AI Top Business Leaders México | Entrevista editorial
El director general de Mercado Pago México detalla cómo una cultura tecnológica, una infraestructura consolidada y años de datos permitieron a la compañía acelerar la adopción de la IA, por que el siguiente paso es decidir qué solución necesita cada problema.
Mercado Pago no llegó a la inteligencia artificial generativa desde cero. Como parte de una organización nacida con una fuerte base tecnológica, llevaba años trabajando con datos sobre una infraestructura digital avanzada. La llegada de los grandes modelos de lenguaje (LLM, por sus siglas en inglés) y de los agentes amplió esas capacidades y aceleró una evolución que ya estaba en marcha.
Pedro Rivas, director general de Mercado Pago México, explica que la respuesta no fue concentrar la IA en un único equipo, sino abrir el acceso a estas herramientas a distintas áreas de la empresa. Esa adopción abre una nueva etapa, marcada por una pregunta más selectiva: ¿cuándo utilizar los modelos más avanzados y cuándo una solución más sencilla puede generar resultados similares con menor costo?
Esta entrevista ha sido editada por motivos de claridad y brevedad, sin alterar el sentido de las respuestas.
¿En qué punto los encontró la IA generativa?
Mercado Libre y Mercado Pago nacieron como organizaciones tecnológicas. Ya utilizábamos machine learning para automatización, predicción y toma de decisiones, así que nuestro salto hacia la IA generativa tenía antecedentes, no arrancamos de cero. Teníamos una cultura acostumbrada a incorporar nuevas herramientas, muchísimos datos y una infraestructura digital preparada para hacerlo.
La evolución se puede ver por etapas. Pasamos de la automatización y la predicción con machine learning al uso de LLM para búsquedas y, después, a agentes capaces de resolver problemas de punta a punta, tanto con usuarios como en procesos internos.
Además, no centralizamos todo en un departamento de IA. Construimos una capa que permite a los desarrolladores trabajar de manera autónoma y otra para desarrollar agentes desde las distintas unidades de negocio. La capacidad está distribuida en la empresa para que cada equipo pueda utilizar estas herramientas donde tengan sentido.
Una vez tomada la decisión de entrar, ¿cómo la llevaron a la organización?
Adoptarla o no fue como un nanosegundo; desde nuestro punto de vista, no era una decisión. Lo importante era cómo impulsarla: pusimos las herramientas a disposición de todos, sin limitar la exploración a determinados puestos o áreas.
Después había que bajar el mensaje de manera consistente. Con Scale with AI empezamos a colocar el reflector sobre casos de uso que funcionaban, crear espacios para compartir mejores prácticas y empujar a la gente a cambiar su manera de trabajar. La idea es usar la IA entendiendo que el trabajo cambió y preguntarte cómo puedes hacerlo mejor o llevarlo a otra escala.
Eso funciona porque la tecnología ya estaba integrada en la cultura de la organización. La IA representa una nueva evolución de esa base, no algo completamente ajeno que haya que introducir desde fuera.
¿Dónde están viendo resultados concretos?
Primero, en la experiencia del usuario. La app de Mercado Pago tiene un asistente financiero al que puedes preguntarle si ya le pagaste a alguien o pedirle por voz que haga una transferencia. Millones de usuarios en siete países ya utilizan esa herramienta. En el centro está el NPS (Net Promoter Score), una métrica de recomendación del cliente: implementamos estas soluciones y medimos si mejora. Si la respuesta es sí, seguimos iterando.
Otro frente fundamental es el crédito. Los modelos nos permiten entender mejor al cliente y determinar si otorgarle financiamiento, qué tipo, en qué condiciones y en qué momento. En México, esto nos ha permitido ampliar el crédito a segmentos donde antes no teníamos suficiente información. Solo en México hemos otorgado más de 2,5 millones de créditos a pequeñas y medianas empresas (pymes) y tenemos más de 20 millones de líneas de crédito preaprobadas.
También estamos viendo una aceleración importante en el desarrollo de software. Podemos iterar productos y proyectos con mayor velocidad y precisión, lo cual termina traduciéndose en un mejor producto para el usuario.
"El hecho de que le pueda poner luces neón a mi coche no significa que se las tenga que poner".
¿Cómo deciden entonces cuánta IA necesita realmente cada problema?No estamos frenados por falta de acceso a las herramientas. El desafío ahora es determinar si el costo, el modelo o la herramienta elegidos son adecuados para cada tarea. Al principio era un poco "IA y tokens para todos ". Ahora entendemos que no todas las tareas necesitan el modelo más sofisticado y estamos optimizando las herramientas según cada caso de uso.
El otro reto es mantenernos constantemente al día. El ritmo de cambio de la industria puede superar a algunos equipos, a algunas personas o a todos. Algo que construiste o implementaste hace poco puede tener hoy una mejor manera de hacerse. Son desafíos de uso y refinamiento, más que barreras que nos estén frenando.
¿Y cómo ve a México en este escenario?
En el desarrollo de modelos, esa competencia está principalmente en EE UU y China. Sin embargo, la implementación de la IA en América Latina puede tener un impacto mayor por las brechas que todavía existen en acceso y calidad de la información.
En EE UU, gran parte de la población tiene trazabilidad digital, empleo formal o un historial crediticio. En México esa información no existe con la misma profundidad. La IA permite deducir información y tomar decisiones en beneficio del usuario que antes habrían sido imposibles o habrían requerido mucha más infraestructura.
No diría que es un salto tecnológico completo, pero sí una evolución mucho más rápida. Partimos de más atrás y, aunque no lleguemos al límite, el avance puede ser mucho mayor.
"Hoy estamos en el momento más tonto del futuro".
Después de este recorrido, ¿qué entiende hoy que no entendía al principio?
Que aquello que implementamos hoy probablemente será superado en poco tiempo, así que tenemos que estar preparados para adaptarnos. También entendimos mejor la importancia de los datos: su generación y aprovechamiento pueden llegar a ser tan importantes como el modelo, porque sin ellos no puedes explotar las capacidades que trae cada nueva tecnología.
Además, no todo se tiene que atacar con el mismo cañón. Hay problemas que requieren modelos muy potentes y otros que pueden resolverse de manera más eficiente. La inversión tiene que guardar relación con el valor que genera.