--- title: "Presto Automation: la SEC sancionó la \"IA\" de drive-thru que un humano tecleaba en 7 de cada 10 pedidos" description: "La SEC sancionó a Presto: el 70% de los pedidos de su drive-thru con IA los tecleaba un humano remoto. Qué falló en el proceso y cómo evitarlo en tu empresa." slug: "presto-automation-sancion-sec-70-pedidos-humano" url: "https://catalizadora.ai/blog/presto-automation-sancion-sec-70-pedidos-humano" cluster: "casos-ia" author: "Pablo Estrada" published_at: "2026-08-26T08:03:56.442+00:00" updated_at: "2026-08-27T16:06:10.484507+00:00" read_minutes: "7" lang: "es" --- # Presto Automation: la SEC sancionó la "IA" de drive-thru que un humano tecleaba en 7 de cada 10 pedidos > La SEC sancionó a Presto: el 70% de los pedidos de su drive-thru con IA los tecleaba un humano remoto. Qué falló en el proceso y cómo evitarlo en tu empresa. ## La cronología **Día 0.** Presto Automation vendía un producto que suena inevitable: una voz con inteligencia artificial que toma el pedido en el drive-thru de una cadena de comida rápida en Estados Unidos, sin que nadie del restaurante despegue la vista de la plancha. La empresa cotizaba en Nasdaq y su relato ante inversionistas era exactamente ese: automatización. La cifra que sostenía el relato era 95% de pedidos automatizados. **Día 1.** En enero de 2025 la Comisión de Bolsa y Valores de Estados Unidos, la SEC, sancionó a Presto por declaraciones engañosas sobre ese producto. En el expediente aparecen los números que nunca estuvieron en la presentación a inversionistas: la primera versión del sistema desarrollado por la propia empresa requería intervención humana en el 100% de los pedidos, y la versión mejorada seguía requiriéndola en cerca del 70%. Siete de cada diez veces que un cliente le hablaba a "la IA", un agente humano remoto tecleaba el pedido. **Días después.** El caso se resolvió por la vía administrativa y el documento quedó público, que es la parte que importa: las cifras internas de un producto de IA terminaron impresas en un expediente regulatorio. "AI washing" dejó de ser una expresión de conferencia y pasó a ser una categoría de sanción. > Una IA con 70% de intervención humana no es una IA rota; es una IA sin medir. Lo que la SEC sancionó no fue el modelo, fue el número que nadie estaba publicando. ## Qué pasó, en detalle El producto de Presto era voz conversacional para el drive-thru: el cliente habla, el sistema entiende, el pedido entra al punto de venta. Es un escenario técnicamente brutal —ruido de motores, acentos, gente que cambia de opinión a media frase— y por eso casi todos los sistemas de este tipo tienen una red de seguridad: cuando la máquina no está segura, el turno pasa a una persona. Presto tenía esa red, y la persona no estaba en el restaurante: era un agente remoto que escuchaba y tecleaba. Hasta ahí, ingeniería normal. Lo que la SEC describe en su orden es otra cosa: la primera versión de la tecnología propia de la compañía necesitaba a ese humano en el 100% de los pedidos, y la versión mejorada seguía necesitándolo en cerca del 70%. Además, la IA que efectivamente operaba en los locales de los clientes provenía de un tercero, y esa dependencia no se revelaba. El detalle más instructivo del caso es el 95%. La empresa comunicaba ese nivel de automatización contando únicamente la intervención del personal del restaurante. Los agentes remotos —los suyos, los que hacían el trabajo siete de cada diez veces— quedaban fuera de la cuenta. La métrica no estaba inflada por un error de cálculo: estaba definida de manera que excluía justo aquello que había que medir. Es la diferencia entre mentir con un número y construir un número que no puede detectar el problema. La segunda es más peligrosa, porque sobrevive a las auditorías internas: todos los que la revisan la calculan bien. [Cobertura en SEC.GOV](https://www.sec.gov/files/litigation/admin/2025/33-11352.pdf). ## Los números - **$55,5 millones** — levantados de inversionistas al salir a bolsa vendiendo Presto Voice como IA propia - **100%** — de los pedidos requerían un humano en la mayoría de locales con la versión original - **70%** — los seguía tecleando un humano incluso en la versión «avanzada» de junio de 2023 - **Filipinas e India** — donde Presto contrataba y supervisaba a los humanos que hacían pasar por IA *Verificado contra [sec.gov](https://www.sec.gov/files/litigation/admin/2025/33-11352.pdf).* ## Por qué pasó No falló un modelo de lenguaje. Falló la cadena que va desde lo que el sistema hace hasta lo que la empresa dice que hace, y esa cadena tiene tres eslabones que casi ninguna organización instrumenta. El primero es la definición. "Automatizado" no es un hecho técnico, es una convención que alguien escribe. Si nadie la escribe antes de empezar a medir, la escribe implícitamente quien construye el reporte, y siempre la escribe a su favor: se cuenta lo que es incómodo de esconder y se deja fuera lo que es fácil de no mencionar. Una definición de automatización que no enumere explícitamente todas las formas de intervención humana —empleado del cliente, empleado propio, contratista remoto, proveedor tercerizado— no es una definición, es un espacio en blanco. El segundo es la instrumentación. La tasa de intervención humana es un dato que el propio sistema puede emitir en cada transacción: este pedido lo cerró el modelo, este lo cerró una persona. Cuando ese campo no existe en el registro, la cifra hay que reconstruirla a mano, y toda cifra reconstruida a mano es una opinión con formato de número. El tercero es la trazabilidad del proveedor. Un sistema en producción tiene un stack real —qué modelo, de quién, con qué contrato— que puede divergir de lo que el equipo comercial describe cuando la integración cambia y nadie actualiza la narrativa. El expediente de Presto describe esa divergencia: lo desplegado y lo declarado no eran lo mismo. ![Las dos cifras del expediente de la SEC sobre Presto Automation](/img/casos/presto-automation-sancion-sec-70-pedidos-humano-datos.jpg) *100% de intervención humana en la primera versión propia y cerca de 70% en la mejorada, frente a un 95% de automatización comunicado hacia afuera.* ## Dónde te puede pasar a ti No hace falta cotizar en Nasdaq para tener este problema. Hace falta tener un proceso "con IA" y no tener el número. - **El bot de WhatsApp de atención.** Si tu equipo reporta que "el bot atiende el 80% de las consultas", pregunta cómo se calculó. En la mayoría de las implementaciones que revisamos, el 80% es el porcentaje de conversaciones donde el bot mandó al menos un mensaje, no donde resolvió el caso sin que nadie más escribiera. Son dos números completamente distintos y el segundo suele ser la mitad del primero. - **Las cotizaciones automáticas.** Un cotizador con IA que en la práctica exige que alguien de ventas revise el precio, corrija el descuento y reescriba el plazo de entrega antes de enviarlo no está automatizando la cotización: está automatizando el borrador. Es valioso, pero es otro producto, con otro ahorro y otro tiempo de respuesta prometido al cliente. - **La cobranza.** El recordatorio de pago se manda solo, sí. ¿Y la gestión del cliente que responde "ya pagué, aquí está el comprobante"? Si esa rama cae siempre en una persona, la automatización real es del envío, no de la cobranza, y el indicador de "cartera gestionada automáticamente" está midiendo el envío. - **Contenido y contratación.** Un artículo generado que un editor reescribe a la mitad, o un filtro de candidatos que un reclutador revisa uno por uno, son procesos con humano dentro: legítimos, útiles, y mal descritos si el tablero los muestra como producción automática. La pregunta incómoda es una sola, y se puede hacer hoy: del total de conversaciones, cotizaciones o gestiones que tu sistema "atendió" el mes pasado, ¿qué porcentaje terminó con una persona de tu equipo escribiendo, corrigiendo o aprobando la respuesta? Si para contestarla hay que pedirle a alguien que revise casos a mano durante dos días, estás en la misma posición estructural en la que estaba Presto: sin dato. ## Cómo se evita **1. Escribí la definición de "automatizado" antes de medir.** Un párrafo, en el documento del proyecto, que enumere qué cuenta como intervención humana: empleado propio, empleado del cliente, contratista, proveedor externo, revisión previa al envío. Si una forma de intervención no está en la lista, no se puede excluir después alegando que "no se consideraba". **2. Emití el dato en cada transacción, no al final del mes.** Cada conversación, pedido o cotización debe guardar un campo que diga quién la cerró: el modelo, una persona, o el modelo con corrección humana. Es una columna. Con esa columna, la tasa de intervención es una consulta de una línea; sin ella, es un proyecto. **3. Publica la tasa en el mismo tablero que las ventas.** Una métrica que vive en un reporte aparte se consulta cuando alguien sospecha. Una métrica que vive junto a los ingresos se mira todos los días, y una desviación se nota en la semana en que ocurre y no en el trimestre siguiente. **4. Mantén un inventario del stack real, actualizado por despliegue.** Qué modelo corre en producción, de qué proveedor, bajo qué contrato y desde qué fecha. Si la respuesta a "¿de quién es la IA que le contesta a nuestros clientes?" tarda más de un minuto, el riesgo no es técnico, es de gobierno. **5. Mételo al contrato con tu proveedor.** La tasa de intervención humana reportada mensualmente, con derecho a auditarla contra el registro crudo. Un proveedor que automatiza de verdad entrega ese número sin discutir; uno que se incomoda con la cláusula te acaba de dar información valiosa antes de firmar. ## Cómo lo hacemos en Catalizadora Este caso toca tres candados concretos del stack que montamos. **Faro** existe precisamente por esto: la tasa de intervención humana está a la vista, en el mismo tablero donde el cliente mira sus conversaciones y sus leads, calculada desde el registro y no desde un reporte armado a mano. Si el bot dejó de resolver, se ve esa semana. **Atlas** guarda el registro completo e ineditable de cada conversación, con la marca de quién respondió cada turno. No es un log técnico: es la evidencia que permite responder la pregunta de la SEC —cuántos, exactamente, necesitaron una persona— sin reconstruir nada. **Cortex** declara capacidades de forma explícita: lo que no está declarado, no existe para el bot. Eso vuelve imposible que el sistema aparente resolver algo que en realidad termina siempre en un humano, porque la escalada a una persona es un evento del sistema, registrado y contado, no un rescate improvisado que nadie ve. La regla, en una línea: si no puedes decir con un número qué porcentaje de tu proceso lo hace una persona, todavía no tienes una automatización, tienes una expectativa. --- *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.* ## Preguntas frecuentes ### ¿Qué pasó después con Presto Automation? El caso se resolvió por la vía administrativa ante la SEC en enero de 2025 y la orden quedó publicada, con las cifras internas del producto dentro. Desde entonces es uno de los casos de referencia del llamado AI washing en empresas que cotizan en bolsa. La lección práctica quedó clara: la tasa de intervención humana pasó a ser un dato que se revela, no un detalle de implementación. ### ¿Tener humanos detrás de una IA es hacer trampa? No. El humano dentro del proceso es una arquitectura legítima y muchas veces la correcta, sobre todo en escenarios ruidosos o de alto riesgo. Lo que la SEC sancionó no fue la presencia del humano, sino describir el producto como más automatizado de lo que era y comunicar una métrica que dejaba fuera a los propios agentes remotos de la empresa. ### ¿Qué es exactamente el AI washing? Es presentar un producto o una empresa como más impulsada por inteligencia artificial de lo que realmente está, ya sea exagerando el grado de automatización o atribuyéndose una tecnología que en realidad es de un tercero. El caso Presto muestra que dejó de ser un problema de marketing y hoy tiene consecuencia regulatoria documentada. ### ¿Cómo mido la tasa de intervención humana en mi empresa esta semana? El arreglo definitivo es agregar un campo por transacción que registre quién cerró el caso: el modelo, una persona o el modelo con corrección humana. Mientras eso se implementa, toma una muestra de cien conversaciones o cotizaciones del último mes y cuenta en cuántas escribió alguien de tu equipo. Ese porcentaje, aunque sea aproximado, ya es infinitamente mejor que no tener número. --- Source: https://catalizadora.ai/blog/presto-automation-sancion-sec-70-pedidos-humano Author: Pablo Estrada — AI Catalysts, LLC (catalizadora.ai)