TITA Media

AGENTES IA · 9 de nov de 2026

El producto existe, pero el estante está vacío

El producto existe, pero el estante está vacío

El inventario dice que quedan seis unidades. La tienda está abierta. La campaña está activa. El cliente llega hasta el pasillo y no encuentra el producto.

Para el sistema, el artículo está disponible. Para el comprador, no existe.

Esa distancia entre el inventario registrado y el producto visible es uno de los problemas más costosos —y menos atractivos de mostrar en una presentación de innovación— del retail físico.

Una venta puede perderse sin que el ecommerce, el ERP o el equipo comercial registren claramente la causa.

En noviembre de 2026 aparecieron señales concretas de hacia dónde se está moviendo la IA operativa.

Kroger reportó avances de sus iniciativas de identificación y datos de tienda; Pensa Systems presentó un agente de visión computacional para orientar el trabajo del personal en pasillos y exhibiciones.

No son la misma solución ni se encuentran en la misma fase, pero responden a un principio compartido: un dato solo crea valor cuando desencadena una acción correcta.

Kroger: menos conteos, mejores señales

Según información presentada por Kroger a inversionistas y reportada el 4 de noviembre por Grocery Dive, la cadena está compartiendo señales de visión computacional con proveedores para mejorar la disponibilidad en estante.

En paralelo, desarrolla un piloto de identificación por radiofrecuencia (RFID) en panaderías de aproximadamente 1.500 tiendas.

Los resultados comunicados para ese piloto de RFID incluyen una precisión de lectura del 98 %, conteos de inventario casi un 70 % más rápidos y una reducción del 50 % en desperdicio.

Son resultados reportados de una iniciativa específica; no significan que toda la red de Kroger haya obtenido esas mejoras ni que puedan atribuirse exclusivamente a inteligencia artificial.

Lo interesante está en la conexión.

RFID facilita identificar productos físicos. La visión computacional aporta evidencia sobre lo que ocurre en exhibición. Los modelos y sistemas de planificación convierten esas señales en decisiones de reposición, producción y disponibilidad.

Cuando esas capas se reconcilian, el equipo deja de depender únicamente del inventario teórico.

Pensa: del recorrido por la tienda a una tarea priorizada

El 3 de noviembre, Pensa anunció Pensa Actions AI, un agente diseñado para interpretar imágenes de góndolas y exhibiciones captadas con dispositivos móviles.

Según su presentación, el sistema puede detectar faltantes, revisar señalización y precios visibles, y recomendar qué actividad debe ejecutar primero el colaborador.

La novedad no consiste simplemente en reconocer una foto de un estante.

Consiste en combinar lo observado con el contexto operativo para decidir qué intervención merece atención.

En una tienda grande, un empleado puede encontrar decenas de oportunidades durante su recorrido. No todas tienen la misma urgencia comercial.

Pensa también comunicó resultados de usos tempranos de sus capacidades, como disminuciones en faltantes de producto.

Son afirmaciones del proveedor y necesitan validarse con criterios de medición comparables antes de usarse como benchmark universal.

El producto fue anunciado en noviembre; no debe describirse como una implantación generalizada en el retail.

Por qué contar productos no equivale a gestionar disponibilidad

Un artículo puede aparecer como disponible en el ERP y encontrarse en una caja cerrada, en la bodega equivocada, reservado para otro canal o mal ubicado.

De ahí que tres preguntas sean distintas: ¿cuántas unidades figuran en el sistema?, ¿cuántas unidades existen físicamente? y ¿cuántas puede comprar ahora mismo el cliente?

La IA puede aportar en la segunda y la tercera pregunta, pero solo si se conecta con el flujo de trabajo.

Una alerta que llega a un tablero que nadie consulta no recupera ventas.

Un sistema que crea una tarea con responsable, prioridad, ubicación y evidencia sí puede cambiar la operación.

La arquitectura práctica integra señales de demanda, inventario del sistema, evidencia de estante y reglas de negocio.

Después clasifica el problema: ¿faltante en exhibición, ruptura real de stock, etiqueta incorrecta, promoción mal implementada o discrepancia de catálogo?

La respuesta define a quién asignar la intervención y qué acción es viable.

La priorización debe seguir el valor, no el número de alertas

No todos los productos agotados generan el mismo impacto.

Un SKU de alta rotación que participa en una promoción vigente puede requerir una respuesta inmediata.

Otro de baja demanda puede esperar el próximo ciclo de reposición sin afectar significativamente el negocio.

Para establecer prioridades, conviene estimar la demanda esperada durante la ventana de indisponibilidad, el margen de contribución de la categoría, la posibilidad de sustitución y el tiempo necesario para reponer.

Esa estimación es un criterio operativo, no una promesa de ventas recuperadas. Debe contrastarse posteriormente con datos reales.

El indicador clave no es cuántos avisos emitió la IA.

Es cuánto disminuyó el tiempo desde la detección hasta la corrección, y qué cambió en la disponibilidad en estante.

A ello se suman mermas, tareas completadas, productividad del personal, ventas comparables y calidad de la información en inventario.

Qué probar en un piloto de IA para tiendas

Un primer piloto debería concentrarse en una categoría acotada, un grupo de tiendas comparable y un problema claro: por ejemplo, referencias de alta rotación con diferencias frecuentes entre inventario de sistema y exposición real.

Conviene definir una línea base antes de instalar cámaras, aplicaciones o agentes.

Durante la prueba, se registra cuándo aparece un faltante, cuándo se detecta, qué acción se asigna y cuándo se verifica su resolución.

Una tienda o un conjunto de productos comparables permite separar cambios propios de la herramienta de efectos estacionales, promociones o ajustes de surtido.

La meta no es reemplazar el criterio del personal, sino entregarle información más útil y reducir recorridos manuales que no generan valor.

Una buena intervención de IA permite que una persona actúe antes, en el lugar correcto y con contexto suficiente.

En el retail, el dato más importante sobre un producto no siempre es que figure en inventario. Es que el comprador pueda encontrarlo cuando decidió comprarlo.

¿Cómo ayuda la IA a reducir quiebres de stock en retail?

La IA puede cruzar pronósticos de demanda, inventario, datos visuales del estante y reglas operativas para detectar faltantes y priorizar tareas de reposición.

Su efecto debe medirse sobre disponibilidad real, tiempo de resolución y ventas comparables.

La visión computacional y RFID aportan señales diferentes y complementarias; ninguna sustituye por sí sola una operación capaz de ejecutar las acciones.

SOLUCIÓN RELACIONADA

Soluciones IA · Agentes de IA para retail y empresas

Conoce Soluciones IA →

TAMBIÉN TE PUEDE INTERESAR

Hablemos de tu negocio.

Cuéntanos qué quieres resolver, mejorar o construir.

Nuestro equipo revisará tu caso para entender el contexto y definir si podemos ayudarte y por dónde tiene sentido empezar.

¿EN QUÉ PODEMOS AYUDARTE?

CUÉNTANOS SOBRE TI

Este sitio está protegido por reCAPTCHA y aplican la Política de privacidad y los Términos de servicio de Google.