Las tres formas en que la AI impulsa la transformación en retail, viajes y bienes de consumo

Son las 5:45 de un viernes por la mañana, y la gerente de una tienda está en la oficina de atrás perdiendo una discusión con su propio edificio. Hay catorce paneles de control abiertos en dos pantallas. Una cola de tareas, compilada durante la noche por cuatro sistemas que nunca se han comunicado entre sí, reclama su atención en tres órdenes de prioridad distintos. En algún lugar del pasillo siete, el SKU de mayor rotación de la tienda está agotado desde el martes. La cámara del estante lo detectó el martes. El sistema de reabastecimiento lo infirió el miércoles. La tarea para solucionarlo apareció esta mañana, en el undécimo lugar, por debajo de una auditoría de planograma y un recordatorio de capacitación. Lo encontrará en su recorrido habitual, de la misma forma en que los gerentes han encontrado las cosas durante cien años, y para entonces la afluencia del fin de semana para la que se había pedido el producto ya habrá pasado.

La señal existió durante cuatro días. Lo que nunca existió fue una forma de actuar antes de que pasara el momento.

Esa mañana se repite, con diferentes uniformes, en todos los sectores de consumo. Forrester estima que entre el 60% y el 73% de todos los datos de una empresa no se utilizan para analítica. En el sector de bienes de consumo, aproximadamente el 85% de los lanzamientos de nuevos productos fracasan en un plazo de dos años, y Nielsen atribuye la mayoría de los fracasos no a la calidad del producto, sino a una mala interpretación de las necesidades y el posicionamiento de los consumidores; es decir, a señales que existían pero no se leyeron. Y cuando la encuesta de NVIDIA de 2026 sobre el estado de la AI en el comercio minorista y CPG preguntó a las empresas qué les impide escalar la AI, la barrera más citada no fue la tecnología. Fueron los datos. Estos no son tres problemas. Son un solo problema con tres costes asociados: no se podía confiar lo suficiente en la señal para actuar en consecuencia (confianza), no se podía actuar antes de que pasara el momento (tiempo) o no se podía permitir leer y actuar a la escala necesaria (coste). La premisa de este artículo es que la AI, implementada como un sistema en lugar de una colección de proyectos piloto, es la primera tecnología que ataca estos tres costes a la vez, y que las empresas que entiendan esto están a punto de distanciarse de aquellas que solo compraron los pilotos.

Por qué veinte años de dashboards no cerraron la brecha

La respuesta del sector a la señal no leída fue la inteligencia de negocios (BI), y fue una respuesta razonable. La BI profesionalizó la generación de informes, estandarizó las métricas con las que operan las juntas directivas y ofreció a una generación de comerciantes y operadores una base de datos compartida. Se merece su lugar. Pero conllevaba tres limitaciones estructurales que ninguna inversión podría solucionar.

En primer lugar, la BI solo podía ver datos que se ajustaran a un esquema. La imagen de un estante, la foto de mantenimiento, la transcripción de una llamada, la reseña, la publicación en redes sociales: la mayor parte de lo que realmente presencia una empresa de consumo nunca llegaba al modelo, porque leerlo requería atención humana, y la atención humana era el recurso más escaso en el edificio. En segundo lugar, la BI respondía a preguntas que alguien ya había pensado en formular. Realizaba cálculos de forma brillante a través de las uniones de datos que se le proporcionaban; pero no podía generar una perspectiva a partir de señales que nadie había predefinido, que es precisamente donde se encuentran las sorpresas. En tercer lugar, la BI terminaba en un dashboard. Un profesional experimentado todavía tenía que notar, interpretar, decidir y canalizar la información, por lo que la información de valor (insight) viajaba a la velocidad del escalamiento, y el escalamiento viajaba a la velocidad del organigrama.

Lo que ha cambiado es que cada uno de esos límites se ha eliminado, de forma independiente y reciente. Los modelos fundacionales (foundation models) redujeron drásticamente el coste de leer datos no estructurados, por lo que los testimonios finalmente se incorporan al registro. El razonamiento probabilístico hizo que el juicio fuera computable, por lo que el espacio de preguntas dejó de limitarse a lo que un analista anticipaba. Y el giro agéntico desvinculó la acción de la necesidad de personal, por lo que la distancia entre el saber y el hacer dejó de medirse en reuniones. Por primera vez, estos tres costes tienen un contrapeso.

Dónde han estado muriendo las señales

En el comercio minorista, mueren en el piso de venta. Nuestro trabajo en operaciones de tienda impulsadas por AI siempre llega a la misma conclusión: la tienda es el entorno con más señales de la empresa y el menos capaz de procesarlas. El estado de los estantes solo se conoce recorriéndolos. Los planes de personal se basan en las curvas del año pasado. Las mermas se contabilizan cuando ya están en el contenedor de basura. Y el gerente es el único punto de integración sobrecargado para una docena de sistemas que nunca se diseñaron para converger en una sola persona a las 5:45 de la mañana. El ciclo ahora está llegando donde más se necesitaba: el escaneo autónomo de estantes en Harmons redujo los productos agotados a más de la mitad y los errores de precios en aproximadamente un 75%, y Ask Sam de Walmart le da a un empleado en su primera semana la memoria de un veterano en el piso de venta. Lo que está surgiendo es una tienda que ejecuta su propio ciclo, detectando continuamente el estado de los estantes, las colas y las mermas, y actuando en menos de una hora, de modo que el recorrido del gerente se convierte en la aplicación de un criterio ante excepciones en lugar de descubrir lo obvio.

En el sector de bienes de consumo, mueren en el motor de innovación. El modelo tradicional de etapas y puertas (stage-gate) realiza revisiones humanas secuenciales de prototipos físicos, y cada puerta es un lugar donde la señal expira: las revisiones que señalaban el fallo no se leyeron, las ventas iniciales que predecían el fracaso llegaron después del compromiso de producción, la tendencia social que justificaba el concepto surgió después de la reorganización de los estantes. Mi trabajo reciente sobre innovación en este sector apunta a una inversión que ya está en marcha: pasar de puertas humanas secuenciales alimentadas por investigaciones obsoletas a una lectura computacional continua del consumidor, que se ejecuta antes de realizar cualquier compromiso físico. Las pruebas públicas están llegando: una empresa global de salud e higiene unificó la investigación de consumidores, las reseñas de productos y las señales de escucha social que sus especialistas en marketing solían tardar semanas en combinar, y ahora pasa de la señal bruta a información accionable (insight) en cuestión de días, recuperando, según sus propias palabras, las horas que sus equipos perdían en la recopilación en lugar del análisis, las horas que la innovación tanto necesitaba. La limitación principal para esa transformación no es la capacidad del modelo. Son los datos propios de los consumidores, actualizados, gobernados y lo suficientemente densos como para razonar a partir de ellos.

En el sector de viajes, mueren entre sistemas que solo conocen la mitad de la historia. La telemetría sabía que el componente se estaba deteriorando; el programador de la tripulación, no. El motor de tarifas sabía que la demanda estaba cambiando; el mostrador de incidencias se enteró por la cola de espera. El sector está más avanzado que la mayoría a la hora de conectar estos elementos: el mantenimiento predictivo lee señales en más de 12 000 aeronaves conectadas en Airbus Skywise, Delta fija los precios de su red con modelos generativos y los asistentes de AI ya están en el mercado en Expedia e Hilton. Si proyectamos esto hacia adelante y lo conectamos, obtenemos el viaje que se repara a sí mismo: el imprevisto detectado en los datos de mantenimiento, el itinerario reprogramado, el hotel y el transporte terrestre ajustados, y el viajero informado del problema y su solución en el mismo mensaje. IDC prevé que para 2030, hasta el 30% de las reservas de viajes podrían ser ejecutadas por agentes de AI, y los operadores cuyos datos puedan respaldar esa autonomía se quedarán con una parte desproporcionada del mercado.

En los tres sectores, el patrón es idéntico. Los modelos no son el foso defensivo. Los datos son el foso defensivo.

Las tres cosas que desbloquea la AI

El patrón tiene una estructura, y es la perspectiva que utilizo con los ejecutivos de estos sectores. El ataque de la AI a los tres costes se desarrolla en tres movimientos, y cada movimiento es la inversión de uno de los límites estructurales de la BI.

1. Los datos oscuros (dark data) se convierten en señales. El coste de atención para leer datos no estructurados se reduce drásticamente, y la mayor parte de lo que la empresa presencia (imágenes, transcripciones, telemetría, comentarios) finalmente se incorpora al registro.
2. El razonamiento probabilístico amplía el espacio de preguntas. La calculadora se convierte en criterio. Un modelo genera una perspectiva probabilística a partir de señales para las que nunca fue programado explícitamente (el clima frente a las promociones frente al cambio de tarifas de un competidor), y las sorpresas dejan de esconderse entre las uniones de datos.
3. La capacidad humana se desvincula de la plantilla y de la experiencia. El aumento de capacidades le da a un empleado en su primera semana la memoria de un veterano; la automatización, en el caso límite, elimina por completo el retraso en la ejecución. La distancia entre el saber y el hacer deja de medirse en reuniones.

Los tres movimientos se ejecutan como un ciclo frente al tiempo; el tiempo real es el reloj; la gobernanza es el sustrato que genera confianza y controla los costes.

Cada movimiento es un amplificador, y los amplificadores son indiferentes a lo que amplifican. La apertura por sí sola produce más ruido. El razonamiento por sí solo, sobre datos no gobernados, produce una falsa confianza. La aceleración por sí sola produce errores más rápidos. La señal sin razonamiento es ruido; el razonamiento sin señal es falsa confianza; la aceleración sin ninguno de los dos es un error más rápido. Junta los tres sobre los mismos datos gobernados, en tiempo real, y obtendrás algo que no existía antes.

Es por eso que la gobernanza, el elemento menos glamoroso en el presupuesto de datos, resulta ser la carga útil. Gobernar los datos una vez paga un dividendo por partida doble: puedes confiar en ellos, lo que elimina el impuesto de la confianza, y nunca vuelves a pagar por derivarlos, porque cada modelo, agente y aplicación se basa en la misma base procesada y certificada en lugar de volver a extraer el mismo corpus, lo que elimina el impuesto del costo. La gobernanza está crónicamente subestimada porque se registra como cumplimiento, mientras que su función como palanca de costos no se mide.

La arquitectura subyacente

La postura operativa descrita anteriormente exige que una sola arquitectura haga tres cosas a la vez: ejecutar el bucle de detección a acción en tiempo real, demostrar la confiabilidad de cada respuesta que produce y hacer ambas cosas sin que la empresa pague por procesar los mismos datos dos veces. Esa es una especificación arquitectónica, y es la que la plataforma Databricks Data Intelligence Platform fue diseñada para cumplir.

• Ampliar la apertura es un problema de ingesta y apertura. Lakeflow Connect lleva más de 100 conectores administrados a través de aplicaciones empresariales, bases de datos y fuentes de streaming hacia Delta Lake y Apache Iceberg, formatos abiertos que mantienen la señal en el almacenamiento de tu propiedad en lugar de en un motor propietario que alquilas.
• El razonamiento confiable es un problema de gobernanza y evaluación. Unity Catalog gobierna datos, modelos y agentes en una sola capa, Unity Catalog Metrics convierte las definiciones de negocio en activos gobernados de primer nivel para que cada agente responda con el mismo significado, y MLflow 3 proporciona la evaluación y el seguimiento que hacen que una respuesta probabilística sea auditable, la brecha que los datos gobernados por sí solos no pueden cerrar. Unity AI Gateway extiende esa misma gobernanza al propio tráfico de modelos y agentes.
• Y actuar a la velocidad de las máquinas es un problema de aplicación: Agent Bricks crea agentes evaluados a partir de datos empresariales, Genie pone respuestas gobernadas directamente en manos del gerente de la tienda, el planificador y el centro de operaciones, y OpenSharing y Clean Rooms extienden la misma señal gobernada a lo largo de la cadena de valor, del proveedor al minorista y al socio, sin copiar los datos ni perder el control sobre ellos.

El punto crucial es este: la adopción parcial del bucle no significa un valor parcial. Una pila de amplificadores a la que le falta una etapa amplifica lo incorrecto. La decisión de la plataforma es donde una empresa elige si sus tres movimientos apuntan en la misma dirección, sobre el mismo sustrato gobernado, o si acumula una falsa confianza a una velocidad cada vez mayor.

Los casos de estudio se están escribiendo ahora

Y el plazo ya no es puramente interno. La misma disciplina está a punto de ser examinada desde el exterior: los consumidores están comenzando a delegar las compras, las reservas y las adquisiciones a agentes de AI que se ejecutan sobre rieles de protocolos lanzados durante el último año, y McKinsey proyecta que el comercio mediado por agentes podría redirigir entre 3 y 5 billones de dólares en gasto minorista global para 2030. Esas máquinas de compra solo leerán lo que la gobernanza haya hecho legible. La empresa que cerró la brecha entre sus datos y sus decisiones descubrirá que también construyó el único escaparate que una máquina puede leer; los dos dividendos de la gobernanza adquieren silenciosamente un tercero.

Hace treinta años, los minoristas establecidos se enfrentaron a una pregunta sobre la web: canal o amenaza, resistirse o adoptarla. Las empresas que trataron el comercio electrónico como una nueva física en lugar de un nuevo escaparate pasaron las siguientes dos décadas siendo estudiadas por todos los demás. La misma divergencia se está formando ahora, y no se dará entre las empresas con AI y las empresas sin ella. Se dará entre las empresas que metabolizan lo que ya saben y las empresas que siguen pagando los tres impuestos por ello.

La preparación es clara: datos actualizados, gobernados y semánticamente coherentes; razonamiento evaluado; acción instrumentada. La señal en el pasillo siete ha estado esperando cien años a que alguien la lea a tiempo. La disciplina nunca fue una carga innecesaria. Es la diferencia entre una empresa que sabe y una empresa que actúa.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original