y cuánto cuesta de verdad.
4. Mira la curva de costos, no el precio de hoy. Si el costo del proveedor crece con tu volumen, tu precio va a crecer con tu volumen.
5. Pide acceso a los registros. Poder ver qué hizo el sistema, decisión por decisión, es la única verificación que no depende de que te cuenten la verdad.
Cómo lo hacemos en Catalizadora
Somos explícitos sobre el mecanismo porque el cliente termina siendo dueño de él.
Usamos modelos de Anthropic —somos partner oficial— y el cliente sabe exactamente qué modelo corre en su sistema, en qué parte del flujo y con qué costo. No hay una "IA propia" misteriosa: hay una arquitectura que se puede leer, porque el código queda a nombre del cliente.
Y cuando algo necesita a una persona, lo decimos y lo diseñamos así. Hay pasos donde el criterio humano es la decisión correcta —aprobar un descuento fuera de política, cerrar una venta grande, manejar un reclamo delicado— y esconder eso solo sirve para que el cliente descubra tarde que su "automatización" tiene gente adentro.
El número está a la vista en Faro: cuánto atendió el sistema solo y cuánto escaló a una persona. Ese es el dato que separa la automatización de la promesa.
Este es uno de los casos documentados en nuestra hemeroteca de fallas de IA. Todos con su fuente enlazada, y todos con la misma conclusión: el problema casi nunca es el modelo.