Caso 24 — Empresa real, regulación y Capstone#

Contexto#

Ruta Andina SpA — Empresa chilena que vende una plataforma de agendamiento, pagos y CRM ligero para pymes de servicios (peluquerías, talleres, centros médicos pequeños, estudios contables). Tiene tres líneas de ingreso: suscripción SaaS (CLP 39.000 a CLP 199.000 mensuales por local), venta de hardware complementario por e-commerce y marketplace, y contratos anuales con municipios y corporaciones para digitalizar atención de público.

Estado de la empresa. 18 meses de operación, 240 cuentas activas, ARR aproximado de CLP 610 millones, churn mensual de 3,4 %, equipo comercial de 6 personas, CAC mixto de CLP 310.000 y un CRM con datos incompletos. El directorio pide duplicar ingresos en 18 meses sin duplicar el gasto comercial.

Restricciones. Presupuesto de marketing y ventas acotado, un solo analista de datos compartido, obligación de cumplir la Ley 19.496 del consumidor y de prepararse para la Ley 21.719 de datos personales, y un competidor regional con más capital.

Situación#

El Capstone exige presentar la operación completa de Ruta Andina —o de una empresa propia— ante un panel que revisará números, evidencia y cumplimiento.

El equipo tiene tres semanas para presentar una recomendación al comité. Existen posiciones encontradas dentro de la empresa y la información disponible es incompleta en varios frentes.

Datos disponibles#

🧬 Caso avanzado — MEDVi: growth AI-native bajo regulación#

MEDVi se incorpora como caso externo y comparativo; no sustituye a Ruta Andina ni convierte datos periodísticos en cifras auditadas. La pregunta no es si la IA es buena o mala, sino qué ocurre cuando el costo marginal de producir y distribuir marketing cae más rápido que la capacidad de gobernarlo.

Tesis visual del caso: la misma infraestructura que multiplica velocidad, alcance y aprendizaje también multiplica la superficie de error. El crecimiento sólo es sostenible cuando cada acelerador tiene un control que escala con él.

🚀 1. Potencia de un motor AI-native#

Forbes informó, basándose en cifras atribuidas a estados financieros revisados por The New York Times, que MEDVi generó USD 401 millones de ingresos en 2025 con 250.000 clientes y que proyectaba USD 1.800 millones para 2026. El mismo reportaje describió una estructura de dos personas apoyada en más de una docena de herramientas de IA y proveedores externos. Son cifras reportadas, no verificadas de forma independiente por este programa; se usan como señal de escala y no como validación del modelo.

La arquitectura AI-native puede comprimir el ciclo investigación → copy → imagen o vídeo → landing → campaña → experimento → análisis → nueva variante. También puede asistir personalización, soporte, analítica y optimización. La ventaja aparece cuando aprendizaje, capacidad de servir y control crecen juntos. Si sólo crece la producción, el sistema aumenta inventario de piezas y exposición sin aumentar la probabilidad de que cada promesa sea correcta.

flowchart LR
    A["🔎 Investigación"] --> B["✍️ Copy"]
    B --> C["🎨 Imagen y vídeo"]
    C --> D["🧭 Landing"]
    D --> E["📣 Campaña"]
    E --> F["🧪 A/B testing"]
    F --> G["📊 Analytics"]
    G --> H["⚙️ Optimización"]
    H --> A
    I["🛡️ Evidencia + Claim Gate + supervisión"] -. gobierna .-> B
    I -. gobierna .-> C
    I -. gobierna .-> E
    I -. gobierna .-> H

Escala económica reportada, no auditada por este programa

xychart-beta
    title "Ingresos MEDVi informados por Forbes (USD millones)"
    x-axis ["2025 reportado", "2026 proyectado"]
    y-axis "USD millones" 0 --> 2000
    bar [401, 1800]

📌 Lectura correcta: USD 1.800 millones es una proyección, no un resultado realizado. El salto visual de aproximadamente 4,5× sirve para preguntar qué controles deberían crecer antes de alcanzarlo.

📡 2. Error Amplification Factor#

El Error Amplification Factor (EAF) se define como impactos erróneos distribuidos atribuibles a una fuente de error / fuentes de error originarias, dentro de una ventana y alcance declarados. Un impacto puede ser una impresión, mensaje, decisión, conversión o atención de soporte; el denominador debe conservar el error originario para no confundir muchos errores independientes con amplificación.

error humano individual → una pieza → revisión o alcance limitado no equivale a claim incorrecto → IA → campaña → automatización → afiliados → múltiples canales → miles de impresiones → conversiones → reclamos y riesgo regulatorio. La IA aumenta productividad y blast radius a la vez. La métrica se acompaña con severidad, velocidad de propagación y tiempo hasta contención: diez errores clínicos no son equivalentes a diez errores tipográficos.

flowchart TB
    subgraph HUMANO["👤 Error humano individual"]
        H1["1 error originario"] --> H2["1 pieza"] --> H3["Alcance limitado"]
    end
    subgraph AUTOMATIZADO["🤖 Error automatizado distribuido"]
        A1["1 claim incorrecto"] --> A2["IA crea variantes"]
        A2 --> A3["Automatización"] --> A4["Canales + afiliados"]
        A4 --> A5["Miles de impactos"] --> A6["Conversiones + reclamos + riesgo"]
    end

EAF alto no significa sólo “muchas impresiones”. Significa que una sola fuente defectuosa produce muchas decisiones o exposiciones defectuosas antes de ser contenida.

⚖️ 3. Marketing regulado: clasificación operacional#

La clasificación se aplica también a testimonios, comparaciones, promesas comerciales, influencers, personajes generados, imágenes de profesionales y explicaciones clínicas. Declarar que una imagen fue generada no vuelve verdadero el claim ni corrige una autoridad aparente falsa.

Mapa visual de intervención

🏛️ 4. Expediente regulatorio MEDVi#

Distinciones obligatorias. Un producto FDA-approved pasó la revisión aplicable de una solicitud para usos y etiquetado determinados. Un generic es una copia aprobada que debe cumplir requisitos de equivalencia y calidad. Un medicamento compounded se prepara para necesidades clínicas específicas bajo condiciones legales y no es FDA-approved: la FDA no verifica previamente su seguridad, eficacia y calidad como hace con un producto aprobado. Un counterfeit se presenta falsamente como auténtico. Compounded no significa counterfeit; son categorías distintas y confundirlas invalida el análisis.

🛡️ 5. Claim Gate y puntos de detención#

flowchart LR
    A["🤖 AI generation"] --> B["🔎 Claim extraction"]
    B --> C{"📚 Fuente válida?"}
    C -- No --> X["🛑 STOP + registro"]
    C -- Sí --> D{"✅ Fact check"}
    D -- Falla --> X
    D -- Pasa --> E{"⚖️ Regulatory check"}
    E -- Falla --> X
    E -- Pasa --> F{"👤 Human approval"}
    F -- Rechaza --> X
    F -- Aprueba --> G["📣 Publication"]
    G --> H["📡 Monitoring"] --> I["🧾 Audit log"]
    H -- Umbral excedido --> K["⛔ Kill switch"]
    K --> I

AI GENERATION
      ↓
CLAIM EXTRACTION
      ↓
SOURCE VERIFICATION
      ↓
FACT CHECK
      ↓
REGULATORY CHECK
      ↓
HUMAN APPROVAL
      ↓
PUBLICATION
      ↓
MONITORING
      ↓
AUDIT LOG

La campaña se detiene automáticamente si un claim carece de fuente; la fuente no corresponde al producto, dosis, población o resultado; se infiere aprobación, seguridad o eficacia no demostrada; aparece una identidad o testimonio no verificable; falta revisión clínica o regulatoria exigida; el afiliado o la creatividad no están registrados; o una alerta supera el umbral de reclamos, reembolsos, violaciones o incidentes. Publicar requiere aprobación nominal y versionada; monitorear no reemplaza la revisión previa, y el audit log debe enlazar claim, evidencia, versión, aprobador, canal y retirada.

🤝 6. Affiliate governance#

El sistema mínimo mantiene registro de afiliado → identidad y beneficiario → contrato → claims autorizados/prohibidos → creatividad versionada → aprobación → canales y dominios declarados → monitoreo → alertas → suspensión → kill switch → auditoría. El kill switch debe permitir detener anuncios, enlaces, landing pages y pagos pendientes por canal con responsable y tiempo objetivo probado. La empresa debe poder demostrar qué sabía, cuándo lo supo, qué instrucción emitió y cuándo cesó la distribución. Outsourcing marketing ≠ outsourcing responsibility.

flowchart LR
    A["🪪 Registro e identidad"] --> B["📜 Contrato"]
    B --> C["✅ Claims autorizados"] --> D["🗂️ Creatividad vN"]
    D --> E["👤 Aprobación"] --> F["📣 Distribución"]
    F --> G["📡 Monitoreo"] --> H{"🚨 Violación?"}
    H -- No --> G
    H -- Sí --> I["⏸️ Suspensión"] --> J["⛔ Kill switch"]
    J --> K["🧾 Auditoría + remediación"] --> A

🤝 Principio rector: tercerizar producción o distribución no transfiere la responsabilidad por los claims, la evidencia ni la respuesta ante incidentes.

🧪 7. Simulación: ventas 20× en seis meses#

Una startup AI-native pasa de 500 a 10.000 ventas mensuales. El equipo debe dimensionar qué capacidad también aumenta: compliance, monitoreo, soporte, auditoría, proveedores, afiliados, reclamaciones, seguridad y supervisión humana. No se acepta responder «20× todo»: algunas cargas crecen con ventas, otras con piezas, afiliados, canales o incidentes. Para cada capacidad se exige driver → capacidad actual → demanda a 20× → brecha → umbral de contratación o automatización → dueño → fallback.

El equipo recibe una complicación: a la semana 12 la tasa de revisión humana cae de 100 % a 18 %, un afiliado concentra 42 % de las ventas, los reclamos se triplican y una creatividad sin versión activa sigue circulando. Debe decidir qué detener, qué mantener, cómo atender a clientes ya convertidos y qué evidencia conservar, aunque la detención reduzca el crecimiento del mes.

Tablero de tensión para la semana 12

📊 8. Tablero de growth ajustado por riesgo#

Instrument panel: crecimiento y riesgo deben verse juntos

GROWTH BRUTO          ████████████████████  20×
COBERTURA HUMANA      ███▌                  18 %
CONCENTRACIÓN AFILIADO████████▍              42 %
RECLAMOS              ██████                 3×
                      ↑ la divergencia es la alerta, no el gráfico bonito

El risk-adjusted growth no resta un puntaje arbitrario al crecimiento. Calcula margen incremental realizado − reembolsos − costo de reclamaciones − pérdida esperada de incidentes, y divide por el ingreso o capital base de la ventana. Debe mostrarse junto al crecimiento bruto: una empresa puede acelerar ventas mientras destruye margen, confianza y opción regulatoria.

Fórmula de decisión: crecimiento ajustado por riesgo = margen incremental realizado − reembolsos − costo de reclamaciones − pérdida esperada de incidentes. Debe presentarse junto al crecimiento bruto, nunca oculto detrás de él.

🎯 9. Conclusión del caso#

La lección no es «la IA permite hacer marketing sin personas». La IA reduce radicalmente el costo de producir y distribuir marketing, pero también reduce radicalmente el costo de distribuir un error. El sistema maduro escala aprendizaje y control al mismo tiempo que escala adquisición.

Idea para recordar: la IA reduce radicalmente el costo de producir y distribuir marketing, pero también reduce radicalmente el costo de distribuir un error.

📚 Fuentes del caso y fecha de consulta#

• FDA — Warning Letter MEDVi, LLC dba MEDVi, MARCS-CMS 721455, 20-02-2026; consultada 04-10-2026.
• FDA — Compounding and the FDA: Questions and Answers, consultada 04-10-2026.
• FDA — Generic Drugs: Questions & Answers, consultada 04-10-2026.
• FDA — Counterfeit Medicine, consultada 04-10-2026.
• MEDVi — Official Communication, 08-04-2026; consultada 04-10-2026. Fuente de la posición de la empresa, no verificación independiente.
• Forbes — How Medvi Found Success With Just $20,000 And AI, 02-04-2026; consultada 04-10-2026. Fuente secundaria para cifras reportadas.

Preguntas de análisis#

1. ¿Cuál es el problema real y qué evidencia lo sostiene? Distingue síntoma de causa.
2. ¿Qué información falta y cuánto costaría obtenerla? ¿Vale la pena esperarla?
3. ¿Qué dos alternativas son realmente defendibles y qué sacrifica cada una?
4. ¿Qué señal permitiría saber, en 60 días, si la decisión fue correcta?
5. ¿Qué riesgo legal, ético o reputacional introduce la recomendación?

Complicación (leer después del primer análisis)#

A mitad del trabajo cambia una condición: el presupuesto disponible se reduce 30 %, un competidor anuncia una oferta más agresiva y el equipo pierde a una persona clave. Recalcula la recomendación y explica qué parte del razonamiento se mantiene y cuál cambia.

Entregable#

Un decision brief de dos páginas más anexos:

• hechos, inferencias y supuestos separados;
• dos alternativas con costo de oportunidad;
• recomendación con responsable, fecha y condición de revisión;
• verificación del riesgo: presentar un plan atractivo que no cumple la Ley 19.496, la Ley 21.719 o las reglas de libre competencia.

Método de discusión sugerido#

1. Lectura individual y registro de la posición inicial (20 minutos).
2. Discusión en grupo con roles asignados: gerencia comercial, finanzas, operaciones y cliente.
3. Presentación de dos posiciones contrapuestas (10 minutos cada una).
4. Red team: el grupo intenta refutar la recomendación ganadora.
5. Cierre con registro de la decisión y de lo que la haría cambiar.

Vínculo con el currículo#

Este caso integra la parte 24 y en particular la clase 24.14 — Retrospectiva y portafolio profesional. Su artefacto alimenta Capstone con Commercial Evidence Pack, operación, cumplimiento y defensa ejecutiva.

⬅ Clases · Laboratorios · Evaluación