Cómo Mercado Libre escala la toma de decisiones con IA

Mercado Libre (MELI) no solo es la plataforma financiera y de comercio electrónico más grande de América Latina, sino que se está convirtiendo en uno de los negocios digitales más complejos del mundo a nivel operativo.

Con operaciones en 18 países, desde México hasta la Patagonia, MELI procesa billones de eventos de comportamiento. Pero para la dirección de MELI, acumular datos sin procesar nunca fue el objetivo. Querían un cambio real: democratizar los datos para que todos en la empresa pudieran usar el comportamiento de los usuarios a su favor, sin tener que convertirse en expertos en análisis.

Así es como MELI aprovecha las capacidades de la IA de Amplitude (sus agentes, paneles de control y el Protocolo de contexto de modelo [MCP]) para reducir al mínimo el tiempo que transcurre entre la detección, la toma de decisiones y la acción.

El desafío: análisis a escala continental

Realizar análisis para una empresa de la talla de MELI conlleva dificultades a las que nunca se enfrentan la mayoría de las organizaciones. Solo en lo que respecta a la geografía, las operaciones de reparto abarcan todo un continente, desde centros urbanos bulliciosos hasta las comunidades rurales más remotas. Cada región tiene sus propios socios de logística, requisitos normativos y expectativas de los clientes.

Esto supuso una nueva oportunidad para MELI: pasar de generar datos a ponerlos en práctica. A medida que aumentaba la demanda de análisis, la coordinación entre departamentos se volvía más compleja y los equipos necesitaban formas más rápidas de pasar del descubrimiento a la acción sin complicaciones.

En 2025, MELI expandió el uso de Amplitude a más de 10 000 empleados, lo que les permitió responder a sus propias preguntas sin tener que esperar en una cola de analistas. MELI, con el respaldo de datos compartidos y controlados, utiliza Amplitude para escalar sus análisis en Finanzas, Marketing, Logística y prácticamente en cualquier área de la empresa.

Pero MELI no se limitó a los datos de autoservicio. Al delegar el análisis a los agentes de IA, se lograron nuevas eficiencias y se generó información más valiosa que la que podría haber producido un flujo de trabajo exclusivamente humano. Esto ha agudizado sus capacidades de ejecución y ha superado los retos geográficos. Con los agentes de IA, los equipos ajustan continuamente la cobertura y la experiencia sin tener que añadir más trabajo manual.

La solución: una estrategia de transformación de IA de tres capas

El enfoque de MELI, basado en la inteligencia artificial nativa, se sustenta en tres capas integradas, cada una de las cuales se construye sobre las demás.

La capa base es la plataforma de análisis de comportamiento de Amplitude, que incluye Amplitude Analytics. Esto ofrece a los equipos una visión compartida y fiable de todo el recorrido del cliente, desde el primer clic hasta la compra y la entrega.

La segunda capa utiliza los agentes de Amplitude AI para transformar los paneles de control pasivos en participantes activos mediante:

• La supervisión de los embudos
• La identificación de anomalías
• La síntesis de los hallazgos
• La distribución de información a las partes interesadas

Todo ello sin necesidad de intervención humana.

La capa final es la distribución, que funciona gracias al servidor MCP de Amplitude. Con MCP, el personal de MELI accede al contexto de comportamiento a través de las herramientas de IA que ya utilizan: Claude, Cursor o su chatbot de IA desarrollado a nivel interno.

Este enfoque basado en la IA nativa significa que los análisis no son simplemente algo que hacen los empleados, sino que crece con la empresa. El panel de control sigue siendo la fuente de información fidedigna, pero los agentes de IA y las conexiones MCP garantizan que la información veraz llegue a dondequiera que se tomen las decisiones.

Hasta la fecha, 70 usuarios de MELI han creado 126 agentes, y el 71 % ha realizado operaciones de valor, como compartir datos o activar análisis de seguimiento. Los correos electrónicos generados por los agentes tienen una tasa de apertura del 52 %, lo que sugiere que los datos llegan a las personas que realmente los utilizan.

Prueba: el caso práctico de Flex Shipments

Resulta fácil contar historias de transformación abstractas, pero lograr resultados concretos es más difícil. Flex Shipments de MELI demuestra cómo son los análisis de IA nativa en la práctica.

Flex es el programa de reparto flexible de MELI, que permite a los vendedores elegir empresas de mensajería que puedan cumplir de manera fiable con los acuerdos de nivel de servicio (SLA). El desafío era sencillo: cuando los vendedores buscaban sin éxito un repartidor disponible, se producía una fricción. Esas búsquedas fallidas provocaron retrasos en las entregas, frustración en los vendedores y, con el tiempo, la pérdida de clientes.

Antes de Amplitude, identificar estas brechas de cobertura requería un análisis manual y un tiempo considerable para identificar los problemas. Priorizar y coordinar entre los equipos regionales, de producto, comerciales y de transporte implicó traducir los resultados a múltiples formatos para diferentes públicos.

MELI creó un panel de control de Amplitude que permitía visualizar la demanda a un nivel geográfico detallado. Luego, los agentes de IA convertirían dicho panel en informes automatizados y compartidos.

El panel de control en sí fue el primer avance. Al visualizar dónde los vendedores buscaron sin éxito servicios de mensajería (desglosado por provincia y ciudad), el equipo pudo cuantificar la demanda no satisfecha y priorizar las zonas de mayor impacto. De este modo, equipos dispares podrían utilizar el mismo panel de control como fuente de información compartida, eliminando la capa de traducción que anteriormente había ralentizado los esfuerzos.

Pero la verdadera transformación se produjo al combinar los paneles de control con los agentes de IA. Los informes generados por los agentes brindaron una visibilidad proactiva y automatizada del rendimiento de las funciones. Los equipos ya no tenían que solicitar análisis ad hoc para detectar regresiones o nuevas áreas de oportunidad. Esto creó un ciclo de optimización cerrado: detectar la demanda insatisfecha, incorporar a repartidores con mejores niveles de servicio (SLA) en las zonas prioritarias, supervisar el impacto y refinar el proceso constantemente.

¿Los resultados?

• Reducción de los abandonos: las búsquedas sin repartidor disponible disminuyeron aproximadamente un 10 % después de centrarse en áreas clave de demanda insatisfecha.
• Adopción de la funcionalidad: ahora, el 60 % de los vendedores de Flex en Brasil realizan los envíos a través de esta función.
• Mejora del SLA: la tasa de SLA mejoró en un 2,5 % al utilizar Flex.

No se trató de un proyecto puntual. Gracias a la colaboración entre los paneles de control y los agentes de IA, los equipos ajustan continuamente la cobertura y la incorporación de mensajeros a medida que cambia la demanda. El modelo operativo cambió del descubrimiento reactivo a la optimización continua.

El futuro de la IA nativa con Amplitude

La transformación de MELI no fue un hecho aislado. La alianza de Amplitude con Minders, una agencia de martech especialista en la activación de los análisis, fue el brazo operativo clave para sacar adelante esta implementación. A través de revisiones de negocio ejecutivas, sesiones de habilitación y programas piloto, la integración de Minders traduce las prioridades del negocio en flujos de trabajo concretos dentro de Amplitude.

Este modelo de asociación resulta fundamental para la gestión del cambio a gran escala. Cuando se forma a cientos de personas al mismo tiempo en nuevas metodologías de trabajo, necesitas más que un buen software: necesitas gente capaz de cerrar la brecha entre el potencial de la herramienta y su adopción real.

De cara al futuro, la trayectoria de MELI basada en IA sigue evolucionando. El objetivo es «la IA en el flujo de trabajo, basada en la verdad conductual gobernada». Para MELI, ser nativo de la IA no es una cuestión de novedad, sino de formar parte del futuro. Se trata de industrializar el tiempo que transcurre entre la información y la acción hasta que los análisis se vuelvan invisibles; no porque no importen, sino porque ya están integrados en el trabajo de todos.