Casi una cuarta parte de las empresas de la Unión Europea ya vende online, según Eurostat (datos de 2024): el 18% solo por web o app, y el resto por EDI o por ambas vías. Para la mayoría, el problema ya no es estar online — es operar online con margen. Catálogos que crecen más rápido que el equipo, marketplaces con reglas distintas, atención que no escala, devoluciones que se comen el beneficio, stock que o falta o sobra.
Es en ese terreno, el operativo, donde la IA está dando resultados hoy. No en "experiencias inmersivas" ni en "personalización hiperindividual", sino en trabajo repetitivo, con datos, que una persona hacía despacio y la IA hace rápido — siempre que alguien haya diseñado el proceso a su alrededor.
Este artículo enumera nueve oportunidades, ordenadas de menor a mayor esfuerzo de implementación. Para cada una: el problema, qué hace la IA, qué hace falta tener, cómo se sabe que funciona y dónde suele fallar. Vale para una tienda Shopify en Lisboa, para un vendedor con cuentas en Amazon, Worten y Fnac, y para un distribuidor industrial que vende por catálogo a otras empresas.
1. Enriquecimiento de catálogo
El problema. Títulos incompletos, atributos que faltan, descripciones copiadas del proveedor, fichas sin traducir. Un catálogo de dos mil referencias con fichas flojas es un catálogo que no aparece en las búsquedas y no convierte.
Qué hace la IA. Genera títulos, atributos estructurados (material, dimensiones, compatibilidades), descripciones por canal y traducciones, a partir de la ficha del proveedor, de una imagen o de una URL. La propia Amazon lo ofrece a sus vendedores: a partir de unas palabras o de una foto, la herramienta produce la ficha completa, y Amazon informa de que más de 900.000 vendedores ya la usan y aceptan el contenido generado con poca o ninguna edición en cerca del 90% de los casos.
Qué hace falta tener. Una fuente de verdad para el producto (PIM, hoja de cálculo o base de datos) y reglas claras por canal — lo que Amazon exige en un título no es lo que exige Zalando.
Señal de que funciona. Porcentaje de fichas completas, impresiones y tasa de conversión por ficha antes y después.
Dónde falla. Generar descripciones en masa sin que nadie revise las primeras cincuenta. La IA inventa atributos plausibles (una potencia, una dimensión) cuando la ficha de origen no los tiene. Revisar muestras y bloquear los campos técnicos a la generación libre.
2. Feeds y conformidad por marketplace
El problema. Cada marketplace tiene su formato, sus categorías, sus atributos obligatorios y sus reglas de contenido. Un vendedor con cinco canales mantiene cinco versiones del catálogo y recibe rechazos que nadie tiene tiempo de leer.
Qué hace la IA. Mapea categorías y atributos entre canales, detecta el motivo de los rechazos y propone la corrección, y verifica las fichas contra las reglas de cada plataforma antes de enviarlas. Plataformas de marketplace como Mirakl ya integran este tipo de mapeo asistido para vendedores y operadores.
Qué hace falta tener. Los feeds actuales y el histórico de rechazos — con eso se enseña qué acepta cada canal.
Señal de que funciona. Tasa de rechazo por canal y tiempo entre crear un producto y tenerlo activo en todos los marketplaces.
Dónde falla. Dejar que la IA "corrija" categorías sin validación: un producto en la categoría equivocada puede vender, pero con la comisión equivocada o fuera de las reglas del canal.
3. Pricing y monitorización de la competencia
El problema. El precio correcto cambia cada día y depende de lo que hace la competencia, del stock que se tiene, del margen mínimo y de la temporada. Hacerlo a mano para cientos de referencias es imposible; hacerlo con reglas fijas deja dinero sobre la mesa.
Qué hace la IA. Recoge precios de la competencia, sugiere ajustes dentro de límites definidos (margen mínimo, precio máximo, posición deseada) y explica por qué. En los marketplaces, ayuda a ganar la buy box sin entrar en guerras de precios que nadie gana.
Qué hace falta tener. Coste real por referencia (con logística y comisiones), reglas de margen escritas, y una persona que apruebe los ajustes por encima de un umbral.
Señal de que funciona. Margen por pedido, no solo volumen. Un algoritmo de precios que vende más con menos margen está fallando.
Dónde falla. Automatizar sin límites. Las guerras de precios entre algoritmos son reales y acaban con dos vendedores vendiendo por debajo del coste.
4. Atención pre y posventa
El problema. "¿Dónde está mi pedido?", "¿me vale la talla M?", "¿cómo lo devuelvo?" — entre el 60 y el 80% de los contactos de una tienda son variaciones de una decena de preguntas, y el equipo responde a cada una como si fuera la primera.
Qué hace la IA. Un agente conectado al sistema de pedidos, al catálogo y a la política de devoluciones responde a estas preguntas con datos reales (no con texto genérico), en varios idiomas, a cualquier hora, y pasa a una persona cuando no sabe o cuando el cliente está enfadado.
Qué hace falta tener. Integración con el estado de los pedidos y con la política de devoluciones escrita. Sin acceso a los datos, el agente es un FAQ con mejor gramática.
Señal de que funciona. Porcentaje de contactos resueltos sin intervención humana, tiempo de primera respuesta y — importante — satisfacción medida en los contactos que resolvió el agente.
Dónde falla. Activar el agente sin definir qué no puede hacer (prometer reembolsos, cambiar direcciones, dar descuentos) y sin una salida fácil hacia una persona. Un cliente atrapado en un circuito automático es un cliente perdido y una reseña negativa.
5. Previsión de demanda y reposición
El problema. Exceso de stock en referencias que no rotan, rotura en las que sí. En los marketplaces, la rotura cuesta dos veces: se pierde la venta y se pierde posición en el ranking.
Qué hace la IA. Prevé la demanda por referencia a partir del histórico de ventas, la estacionalidad, las campañas y señales externas, y propone órdenes de compra y traslados entre almacenes.
Qué hace falta tener. Al menos un año de histórico limpio por referencia y por canal, plazos de suministro reales, y los costes de posesión y de rotura.
Señal de que funciona. Días de stock, tasa de rotura y capital inmovilizado, medidos antes y después.
Dónde falla. Confiar en la previsión para referencias nuevas o con histórico corto — ahí la IA no sabe más que una regla simple. Y olvidar que una previsión es un input para una decisión, no la decisión.
6. Devoluciones y fraude
El problema. Las devoluciones son el coste oculto del e-commerce, y una fracción pequeña de clientes es responsable de una fracción grande de ellas. En marketplaces con políticas generosas, el abuso es un coste estructural.
Qué hace la IA. Clasifica los motivos de devolución a partir del texto y las fotos, detecta patrones de abuso (el mismo cliente, los mismos productos, los mismos motivos) e identifica productos con tasa de devolución anómala — muchas veces por un error en la ficha, no en el producto.
Qué hace falta tener. Histórico de devoluciones con motivo, y una política clara sobre qué se hace con un patrón sospechoso (la decisión tiene que ser de una persona).
Señal de que funciona. Tasa de devolución por referencia y por cliente, y coste de procesamiento por devolución.
Dónde falla. Bloquear clientes automáticamente. Un falso positivo es un cliente legítimo tratado como defraudador, y eso llega a las redes sociales en minutos.
7. Reseñas y preguntas de clientes
El problema. Cientos de reseñas y preguntas al mes, en varias plataformas e idiomas, que nadie lee de forma sistemática — y que contienen la mejor información que existe sobre el producto y sobre la ficha.
Qué hace la IA. Resume las reseñas por tema, detecta problemas recurrentes (talla equivocada, pieza que falta, instrucciones confusas), sugiere respuestas y señala las que necesitan respuesta humana. En los marketplaces, responder rápido a las preguntas pesa en la visibilidad.
Qué hace falta tener. Acceso a las reseñas por API o exportación, y un dueño para cada tipo de problema detectado (la ficha es de marketing, la pieza que falta es de logística).
Señal de que funciona. Tiempo de respuesta a preguntas y número de correcciones de ficha o de producto originadas en reseñas.
Dónde falla. Responder a todo automáticamente con el mismo tono. Una reseña negativa merece una respuesta de una persona.
8. Búsqueda interna y recomendaciones
El problema. El buscador de la tienda no entiende "zapatillas para correr con lluvia" ni "pieza compatible con el modelo X de 2019". El cliente no encuentra, y se va.
Qué hace la IA. Búsqueda semántica (entiende la intención, no solo las palabras), recomendaciones basadas en el contexto de la sesión y no solo en el histórico, y — cada vez más relevante — fichas preparadas para ser leídas por asistentes de IA que compran en nombre del cliente.
Qué hace falta tener. Un catálogo bien estructurado (otra vez el punto 1) y eventos de navegación y compra registrados.
Señal de que funciona. Tasa de búsquedas sin resultado, conversión desde la búsqueda y valor medio por pedido con recomendaciones.
Dónde falla. Poner búsqueda semántica sobre un catálogo con atributos que faltan. La IA no adivina lo que no está en la ficha.
9. Operaciones de fulfilment
El problema. Picking, embalaje, elección de transportista, promesas de entrega y gestión de incidencias — el trabajo que decide si la promesa hecha en la página se cumple.
Qué hace la IA. Optimiza rutas de picking, elige el transportista por pedido (coste, plazo, histórico de incidencias por zona), prevé retrasos antes de que el cliente pregunte y prepara la comunicación. En B2B, gestiona plazos de entrega diferenciados por cliente y por contrato.
Qué hace falta tener. Integración con el WMS o el sistema de pedidos y con los transportistas, y datos de incidencias por transportista y por zona.
Señal de que funciona. Coste por pedido expedido, porcentaje de entregas en el plazo prometido y contactos de "dónde está mi pedido" por cada mil pedidos.
Dónde falla. Optimizar el coste de transporte sin mirar las incidencias: el transportista más barato en una zona puede ser el que genera más devoluciones y contactos.
Marketplaces B2B e industriales: lo mismo, con más atributos
La conversación sobre IA en el comercio online es casi siempre sobre B2C. Pero los catálogos industriales — componentes, herramientas, material eléctrico, repuestos — tienen exactamente los mismos problemas a mayor escala: decenas de miles de referencias, atributos técnicos que deciden la compra, compatibilidades, fichas técnicas en PDF, precios por cliente y por volumen.
Es aquí donde el enriquecimiento de catálogo (punto 1) y la búsqueda (punto 8) valen más: extraer atributos de fichas técnicas en PDF y hacerlos buscables, responder a "qué pieza sustituye a la referencia X" con datos, y preparar el catálogo para los marketplaces B2B que los grandes distribuidores y minoristas están abriendo a vendedores externos. Un comprador industrial no navega — busca por referencia y por especificación, y si no encuentra, se va a otro sitio.
Por dónde empezar
Si la tienda o el vendedor está empezando con IA, el orden que suele funcionar es: catálogo (1) → atención (4) → reseñas (7). Son las tres con más datos disponibles, menos integración y resultado más visible. Pricing (3) y previsión (5) exigen datos limpios y reglas escritas antes de cualquier herramienta. Fulfilment (9) es donde está el margen, pero también donde la integración pesa más.
En cualquiera de las nueve, la regla es la misma: un proceso, una métrica definida antes, una persona responsable y entregas pequeñas cada semana. La herramienta es la parte fácil.
Preguntas frecuentes
¿Necesito un equipo técnico para usar IA en el e-commerce? Para los puntos 1, 4 y 7, no: las plataformas (Shopify, Amazon, los operadores de marketplace) ya incluyen herramientas que se conectan a lo que existe. Para pricing, previsión y fulfilment hay que integrar datos de varios sistemas, y ahí ayuda contar con quien ya lo ha hecho.
¿La IA va a generar contenido que los marketplaces penalicen? Los marketplaces penalizan el contenido falso o fuera de las reglas, no el contenido generado por IA — la propia Amazon es quien proporciona la herramienta. El riesgo está en los atributos inventados; la solución es revisar muestras y bloquear los campos técnicos.
¿Cuánto cuesta? Depende del punto. El enriquecimiento de catálogo y la atención tienen costes por uso bajos y previsibles; lo que pesa es el tiempo de diseño e integración. Para estimar el coste de uso, consulta nuestra guía de costes de IA y la calculadora de tokens.
¿Esto aplica a una tienda pequeña? Sí, y con ventaja: una tienda pequeña puede revisar las fichas generadas, afinar el agente de atención y medir resultados en días. Lo que no escala es hacerlo todo a mano a partir de unos cientos de referencias.
¿Y los asistentes de compra con IA — los clientes dejarán de visitar la tienda? Una parte de las compras pasará por asistentes que buscan y comparan en nombre del cliente. Para esos, la ficha de producto estructurada y completa es el escaparate — lo que refuerza el punto 1 y enlaza con la optimización para motores de IA.
Fuentes
Escribe sobre IA aplicada, operación, GEO/SEO y cómo transformar empresas en máquinas que siguen funcionando incluso cuando nadie mira.