Cómo desplegamos IA en una red grande de tiendas.

Repliqué un SaaS en cinco días.

Cinco. Y en vez de quedar impresionado con la IA, me quedé con una sensación bastante menos entretenida: si construir es esto de rápido, entonces yo estuve años resolviendo el problema equivocado.

El problema nunca fue conseguir la herramienta. Fue que la usara alguien.

Nadie puede estar en todas partes

Operamos 160+ tiendas en 10+ marcas de retail, cada una con sus propios estándares de implementación, con un equipo lean.

La aritmética no cierra. Un supervisor no alcanza a recorrer su zona todas las semanas. Y los estándares de marca no se rompen de golpe: se degradan de a poco, una vitrina a la vez, hasta que un día entras a una tienda tuya y no la reconoces.

Al lado de eso, dos cosas que tampoco escalan a mano. Los problemas de mantención viajan por cadenas de WhatsApp sin dueño — el que reclama no sabe si alguien lo tomó, y el que podría resolverlo se entera tres días después. Y cientos de reseñas de Google esperando respuesta, repartidas en 196 fichas, cada una con la voz de una marca distinta.

Los tres son el mismo problema. La operación produce más señales de las que alcanzamos a leer.

Antes de esto había un proveedor

Esto no partió en blanco. Antes de IRIS, la operación de tiendas la resolvíamos con software de un proveedor externo.

No lo cuento como crítica al producto. Lo cuento porque el reemplazo no fue una decisión de funcionalidad, y esa es la parte que la gente lee mal.

Cuando construir dejó de ser el cuello de botella, la pregunta dejó de ser cuál herramienta tiene más funciones. Pasó a ser cuál se abre. Un portal pierde esa pelea por bueno que sea, porque el problema nunca estuvo en el portal: estuvo en pedirle a un jefe de tienda con seis cosas urgentes encima que entrara a uno.

En retail chileno la respuesta es una sola, y no es sofisticada: WhatsApp. Ahí ya están.

Elegimos el canal antes que el modelo. Esa fue la decisión de arquitectura, y no la tomó nadie del equipo técnico.

Foto, audio, reseña

Tres cosas, todas por el mismo canal.

Validación visual. El jefe de tienda le saca una foto a la vitrina. En menos de diez segundos vuelve el veredicto, contra los estándares de implementación de esa marca — no contra un estándar genérico de retail. Cada marca tiene su propio criterio y el sistema lo sabe.

Ruteo por nota de voz. Manda un audio, como manda cualquier audio. El sistema lo transcribe, lo clasifica en mantención, checklist o comercial, y lo rutea al equipo que corresponde con un SLA. Lo que cambia no es la transcripción: es que el problema ahora tiene dueño y tiene reloj.

Agente de reseñas. Respuestas con la voz de cada marca — 157 perfiles de estilo — en las 196 fichas de Google del grupo, y escalamiento cuando la reseña negativa dice algo que alguien tiene que ver.

Encima va un health score por tienda: cumplimiento visual, zonal y comercial en un solo número, con alertas tipo semáforo. Los supervisores dejaron de preguntar "¿cómo está la zona?" y empezaron a preguntar "¿por qué esta tienda bajó?".

Cómo medimos si funcionó

Acá es donde casi me equivoco.

La medida de éxito no fue la precisión del modelo. Fue cuántos jefes de tienda lo usaron sin que nadie se los recordara.

Un modelo con 95% de precisión que el equipo abandona en marzo vale menos que uno con 80% que siguen usando en diciembre. La precisión es una propiedad del modelo. El uso es una propiedad del despliegue, y es la que se te muere sin avisar.

Cuatro reglas que salieron de ahí

IRIS no fue el único. Después vinieron Cerebro en precios, Draper en decisión de clientes, Meridian en marketing mix, Delphine en forecasting de compra, Octavius Flow en marketplaces. Nueve sistemas, todos con el mismo ADN.

• El canal antes que el modelo. Si el usuario tiene que aprender una interfaz nueva, ya perdiste. Delphine, nuestro modelo de forecasting de calzado, le llega al comprador por un bot de Telegram — porque ahí es donde el comprador ya está.
• Una persona aprueba antes de que algo llegue al cliente. En Draper la IA propone la próxima mejor acción; alguien la aprueba antes de que salga el mensaje. Es lo que hace que el equipo comercial confíe lo suficiente como para dejarlo correr.
• Reglas primero, modelo encima. El agente de pricing de Octavius corre reglas de negocio y sobre eso pone scoring por LLM. Al revés, el criterio del negocio es lo primero que se pierde, y te enteras tres semanas después.
• Sin holdouts no está listo. Draper registra cada decisión contra un grupo de control. Un sistema que no puede demostrar su efecto termina defendido con fe, y la fe se acaba en el primer trimestre malo.

Esto lo tiene que liderar un operador

Lo he dicho antes y lo repito porque este caso es el ejemplo: la IA es la mayor palanca de rentabilidad de nuestra generación si la lideran operadores. No consultores. No evangelistas.

La decisión que hizo funcionar a IRIS — WhatsApp en vez de una app — no sale de una evaluación técnica. Sale de haber visto a un jefe de tienda un martes a las siete de la tarde.

No escribo esto resuelto. Tenemos sistemas más lentos de lo que prometí y reseñas que todavía me duele leer. Pero de todo lo que probamos, esto es lo que sí funcionó, y la parte que funcionó no fue la que esperaba.

Si estás mirando dónde meter IA en tu operación, no partas por el caso de uso. Parte por acá:

¿Cuál es la señal que tu operación ya está produciendo, todos los días, y que nadie alcanza a leer?

En nuestro caso eran tres. Vitrinas, audios y reseñas. Las tres ya existían mucho antes de que llegara ningún modelo. Lo único que faltaba era alguien que las leyera.