La cronología
Día 0. Joonko vendía una promesa impecable para su momento: inteligencia artificial aplicada al reclutamiento con diversidad, un motor que conectaba a empresas grandes con candidatos calificados de grupos subrepresentados. En sus materiales para inversionistas presumía más de 100 clientes, incluidas compañías del Fortune 500, y una facturación anual que superaba el millón de dólares. Con esa historia levantó alrededor de $21 millones. La tecnología casi nunca se discutió, porque la conversación rara vez llegaba tan lejos: llegaba a la lista de logos.
Día 1. Un inversionista hizo lo que casi nadie hacía en esa mesa: pedir comprobación. No la demo, no la lámina, no el testimonio del fundador, sino la evidencia. Según la acusación de la SEC, lo que recibió fueron contratos falsificados y estados de cuenta bancarios adulterados. A la duda se le respondió con más documento, no con una fuente distinta.
Horas/días después. La construcción no aguantó la segunda pregunta. Los ingresos reales, de acuerdo con los reguladores, nunca superaron los $100.000, aunque la compañía afirmaba haber pasado el millón. La empresa dejó de operar y, en 2024, la SEC y la fiscalía federal de Nueva York presentaron cargos contra su fundadora por defraudar a inversionistas por al menos $21 millones.
El fraude no se destapó porque la inteligencia artificial fallara, sino porque una sola persona pidió una fuente independiente del interesado y las demás habían firmado sobre la palabra.
Qué pasó, en detalle
El 2024 dejó pocos expedientes tan didácticos como este. La Comisión de Bolsa y Valores de Estados Unidos acusó a la fundadora y entonces directora ejecutiva de Joonko de haber levantado al menos $21 millones sobre afirmaciones que, según la demanda, eran falsas en los tres puntos que más pesan en una ronda de inversión: quiénes son los clientes, cuántos son y cuánto pagan. La compañía se presentaba con más de 100 clientes, entre ellos empresas del Fortune 500; varios de esos clientes, sostiene la acusación, simplemente no existían. La facturación anunciada superaba el millón de dólares; la real, según los reguladores, nunca pasó de $100.000. La fiscalía federal del Distrito Sur de Nueva York presentó cargos penales en paralelo. Cobertura en SEC.GOV.
El detalle que convierte el caso en material de estudio no es el tamaño de la brecha entre lo dicho y lo real. Es cómo se sostuvo tanto tiempo. Cuando un inversionista pidió verificar los números, la respuesta no fue un acceso, ni un contacto, ni una referencia: fue un paquete de documentos. Contratos con clientes y estados de cuenta bancarios que, de acuerdo con la acusación, habían sido forjados y adulterados. Y funcionó, porque un PDF falsificado y un PDF legítimo se ven exactamente igual en la bandeja de entrada de quien lo recibe.
Conviene decir con precisión qué se acusó y qué no. Los cargos no describen un modelo de inteligencia artificial que funcionara mal, ni un algoritmo sesgado, ni una predicción equivocada. Describen afirmaciones comerciales sin respaldo y documentos fabricados para sostenerlas. La etiqueta "IA" no fue la causa del problema; fue el envoltorio que hizo que las preguntas incómodas se sintieran fuera de lugar. Se trata de cargos presentados por autoridades, cuya resolución corresponde a los tribunales.
Por qué pasó
El fallo es de proceso, y tiene un nombre aburrido: cadena de custodia del dato. Toda verificación seria depende de una pregunta previa a la del contenido: ¿de dónde viene este número y quién más puede confirmarlo? Si el único origen es la parte interesada, no se está verificando nada; se está leyendo con más atención el mismo documento. Y leer con más atención un documento falsificado no lo descubre, porque un documento no contiene la prueba de su propia veracidad.
En términos de negocio, el mecanismo es este. Un contrato en PDF, una captura de un dashboard y un estado de cuenta enviados por correo son, técnicamente, la misma clase de evidencia: afirmaciones del vendedor con formato de documento. Un extracto bancario obtenido con acceso de solo lectura, una referencia que uno mismo busca y llama por un canal propio, o una factura emitida por el sistema contable del cliente son otra clase distinta: evidencia con un tercero de por medio. La diferencia no está en el rigor con que se revisa, sino en quién controla la fuente. Toda la diligencia de Joonko, según lo descrito por los reguladores, se hizo sobre la primera clase de evidencia.
La inteligencia artificial agrava el problema por una razón muy concreta: es opaca por naturaleza. En un negocio de logística se puede contar camiones; en uno de software con IA, la respuesta "el modelo lo hace" absorbe preguntas que en otra industria se contestarían con números. Esa opacidad no es una propiedad peligrosa de la tecnología, es una característica que obliga a compensar con más verificación externa, no con menos.
$21 millones levantados, más de 100 clientes anunciados y una facturación real que, según los reguladores, nunca superó los $100.000 frente al millón declarado.
Dónde te puede pasar a ti
No hace falta estar levantando capital para repetir el error. La empresa mediana de LATAM compra, contrata y mide con exactamente la misma clase de evidencia todos los días.
El proveedor del bot de atención te manda el reporte mensual. Tasa de resolución del 92%, satisfacción alta, tiempos excelentes. El número lo calcula el mismo proveedor, sobre su propia definición de "resuelto", en su propio panel. Si no puedes exportar las conversaciones crudas desde un sistema al que tú tengas acceso, ese reporte es una afirmación, no una medición.
La cotización automática dice un precio y nadie sabe de dónde salió. Un cotizador con IA que arma propuestas es útil hasta el día en que un cliente reclama un descuento que el sistema ofreció y no existe en tu lista de precios. Si el precio vive en el prompt o en la memoria del modelo en vez de en una tabla tuya, tu política comercial no es tuya.
El pipeline de cobranza que reporta gestiones que no ocurrieron. Un flujo automático que marca "contactado" sin dejar el registro del mensaje enviado y su respuesta produce un tablero limpio sobre una cartera que nadie tocó. El indicador mejora, la mora no.
La herramienta de reclutamiento o de scoring que promete resultados demostrables. Si el proveedor no puede darte tres clientes actuales que tú elijas y contactes por tu propio canal, y una prueba corrida sobre tus datos y no sobre su demo, lo único que estás evaluando es su capacidad para armar una presentación.
La pregunta incómoda para hoy: de los tres números con los que le rindes cuentas a tu directorio este mes, ¿cuántos puedes reconstruir desde una fuente que no controle la persona que te los reportó?
Cómo se evita
1. Clasifica cada evidencia por su fuente, no por su formato. Antes de aceptar un dato, escribí al lado quién lo originó. Documento enviado por el interesado, dato exportado de un sistema al que tú tienes acceso, o confirmación de un tercero independiente. Solo las dos últimas categorías cuentan para decisiones de dinero. Esto se hace esta semana con una columna extra en la hoja donde ya llevas el seguimiento.
2. Cambia el canal, no la intensidad de la revisión. Cuando dudes de un dato, no pidas más documentos: pide un acceso. Lectura al panel, exportación cruda, referencia de cliente que tú buscas por LinkedIn o por el sitio de la empresa en vez de recibir el contacto ya elegido. Un dato confirmado por un canal que el vendedor no controla vale más que diez páginas de anexos.
3. Prueba con tus datos, nunca con la demo. Ninguna compra de software con IA debería cerrarse sin un piloto corto sobre casos reales tuyos, con criterios de éxito escritos antes de empezar. La demo está construida para que funcione; tu operación no.
4. Exigí que las métricas nazcan del sistema, no del reporte. Definí por escrito qué significa cada indicador y de qué tabla o log sale. Si "resuelto" no tiene una definición registrada y consultable, cualquier porcentaje es negociable después del hecho.
5. Institucionaliza al que duda. El caso se destapó porque alguien insistió, y ese alguien estuvo solo. Pon en tu proceso de compra un rol formal de verificación, separado de quien impulsa la contratación, con poder de bloquear el cierre hasta que las referencias estén contactadas. Un escéptico sin autoridad es un trámite; con autoridad, es un control.
Cómo lo hacemos en Catalizadora
Este caso no se resuelve con un modelo mejor, así que tampoco lo resolvemos con uno. Lo resolvemos con tres candados que existen precisamente para que ningún número dependa de nuestra palabra.
Atlas guarda un registro completo e ineditable de cada conversación que atiende el sistema. No es un reporte que nosotros redactamos: es la conversación cruda, con su hora y su desenlace, disponible para que el cliente la audite cuando quiera y sin avisarnos.
Faro deja a la vista la tasa de intervención humana, que es justamente la métrica que un proveedor tendría incentivo para esconder. Si el bot escala más casos de los que resuelve, se ve en el tablero antes de que lo digamos nosotros.
El método MAGIA entrega fase por fase con evidencia, y el código, los datos y las credenciales quedan a nombre del cliente desde el primer día. Eso convierte cada afirmación nuestra en algo verificable en la fuente, no en un PDF que enviamos.
La regla, en una línea: si el único que puede confirmar un número es quien te lo está cobrando, ese número todavía no existe.
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.