En retail, la IA que se paga primero es la que mejora el dato del producto y la previsión de demanda, no la que recomienda vitrina. Un catálogo bien descrito hace encontrable el producto; la previsión por SKU evita comprar lo que no rota. La personalización llega después, cuando hay historial de compra suficiente para que el modelo aprenda.
Casi toda conversación sobre IA en retail empieza por la recomendación personalizada. Es el caso de uso más visible y el que menos depende del minorista pequeño y mediano, porque las plataformas de e-commerce y los marketplaces ya incluyen alguna versión de eso. Lo que la plataforma no hace es describir bien tu producto ni prever cuánto vas a vender de él el mes que viene. Ahí empieza el trabajo propio.
¿Por dónde empezar con IA en retail: catálogo, stock o personalización?
La respuesta corta es: por el dato que ya existe y está mal. En retail, casi siempre es el catálogo.
El caso de Longo Parts es el ejemplo más directo que tenemos. La empresa vende autopartes por Mercado Libre para todo Brasil, con foco en Nissan, Mitsubishi, Honda y Toyota. Más de 2.000 anuncios tenían títulos y descripciones genéricos, y eso hundía la tienda en la búsqueda orgánica del marketplace. En autopartes, el comprador busca por el coche, por el año y por el código de la pieza. Si el anuncio no habla ese idioma, no aparece.
Reescribir 2.000 anuncios a mano llevaría meses y quedaría inconsistente de un redactor a otro. La solución fue que un LLM clasificara los 2.000 productos por línea técnica (dirección, frenos, motor, suspensión y transmisión) y por compatibilidad, y después reescribiera títulos y descripciones con base en análisis semántico y en las reglas de búsqueda de Mercado Libre. Los anuncios se actualizaron directamente en la plataforma, y todos pasaron a seguir el mismo estándar.
Lo que ese caso enseña sobre el orden de las cosas:
- El dato de producto es el insumo de todo lo que viene después. Recomendación, búsqueda interna, previsión por categoría y anuncios pagados dependen de saber qué es cada ítem.
- Un LLM resuelve el problema de escala y de consistencia del texto. Lo que no resuelve solo es la regla de negocio: qué atributos importan para el comprador de esa categoría. Eso tiene que venir de quien conoce el producto.
- Los resultados de este tipo de proyecto se miden en el marketplace: posición en la búsqueda, visitas y clics por anuncio. Sin medir antes y después, la reescritura es una opinión.
¿Cómo evita la previsión de demanda reventar el stock?
El stock reventado y la rotura son el mismo error con el signo cambiado: comprar sin saber qué va a rotar. La previsión de demanda es el modelo que reduce ese error, y funciona mejor cuando quien compra entiende cómo piensa el modelo.
Un modelo de previsión por SKU usa el historial de ventas, la estacionalidad, el calendario promocional y, cuando existe, el precio practicado. Devuelve un rango esperado de venta para las próximas semanas, por producto o por categoría. La compra pasa a hacerse contra ese rango, con un margen de seguridad definido por el plazo de entrega del proveedor.
Tres reglas prácticas para no decepcionar en la primera ronda:
- Empieza por los productos que importan. Una curva ABC simple señala los ítems que concentran los ingresos. Prever bien el 20% del catálogo vale más que prever mal el 100%.
- Compara con la planilla del comprador. El modelo solo existe si se equivoca menos que la estimación manual. Mide el error de los dos en el mismo período y muestra el número al equipo.
- Trata el producto nuevo aparte. Sin historial, el modelo no tiene de qué aprender. El producto nuevo usa la curva de un ítem parecido hasta tener datos propios.
Ese trabajo es de machine learning clásico, no de IA generativa. Es más barato de ejecutar, más fácil de explicar y más fácil de auditar. Muchos proyectos de retail fracasan porque intentan resolver la previsión con un chat.
¿Cuándo tiene sentido la personalización?
La personalización necesita dos cosas: historial de comportamiento del cliente y volumen suficiente para que el patrón aparezca. Antes de eso, lo que funciona es segmentar caminos, no recomendar productos.
El caso de Thaís Joias muestra esa segmentación sin ningún modelo. La marca vende semijoyas a la clienta final y recluta revendedoras, y las dos llegan al mismo sitio con necesidades distintas. La clienta necesita catálogo, precio y seguridad para comprar sin ver la pieza. La futura revendedora necesita entender el programa y registrarse, con análisis de perfil por el equipo de la marca antes de la aprobación. La tienda separó los dos caminos y puso la garantía de 1 año contra la oxidación, principal argumento de confianza, en todo el sitio.
Cuando el historial existe, la personalización empieza por lo más simple: quien compró un pendiente vuelve a comprar en cuánto tiempo, qué pieza suele acompañar a otra, qué revendedora está dejando de pedir. Modelos de recurrencia y de churn responden esas preguntas con datos que la tienda ya tiene. La recomendación en tiempo real en la vitrina viene al final, y muchas veces ya viene lista en la plataforma.
| Caso de uso en retail | Dato necesario | Primer resultado a medir | Horizonte típico |
|---|---|---|---|
| Reescritura de catálogo con LLM (Longo Parts: 2.000 anuncios, 5 líneas técnicas) | Ficha de producto, atributos por categoría, términos de búsqueda del canal | Posición en la búsqueda y clics por anuncio, antes y después | PoC de 3 a 6 semanas |
| Previsión de demanda por SKU | Historial de ventas, calendario promocional, plazo del proveedor | Error del modelo contra la estimación manual en el mismo período | Primeras 6 semanas para el modelo, 90 días para el ROI |
| Segmentación de públicos (Thaís Joias: clienta final y revendedora) | Tipo de cliente en el registro, origen de la visita | Registros calificados y conversión por camino | Desde el lanzamiento del sitio |
| Recurrencia y churn de clientes | Historial de pedidos por cliente, intervalo entre compras | Tasa de recompra en el segmento tratado | 90 días |
| Recomendación en la vitrina | Navegación, carrito, compras cruzadas | Ingresos por sesión con y sin recomendación | Solo con volumen de tráfico e historial |
El horizonte de 90 días no es arbitrario. Es el plazo que usamos para juzgar si un agente o modelo entró en operación de verdad, y el post sobre cómo medir el ROI de un agente de IA en 90 días detalla el método.
¿Agente, modelo o automatización?
En retail los tres aparecen juntos y es fácil confundirlos. Reescribir un catálogo es trabajo de LLM con regla de negocio. Prever demanda es un modelo de machine learning. Actualizar el anuncio en el marketplace después de la reescritura es automatización. Cuando el problema es repetitivo y la regla es clara, la automatización resuelve más barato; cuando exige interpretar texto o contexto, entra el agente. La diferencia está en el post sobre agentes de IA y RPA.
Siguiente paso
Si tu catálogo está mal descrito o la compra todavía se hace a ojo, esos son los dos primeros proyectos de IA que suelen pagarse en retail. La página de retail y e-commerce muestra los casos del sector, y la de machine learning explica cómo construimos y medimos un modelo de previsión.