Agentes de IA en retail: lo que de verdad funciona en producción.

Cada vez que alguien me muestra su portafolio de IA, cuento cuántos casos están "en producción".

Si están todos, dejo de escuchar.

No porque sea mentira necesariamente. Porque un portafolio donde todo funciona igual de bien no está contando el estado de nada, y el estado es lo único interesante.

Así que parto por el mío.

Los tres estados

En producción. IRIS opera la red de tiendas por WhatsApp. Cerebro verifica precios de SAP contra la vitrina todos los días en tres unidades de negocio. Meridian corre ocho modelos bayesianos de marketing mix, uno por marca, reentrenados cada semana. Octavius Flow reparte siete agentes con horario propio sobre cuatro marketplaces en Chile y México. Andrea corre para ocho marcas. Chispeza está en uso en tres cadenas.

Piloto vivo, que no es lo mismo. Draper. El alcance de datos cubre 17 banners, pero la operación viva hoy es Hoka: tres tiendas y cl.hoka.com. Eso es un piloto. Llamarlo despliegue sería la primera mentira de una serie.

Construido, no desplegado. Cifra consolida cinco fuentes Excel en un modelo de 38 categorías de flujo de caja, probado con más de 27.000 registros reales. No es el sistema de registro de nadie.

Nueve sistemas, tres estados. La distancia entre el primero y el tercero es donde vive todo lo que aprendimos.

El canal decide la adopción

IRIS corre sobre WhatsApp. Delphine le llega al comprador de calzado por un bot de Telegram. Ninguna de las dos es una decisión estética.

Ya lo conté: repliqué un SaaS en cinco días y la lección vino al revés de lo que esperaba. El eslabón débil no es la potencia de la herramienta, es cuántas personas del equipo pueden operarla. Desde entonces la primera pregunta dejó de ser "¿qué modelo?" y pasó a ser "¿dónde ya trabaja esta persona?".

Un agente excelente en un canal que nadie abre rinde cero. No poco: cero.

Reglas de negocio primero, modelo encima

El agente de pricing de Octavius Flow corre cada cuatro horas. Primero aplica reglas de negocio; después pone scoring por LLM sobre eso.

Ese orden no es negociable. Las reglas son auditables y el modelo no. Cuando un precio sale mal — y sale mal — quieres poder decir "la regla dice esto" antes de tener que decir "el modelo decidió eso".

Al revés, el criterio del negocio es lo primero que se evapora, y lo notas tres semanas después, cuando ya se fue el margen.

Una persona aprueba antes de que algo llegue a un cliente

En Draper la IA decide la próxima mejor acción por persona — a quién contactar, qué ofrecerle, cuándo, por qué canal — y despacha con aprobación humana desde una consola propia.

Se puede leer como falta de ambición. Es al revés. El cuello de botella de un sistema de decisionamiento no es la calidad de la decisión: es cuánto confía el equipo comercial como para dejarlo correr. La aprobación humana compra esa confianza, y se puede sacar después. Empezar sin ella es cómo consigues que apaguen el sistema en la primera semana mala.

Y hay una parte que no es opcional. La Ley 21.719 vive en el modelo de datos de Draper desde el día uno, no como parche. En Chile eso no es una preferencia de diseño.

Sin holdouts no está listo

Cada decisión de Draper queda en un registro contra un grupo de control. El revenue incremental se prueba midiendo, no declarando.

Esta es la que más caro sale saltarse, porque el costo no aparece al principio. Un sistema sin holdouts funciona perfecto durante dos trimestres buenos y se muere en el primer trimestre malo, cuando alguien pregunta cuánto de esto era incremental y la respuesta honesta es "no sabemos".

Meridian existe por lo mismo, un nivel más arriba. Sin medición causal, el presupuesto de medios se reparte por historia e instinto, y los dashboards de las plataformas se atribuyen ventas a sí mismos. Ocho modelos independientes, uno por marca, ajustados sobre 137 semanas de venta real de punto de venta desde SAP. No sobre conversiones reportadas por la plataforma.

Ordenar bien no es decidir

Delphine predice sell-through de calzado combinando la foto del producto con sus atributos y su precio. El AUC fuera de muestra es 0,723.

Eso es honestamente bueno y honestamente limitado. Ordena bien el riesgo de un portafolio de compra; no reemplaza el criterio del comprador en una decisión individual. Por eso el veredicto viaja con banda de incertidumbre calibrada: el modelo dice también cuánto confía.

Un agente que no sabe expresar su propia incertidumbre no está listo para tocar plata.

Y publico el AUC a propósito. Si el número te da vergüenza, el problema no es publicarlo.

Los nueve siguen vivos

Acá esperaba escribir la lista de los que no llegaron. Es la parte que hace creíble un ensayo como este.

No la tengo. Los nueve siguen vivos.

Podría venderlo como puntería. Creo que es otra cosa: cuando el canal es el que el equipo ya usa, cuando las reglas van antes que el modelo y cuando alguien aprueba lo que sale, el modo de falla deja de ser "el sistema se murió" y pasa a ser "el sistema avanza más lento de lo que prometí". Draper lleva más tiempo en piloto del que me habría gustado. Cifra está construido y esperando.

Ninguno se cayó. Los dos van lentos. Prefiero eso, pero no lo voy a vender como éxito.

Lo que no delegamos

Después de nueve sistemas, la lista es corta y es firme:

• El mensaje que sale a un cliente real, sin que una persona lo apruebe.
• El precio final, sin una regla de negocio arriba.
• La decisión de compra individual, que Delphine informa y el comprador toma.
• La respuesta a una reseña negativa con un tema serio, que IRIS escala en vez de contestar.

Ninguna de las cuatro es una limitación técnica. Las cuatro las elegimos.

Si estás armando tu propio portafolio, la pregunta no es qué puede hacer un agente. A esta altura, casi todo.

¿De qué decisión puedes probar el efecto?

Los que siguen vivos en nuestra operación son los que pueden responderla. Los que no pueden se defienden con entusiasmo, y el entusiasmo tiene fecha de vencimiento bastante corta en un comité de gerencia.