Por qué importan los casos brasileños

Es fácil citar a Google, Amazon o Tesla cuando se trata de IA aplicada. Pero los casos americanos o europeos conllevan contextos muy diferentes al brasileño: distinta infraestructura, diferente regulación, diferente costo de mano de obra y, sobre todo, un mercado consumidor con características propias. Los seis casos a continuación sucedieron en Brasil, con empresas brasileñas, enfrentando desafíos brasileños.

Caso 1: Itaú Unibanco — IA que previene fraudes en milisegundos

Desafío: Itaú procesa más de 2.000 millones de transacciones al año. El fraude con tarjetas de crédito representaba pérdidas de cientos de millones de reales anualmente, con sistemas de detección tradicionales basados en reglas que generaban muchos falsos positivos — bloqueando transacciones legítimas de los clientes.

Solución implementada: En 2023, el banco implementó modelos de machine learning de detección de anomalías en tiempo real, entrenados con datos de comportamiento transaccional de cada cliente. El sistema analiza más de 200 variables por transacción en menos de 50 milisegundos — antes de la autorización.

Resultado: Reducción del 35% en las pérdidas por fraude en tarjetas de crédito y caída del 28% en los falsos positivos, según datos divulgados por el banco en su informe de sostenibilidad de 2024. El sistema procesa el 99,8% de las transacciones sin intervención humana.

Lección aprendida: "El mayor obstáculo no fue técnico — fue cultural. A los gerentes de riesgo con 20 años de experiencia les costaba confiar en un modelo que no podían interpretar completamente". (CTO de Itaú en entrevista con Valor Econômico, 2024)

Caso 2: Embrapa — visión por computadora para defender la soya brasileña

Desafío: Brasil es el mayor productor de soya del mundo. Las plagas y enfermedades representan pérdidas del 15-30% de la producción en años malos. El diagnóstico temprano requiere agrónomos especializados — escasos y caros para la mayoría de los productores rurales.

Solución implementada: Embrapa desarrolló AgroIA, una aplicación de visión por computadora que permite al productor fotografiar una hoja con su celular y recibir un diagnóstico de plagas y enfermedades en segundos, con recomendaciones de manejo. El modelo fue entrenado con 2 millones de imágenes etiquetadas por especialistas de Embrapa a lo largo de tres años.

Resultado: Más de 180.000 descargas en 14 meses de operación. Precisión del 91% para las 40 principales plagas de la soya. Los productores reportan diagnósticos de 3 a 5 días más rápido que el método tradicional de consultar a un extensionista rural.

Lección aprendida: La conectividad rural es un cuello de botella crítico. Embrapa tuvo que desarrollar un modo sin conexión para que funcionara en áreas sin señal — una característica que no estaba en el plan original.

Caso 3: Magazine Luiza — IA que humanizó el servicio al cliente

Desafío: Con más de 40 millones de clientes activos y picos de demanda en fechas como el Black Friday, Magalu se enfrentaba a colas de atención al cliente de horas y a índices de satisfacción en caída.

Solución implementada: Lu — la asistente virtual de Magalu — fue repotenciada en 2024 con grandes modelos de lenguaje capaces de resolver el 87% de las demandas de posventa sin transferencia a un humano: seguimiento de pedidos, cambios, quejas, negociación de plazos. El sistema reconoce el tono emocional y escala automáticamente a un agente humano en casos de frustración detectada.

Resultado: Reducción del 42% en el tiempo promedio de resolución de demandas. El NPS de atención al cliente subió 18 puntos. El costo por servicio cayó un 31%. Lu responde hoy a más de 50 millones de interacciones al mes.

Lección aprendida: La decisión de no ocultar que Lu es una IA — e invertir en hacerla transparente sobre sus limitaciones — aumentó la confianza del cliente y redujo las quejas sobre el canal digital.

Caso 4: Rede D'Or — IA que reduce el tiempo de los informes de imágenes

Desafío: Rede D'Or, la mayor red de hospitales privados de Brasil, se enfrentaba a un cuello de botella crítico en radiología. Los informes de tomografía y resonancia tardaban entre 6 y 24 horas en promedio. En casos urgentes, este tiempo tiene un impacto clínico directo.

Solución implementada: Asociación con la startup brasileña Nuveo para implementar IA de asistencia al diagnóstico radiológico. El sistema analiza imágenes de TC y RM, señala hallazgos sospechosos y prioriza automáticamente los casos urgentes en la cola del radiólogo. La IA no emite informes — señala y prioriza; el médico informa.

Resultado: El tiempo promedio de los informes de TC de tórax urgente se redujo de 4,2 horas a 38 minutos en unidades piloto. La detección de nódulos pulmonares aumentó un 23% en comparación con la lectura no asistida por IA. Satisfacción de los radiólogos con la herramienta: 78% positivo en una encuesta interna.

Lección aprendida: La resistencia inicial fue alta entre los radiólogos. El punto de inflexión ocurrió cuando un caso de embolia pulmonar fue detectado por la IA 2 horas antes de lo que se habría detectado en la cola normal — el paciente sobrevivió. "Un caso concreto vale más que mil diapositivas de entrenamiento", dijo el director médico de la unidad.

Caso 5: iFood — IA que prevé la demanda y reduce el desperdicio

Desafío: Los restaurantes asociados a iFood perdían una media del 12% de los insumos por sobreproducción — preparación de comida que no se pediría. Para los restaurantes con márgenes ajustados, esto es crítico.

Solución implementada: iFood lanzó en 2025 la herramienta Previsión Inteligente, disponible en la aplicación de gestión para socios. El modelo analiza el historial de pedidos, el clima local, los eventos en la región, el día de la semana y la estacionalidad para proyectar la demanda por elemento del menú con 6 horas de antelación. La producción sugerida es ajustable por el propio restaurante.

Resultado: En los restaurantes que adoptaron la herramienta, el desperdicio promedio cayó del 12% al 7,3% en 90 días. El margen operativo mejoró en 2,1 puntos porcentuales. Tasa de adopción voluntaria: 67% de los restaurantes asociados elegibles en 6 meses.

Lección aprendida: Una interfaz simple fue decisiva. iFood probó una versión inicial con paneles complejos — la adopción fue del 12%. La versión simplificada con recomendación directa ("preparar X unidades de Y") alcanzó el 67%.

Caso 6: Totvs — IA que democratizó el análisis financiero para pymes

Desafío: Las pymes brasileñas — el 99% de las empresas del país — rara vez cuentan con analistas financieros. Las decisiones sobre el flujo de caja, la fijación de precios y las inversiones se toman con escaso o nulo respaldo de datos.

Solución implementada: Totvs integró en 2024 un asistente de IA a su ERP para pymes, Totvs Lia. El asistente responde a preguntas en lenguaje natural sobre los datos financieros de la empresa: "¿Cuál fue mi mejor mes en los últimos 12?", "¿Qué clientes han estado en mora por más de 60 días?", "Si contrato a un empleado más, ¿qué pasa con mi flujo de caja?". El modelo solo tiene acceso a los datos del ERP del propio cliente.

Resultado: El 23% de los usuarios de Lia afirman haber tomado al menos una decisión financiera diferente tras consultar la herramienta en los 90 días de uso. El NPS del ERP subió 14 puntos tras la implementación de Lia. Totvs reportó un aumento del 19% en la retención de clientes pyme en comparación con el período anterior.

Lección aprendida: El mayor valor no fue el análisis en sí, sino la confianza generada. Los emprendedores que nunca habían tenido acceso a análisis financieros profesionales comenzaron a tomar decisiones de forma más segura — incluso cuando Lia confirmaba lo que ya intuían.

El patrón que emerge

Seis casos, seis sectores diferentes — pero tres patrones aparecen en todos ellos: un problema específico antes que una solución genérica; un piloto real antes de la escala; y la resistencia humana como un obstáculo mayor que la limitación técnica. La IA no falló en ninguno de estos casos por razones técnicas. Donde hubo fricción, fue por razones humanas — y donde tuvo éxito, fue porque los equipos lo entendieron y trabajaron el aspecto humano con tanto cuidado como el técnico.