Caminas por una oficina cualquiera de LATAM y siempre pasa lo mismo:
- Una analista comercial copia 500 correos bancarios a un Excel paralelo, uno por uno, para armar un scoring.
- Ocho vendedores reciben cotizaciones por WhatsApp, llamada, foto y PDF, y las pasan a mano al ERP.
- Treinta vendedores de una distribuidora pegan boletas físicas a una planilla de rendición y se las llevan al contador a fin de mes.
- Un equipo de soporte responde por WhatsApp la misma pregunta sobre el mismo punto de retiro cientos de veces al día.
Cada una de estas escenas existe hoy, en empresas que facturan entre $5M y $100M USD al año. Cada una representa el 40 a 60% del tiempo de un equipo de operaciones. Y cada una ocurre porque el negocio recibe información no estructurada al inicio del proceso y la única forma que tiene de procesarla es con una persona transcribiendo a mano.
A esto en a16z le llamaron el Messy Inbox Problem. En LATAM tiene un acento particular: el formato cambió. Hoy es un WhatsApp con foto de boleta, un PDF que llegó por correo, una llamada grabada del proveedor, un formulario en papel que alguien escaneó. La persona detrás transcribiendo a mano sigue ahí.
Es el mismo problema. Y resolverlo es el wedge más potente que vemos para construir software de operaciones en la región hoy.
---
Qué es exactamente el Messy Inbox Problem
El patrón se repite siempre así:
- Llega información al top-of-funnel del proceso.
- La información llega en formatos no estandarizados — texto libre, imágenes, audio, PDFs, formularios escaneados.
- Una persona la lee, la interpreta, decide qué hacer con ella, la transcribe a un sistema de registro (SAP, VTEX, Pipedrive, un Excel maestro).
- Recién ahí empieza el resto del workflow: cobranza, agendamiento, scoring, despacho, reporte.
Esa persona que transcribe es lo que llamamos middleware humano. Es alguien de tu equipo que conecta a mano 5, 10, 15 sistemas que la operación fue acumulando con los años, sin pensar cómo iban a hablarse entre sí. No vas a encontrar ese rol descrito así en el org chart. Pero todo lo que viene después depende de su trabajo.
En LATAM toma formas que se acumulan por capas, aquí algunos ejemplos:
- WhatsApp (canal #1, no email).
- Foto de boleta o factura por celular.
- PDFs regulatorios que llegan estructurados pero se reparten desestandarizados.
- Llamadas grabadas a centros de contacto.
- Formularios web que vuelcan a un Drive o a un correo genérico.
- Correos de proveedores con prefactura adjunta y dos líneas de contexto.
Cualquier negocio operacional en la región tiene al menos tres de estos abiertos al mismo tiempo, sin sistema de captura común.
---
Por qué resolver esto es un wedge
La tesis es que el messy inbox está al top-of-funnel: si capturas el input, eres dueño del workflow. Te lo traduzco a la realidad LATAM:
El día que reemplazas a la persona que transcribe, el sistema de registro queda detrás de ti. Lo que antes hacía Pipedrive, SAP B1 o VTEX downstream ahora pasa por tu capa de inteligencia primero. Cada workflow que se construye después — scoring, agendamiento, cobranza, BI, alertas, escalamiento — depende de la data estructurada que tú ya estás generando.
En LATAM hay un segundo efecto que en mercados más maduros pesa menos: el messy inbox de salida también es manual. El cliente final pregunta por WhatsApp y una persona responde por WhatsApp. Capturas los dos extremos de la conversación. Eso vale más en una región donde WhatsApp es el canal de servicio dominante.
Quien controla la capa de captura controla el workflow. Quien controla el workflow reemplaza al sistema de registro. Ese es el orden.
---
El caso ancla: un operador logístico chileno
Entramos a fines de 2025 con uno de los operadores logísticos más grandes de Chile. Dueño de una red de 1,800 puntos de retiro repartidos por todo el país. La idea inicial era abrir un sprint corto para automatizar un pedazo del soporte de eCommerce.
El messy inbox específico estaba en esa red de puntos. Cada uno de los 1,800 genera consultas constantes — tracking de pedidos, retiro de paquetes, requisitos administrativos, estado de comisiones. Las consultas llegan por WhatsApp, llamadas y correos en paralelo. Todas requieren la misma información de fondo. Y todas las respondía el equipo de soporte a mano. Resultado: 30 a 40% del volumen total de soporte de eCommerce era FAQ pura sobre puntos de retiro.
La capa de inteligencia que construimos es un agente FAQ con base de conocimiento autogenerada desde la documentación interna. Captura el mensaje del cliente, identifica la intención, responde con la información correcta del punto específico. Si la consulta sale del scope, escala a una persona con contexto.
Ocho meses después de ese primer sprint estamos en seis frentes simultáneos: marketing, PYMEs, integrados, puntos de retiro, y construyendo el módulo de lockers como nueva línea de negocio. 21 reuniones de proyecto en seis meses. Un sprint corto se convirtió en la infraestructura operacional de la gerencia.
Esa primera pieza fue la puerta. Detrás venía toda la operación.
- El agente FAQ desbloqueó el portal self-service para los puntos de retiro.
- El portal nos pidió mapear las reglas de comisiones — automatización del manual de comisiones para los 1,800 puntos.
- Las comisiones nos pidieron unificar tres bases distintas (NoSQL operacional, data warehouse y suite de marketing) en un CRM único.
- El CRM nos llevó al pricing — scraping de los couriers competidores del país para visibilidad de precios.
- El pricing nos llevó al hunting — mensajería masiva a 800 clientes con cero errores, en menos de una hora.
- Hoy estamos construyendo el módulo de lockers, una nueva línea de negocio entera.
Esto es lo que un buen wedge produce. Entras por un workflow y terminas operando la infraestructura.
---
Tres categorías de Messy Inbox que vemos repetidas
El patrón es siempre el mismo. Lo que cambia es el formato del input. Estas son las tres categorías donde lo vemos con más fuerza en clientes reales:
A - Documentos físicos y PDFs no estandarizados a sistema de registro
El input llega en formatos heterogéneos — fotos de boletas, PDFs de bancos, planillas escaneadas. La capa de inteligencia hace OCR, valida contra una fuente de verdad y escribe directo al sistema de registro.
Distribuidora industrial en Perú — 30 vendedores hacen ~40 viajes al mes y entregan ~3,000 documentos físicos al mes (boletas, facturas, tickets de peaje con letra diminuta). Una sola persona ingresa cada uno a SAP Business One a mano, sin validación tributaria. Reemplazamos el flujo completo: app móvil donde el vendedor saca foto del comprobante, OCR que extrae los datos, validación automática contra la API de SUNAT (verifica si el comprobante existe, si está anulado, si el contribuyente está activo) y push directo a SAP B1 sin middleware adicional. La conciliación entre fondos entregados y documentos rendidos deja de ser un match uno a uno entre 200-300 documentos por entrega y se convierte en un cierre semi-automático.
Hipotecaria en Chile — Documentos bancarios y respuestas de bancos llegan dispersos en correos y PDFs sin formato común. El equipo arma scoring crediticio a mano en Excel paralelo al CRM. Reemplazamos: OCR de documentos + scoring crediticio v1 ya en producción + arquitectura unificada (Pipedrive operacional a BigQuery analítico). Fase 2 en construcción con un modelo de machine learning entrenado sobre la data histórica de 108 clientes, liderada por un data scientist ex-consultora estratégica.
Distribuidor retail en Chile — Proformas de 17 proveedores internacionales llegan por correo a comerciales dispersos. El reporte de abastecimiento se construye a mano cada domingo en Excel con anexos manuales. 19,000 SKUs sin visibilidad real del estado de stock. Reemplazamos: captura automatizada de proformas directamente desde los correos + BI con alertas accionables — stockout, proveedor atrasado, inventario no deseable (43% del catálogo) e ítems nunca vendidos (14%).
B - Conversaciones multi-canal a CRM unificado
El input llega por WhatsApp, Instagram, correo, formularios y llamadas en paralelo. La persona hace deduplicación mental y transcribe al CRM. La capa de inteligencia centraliza la captura y escribe directo al CRM con la conversación enriquecida.
Distribuidora industrial veterinaria — Cotizaciones llegan por cualquier canal: WhatsApp, llamada, foto de servilleta, PDF en correo. 160 pedidos diarios procesados por 8 personas en Excel con macros. Cero CRM operacional. La operación entera vive en la cabeza del vendedor. Reemplazamos: captura centralizada que recibe data de cualquier canal sin pedirle al vendedor que cambie su forma de trabajar, con paneles de visibilidad por encima para gestionar el pipeline. Después viene un CRM formal una vez que la captura ya está estable.
Red de clínicas de salud en México — Leads entran por cuatro canales (centro de mensajería + WhatsApp Business + Instagram + ads de Meta) sin sincronización con el CRM ni con el expediente médico (cumplimiento COFEPRIS). Cada vendedor copia el lead a mano del centro de mensajería al CRM, 2-3 minutos por lead, ~60 leads por mes, ~3 horas perdidas al mes. Reemplazamos el centro de mensajería con app nativa Puente integrada al CRM, agregamos capa de lectura sobre el expediente médico (sin tocar el sistema clínico) y lanzamos agente IA con guardrails médicos para captura fuera de horario. La captura off-hours estima +1 paciente al mes = $240K/año (turismo médico que cruza husos horarios de US/CA/EU).
Retailer omnicanal en Chile — Tickets entran duplicados por WhatsApp, Instagram, correo y redes sociales. Cuando un cliente está ansioso contacta por cuatro canales a la vez = cuatro tickets en Zendesk. Tres ejecutivos de servicio resuelven todo a mano. 80 a 90% del volumen son consultas estándar (tracking, productos, devoluciones). Reemplazamos: agente IA centralizado que capta los cuatro canales con dedup automática por número de orden, responde en el mismo canal de entrada, y si no puede resolver escala a Zendesk con la conversación completa. Prueba de fuego: el próximo Cyber Day, donde el equipo no necesitará contratar más gente para absorber el peak.
C - Catálogos y operaciones masivas a plataforma
El input es un volumen masivo de operaciones repetidas — promociones, productos, precios. La persona hace cargas manuales y se vuelve cuello de botella. La capa de inteligencia automatiza la captura, valida contra reglas y empuja a la plataforma.
Marketplace omnicanal en Perú — Operación VTEX con 30,620 transacciones mensuales validadas y picos diarios de 18-20K. Cuatro equipos cargando promociones a mano en Excel, correo, Drive y Trello en paralelo. Cinco años de data sin centralizar. Reemplazamos: motor que captura la solicitud de promo, valida contra las reglas de negocio (exclusiones de medios de pago, contratos con sellers) y empuja directo a la API de VTEX. Pipeline de datos a BigQuery con dashboards de margen por seller, compliance de contratos y enriquecimiento de catálogo.
Retailer de muebles en Chile — 2,000 productos en su Shopify, una sola persona cargando el catálogo a mano en cada uno de los marketplaces externos (cuatro plataformas distintas). Cada cambio de stock o precio queda desincronizado. Reemplazamos: quiz de descubrimiento de productos + automatización de la carga de catálogo + optimización paralela de Google Ads y Meta Ads. Resultado en un trimestre: +20% de órdenes mensuales tras lanzamiento (de ~80 a 100+).
Tienda especializada de música y audio — Catálogo del distribuidor mayorista (100,000 productos vía FTP) que el equipo debía filtrar, enriquecer con imágenes faltantes y subir al sistema de inventario. Stock inconsistente entre tienda física, online y plataforma e-commerce. Reemplazamos: matching automático por código universal de producto + scraping de bases públicas para imágenes faltantes + CRM unificado entre el sistema de inventario y la plataforma e-commerce. Sumamos email marketing operativo encima — 33% de open rate desde el primer mes.
---
El patrón cross-vertical
Lo que tienen en común estos 10 casos es lo único que importa:
- Input no estructurado al top-of-funnel.
- Una persona transcribiendo a mano.
- Un sistema legacy detrás (SAP B1, VTEX, ERPs verticales, expedientes regulados).
- Workflows downstream que se desbloquean recién cuando la data está limpia.
El mismo patrón en cada vertical.
LATAM tiene una particularidad que enmascaró el problema durante 20 años: el costo de la mano de obra en operaciones es lo suficientemente bajo para que el middleware humano se sintiera tolerable. Eso normalizó equipos completos cuya función es copiar y pegar entre sistemas. Hoy los LLMs son baratos, precisos y se conectan rápido. La asimetría se invirtió.
La capa de inteligencia que reemplaza al middleware humano se convierte en el nuevo top-of-funnel. Quien lo controla controla el workflow. Quien controla el workflow reemplaza al sistema de registro. Ese es el wedge real.
---
Si te hace sentido, conversemos
Si reconociste tu operación en alguno de estos casos, ya estás dentro del patrón.
Hacemos diagnósticos en empresas que saben que pueden escalar sin sumar headcount. Diagnóstico a Sprint a Operación. 14 días a producción.
Lo dejo así de simple: si en tu equipo hay alguien transcribiendo a mano lo que llega por WhatsApp, por correo, por foto o por PDF, hay un Messy Inbox Problem que estamos preparados para resolver.