IA en retail: previsión de demanda, reposición automática y atención omnicanal

La IA en retail rinde donde el comercio pierde dinero cada semana sin verlo: previsiones de demanda hechas a ojo, reposición reactiva, clientes atendidos distinto según el canal por el que entran y datos de venta por tienda que nadie analiza hasta fin de mes. Un agente de IA trabaja sobre esos cuatro frentes con los sistemas que ya tienes —TPV, ecommerce, ERP— y convierte datos que hoy solo se archivan en decisiones diarias de compra, stock y atención.

El retail es de los sectores con más datos por metro cuadrado y menos horas para explotarlos: cada ticket, cada devolución y cada rotura de stock queda registrado, pero en la mayoría de cadenas pequeñas y medianas ese registro muere en un Excel mensual. Nosotros operamos nuestros propios negocios con agentes y el principio que aplicamos al retail es el mismo: que las personas decidan surtido, negocien con proveedores y atiendan donde aportan, y que los agentes hagan el trabajo de vigilancia y papeleo continuo que ningún equipo humano puede sostener. Esta guía baja a los cuatro casos de uso con más retorno y a lo que no conviene automatizar.

¿Para qué sirve la IA en un negocio de retail?

En retail, la IA sirve sobre todo para cuatro cosas: prever la demanda por referencia y tienda, automatizar la reposición y las propuestas de pedido, atender al cliente igual de bien en todos los canales, y analizar las ventas de cada tienda cada día en lugar de cada mes. Son los cuatro procesos donde el coste del error es diario y acumulativo: stock muerto, ventas perdidas por rotura, clientes que abandonan por respuestas lentas y decisiones tomadas tarde.

La forma moderna de atacarlo no es un "proyecto de big data", sino agentes conectados a los sistemas existentes. Un agente de IA autónomo lee las ventas del TPV y del ecommerce, cruza con stock y plazos de proveedor, y ejecuta o propone la acción: el pedido, la alerta, la respuesta al cliente. Para una cadena de 3 a 50 tiendas, esto está hoy al alcance sin presupuestos de gran superficie.

Previsión de demanda: del ojímetro al dato por referencia y tienda

La previsión con IA estima cuánto se venderá de cada referencia en cada tienda combinando histórico de ventas, estacionalidad, calendario (festivos, pagas, campañas), meteorología y tendencia reciente. La diferencia con la regla de "lo que vendimos el año pasado más un 5%" se nota en las dos colas: menos exceso en lo que no rota y menos rotura en lo que sí.

Dos matices honestos que un vendedor de software no te contará. Primero: la previsión nunca es perfecta, y en referencias de rotación baja o novedades el histórico ayuda poco; el valor está en acertar más de forma sistemática en el 80% del volumen, no en adivinar el futuro. Segundo: la previsión solo vale si alguien actúa sobre ella — por eso el paso natural es encadenarla con la reposición automática.

¿Cómo funciona la reposición automática con agentes?

El agente convierte la previsión en propuestas de pedido concretas: revisa cada día stock disponible, ventas, previsión y plazos de cada proveedor, y genera el pedido de reposición por tienda o para el almacén central. El responsable de compras revisa y aprueba —con el tiempo, solo las excepciones— y el agente tramita, registra en el ERP y hace seguimiento de la entrega.

1. Cálculo diario: stock objetivo por referencia y tienda según previsión, plazo de proveedor y stock de seguridad.
2. Propuesta de pedido: agrupada por proveedor, con mínimos de pedido, múltiplos de caja y ofertas de volumen aplicadas.
3. Aprobación humana: al principio, todo; después, solo pedidos que salen de rango (novedades, picos, fin de temporada).
4. Seguimiento: el agente reclama confirmaciones, detecta retrasos y avisa a tienda de lo que llega.

El efecto combinado típico de previsión más reposición en cadenas medianas se mueve en reducciones de stock del 10-25% con menos roturas, aunque el punto de partida manda: cuanto más manual sea tu proceso hoy, más recorrido hay.

Atención omnicanal: el mismo cliente por WhatsApp, web y tienda

El cliente de retail pregunta por donde le pilla: WhatsApp para saber si hay talla, email para la devolución, teléfono para el estado del pedido, y en tienda para todo lo anterior. Un agente de atención unifica esos canales con acceso real a los sistemas: consulta stock por tienda, localiza el pedido, tramita la devolución según tu política y escala a persona cuando hay enfado o excepción.

El caso estrella es el "¿dónde está mi pedido?" (WISMO), que en ecommerce suele ser entre un tercio y la mitad de los tickets y no aporta nada venderlo como atención premium: es información que el agente puede dar al instante, a cualquier hora, en cualquier idioma. Un agente básico de FAQ y estado de pedido parte de los 1.500-3.000€; uno que además ejecuta acciones (devoluciones, cambios, reservas de talla en tienda) entra ya en el rango de proyecto a medida de 15.000-40.000€, como detallamos en cuánto cuesta un agente de IA a medida.

Y un tercer flujo que a menudo se olvida: la ficha de producto. En cadenas con ecommerce, mantener miles de fichas con descripciones, atributos y traducciones al día es un trabajo que nunca se termina. Un agente genera y actualiza fichas a partir de los datos del proveedor y de tu guía de estilo, detecta fichas incompletas que están frenando conversión y las prioriza por tráfico. Es trabajo editorial de volumen, exactamente el tipo de tarea donde la IA rinde con supervisión ligera.

Análisis de ventas por tienda: el informe que se hace solo

El análisis que hoy hace un responsable a fin de mes puede hacerlo un agente cada mañana: ventas de ayer por tienda contra objetivo y contra el año pasado, referencias que se desvían, efecto de las promociones activas, ratios de conversión donde haya conteo de tráfico. Y no como un dashboard más que nadie abre, sino como un resumen accionable enviado a cada responsable de tienda con las dos o tres cosas que mirar hoy.

El formato importa tanto como el dato: el mismo agente responde preguntas de seguimiento ("¿y si excluimos la promoción?", "¿cómo va la tienda nueva contra su plan?") sin esperar a que alguien monte otra consulta. La analítica deja de ser un cuello de botella de una persona con Excel y pasa a ser una conversación disponible para cualquier responsable.

¿Qué NO deberías automatizar en retail?

• El surtido y la apuesta de temporada. Qué marcas y qué novedades entran es criterio comercial con información del agente, no decisión del agente.
• La negociación con proveedores. El agente prepara el histórico de precios y volúmenes; la negociación la lleva quien conoce la relación.
• La venta consultiva en tienda. El vendedor que asesora bien es diferencial; la IA le quita la caja, el inventario y las consultas de stock, no la conversación.
• Las quejas serias y las reclamaciones públicas. Detectarlas y escalarlas al momento, sí; responderlas en automático, no.

Por dónde empezar según tu situación

Si tu dolor es el stock (dinero inmovilizado, roturas frecuentes), empieza por previsión y reposición en una familia de producto y un subconjunto de tiendas. Si tu dolor es la atención (tickets desbordados, reseñas por respuestas lentas), empieza por el agente omnicanal con los tres flujos más repetidos. En ambos casos: línea base medida, 4-8 semanas de piloto y ampliación con datos. El mapa completo de casos por área lo tienes en agentes de IA: casos de uso por departamento, y si quieres aterrizarlo sobre tu cadena concreta, en nuestra agencia de inteligencia artificial en Madrid lo diagnosticamos contigo.

Preguntas frecuentes

¿Necesito cambiar de TPV o de ERP para usar IA?

No. Los agentes se conectan a lo que ya tienes por API o, si no existe, por las exportaciones que hoy mueve una persona. Cambiar de sistema por la IA suele ser un error de orden: primero se demuestra el valor sobre el stack actual y después, si el sistema limita, se decide con datos.

¿Cuántas tiendas hacen falta para que compense?

La reposición automática compensa desde 2-3 tiendas con surtido amplio, porque el error de previsión se multiplica por referencia y por punto de venta. La atención omnicanal compensa por volumen de tickets, no por tiendas: desde unos cientos de consultas al mes ya hay caso.

¿Qué datos necesito tener limpios antes de empezar?

Lo mínimo: ventas por ticket con referencia y tienda (lo da cualquier TPV), stock razonablemente fiable y un maestro de artículos sin duplicados graves. No hace falta un data warehouse: la limpieza fina se hace sobre la marcha, en el ámbito del piloto, no como proyecto previo de un año.

¿La previsión con IA funciona con productos de temporada o moda?

Funciona con matices: para continuidad y básicos, muy bien; para novedades sin histórico, el modelo se apoya en artículos análogos y en las primeras semanas de venta, con más margen de error. La práctica correcta es que la previsión de novedades siempre pase por revisión humana durante el arranque de temporada.

¿Cuánto cuesta empezar y en cuánto tiempo se ve el retorno?

Un piloto acotado (reposición de una familia, o agente de atención con los flujos principales) se mueve entre 15.000 y 25.000€ y se despliega en 4-8 semanas, con mantenimiento del 10-20% anual. El retorno en atención se ve el primer mes; en stock, necesitas uno o dos ciclos de reposición completos para leerlo con seriedad.