Por Marcos Pueyrredon
Presidente del eCommerce Institute y cofounder & global executive svp de VTEX
Durante años hablamos del “comercio digital” como si fuera un canal; hoy el comercio digital piensa, aprende y conversa a través de una nueva especie de inteligencia: los modelos de lenguaje de gran escala (LLM), capaces de razonar, ejecutar tareas y tomar decisiones con nosotros.
No exagero: esta transición marca un punto de inflexión similar al que vivimos con el nacimiento del mobile commerce o el salto de los pagos digitales. En menos de tres años, los LLM se convirtieron en el nuevo sistema operativo del comercio.
Adopción de inteligencia artificial muestra una brecha entre intención e impacto
De acuerdo con McKinsey, hemos entrado a la fase superagency, en la que el 92% de las empresas planea aumentar su inversión en inteligencia artificial generativa en los próximos tres años, pero solo el 1% ha alcanzado una madurez real en su adopción. En otras palabras, casi todas compran herramientas, pero pocas están creando valor sostenible o ético con ellas.
Esta fase redefine el liderazgo: las empresas que crecen más de 15% anual son las que han aprendido a coreografiar humanos y algoritmos con propósito. En América Latina, donde la adopción de IA se acelera pero la profesionalización avanza a ritmos dispares, la ventaja competitiva no estará en “tener IA”, sino en saber cuándo, cómo y para qué usarla.
De predictores de texto a agentes que razonan y venden
Hasta hace poco, los modelos de lenguaje eran asistentes pasivos: respondían prompts y escribían textos. Hoy son copilotos cognitivos que entienden contexto, se conectan a APIs y ejecutan acciones concretas.
En menos de un año, los modelos como o1 demostraron comprender y resolver problemas de física o matemáticas con una precisión inédita —superando el 80% frente al 13% de su predecesor GPT-4o—, y con ello inauguraron una era donde la inteligencia artificial no solo predice texto, sino que interpreta contexto y decide con lógica.
Tomemos el caso de OpenAI. En septiembre de 2024 lanzó el modelo o1, diseñado específicamente para el razonamiento paso a paso. En pruebas de física, biología y matemáticas competitivas (GPQA y AIME) resolvió correctamente más del 80% de los problemas, mientras que su antecesor, GPT-4o, apenas alcanzaba el 13%. Unos meses después, el modelo o3 dio otro salto, superando benchmarks de lógica y codificación con puntajes comparables al nivel doctoral.
En paralelo, el modelo de código abierto DeepSeek-R1, lanzado en enero de 2025, demostró que el aprendizaje por refuerzo puro puede alcanzar ese mismo nivel de razonamiento pero con costos operativos mucho menores. Este dato es clave para mercados emergentes como el nuestro, donde hacer más con menos no es una filosofía: es supervivencia.
Y el salto técnico más relevante llegó con la multimodalidad. Modelos como GPT-4.1 de OpenAI y Llama 4 de Meta ya integran texto, imágenes, voz y datos estructurados en la misma arquitectura. Esta capacidad de “entender todo al mismo tiempo” es la que habilita el retail que escucha.
En 2025, las compañías más avanzadas del mundo dejaron de hablar de chatbots para empezar a hablar de Agentes. McKinsey llama a esta etapa superagency: la IA que amplifica la agencia humana, liberando tiempo para tareas estratégicas y creativas. El desafío no es técnico, sino cultural, redefinir los límites de lo que una persona puede lograr con una IA que piensa con ella.
Del catálogo infinito al concierge commerce
Cuando un consumidor abre una tienda online, no busca productos, busca resolver una necesidad sin perder tiempo. Y el comercio digital lo ha acostumbrado a navegar listas interminables, comparar reseñas y leer descripciones repetidas. En ese ruido, la confianza se diluye.
De ahí surge el nuevo paradigma: concierge commerce. Pasamos del catálogo al consejo y, en lugar de miles de resultados, el usuario recibe una o dos recomendaciones relevantes, fruto de un diálogo breve y contextual impulsado por algoritmos.
La métrica que mejor traduce este cambio es el Tiempo Devuelto al Usuario (TDU): cuánto tiempo y esfuerzo cognitivo le ahorra la IA al consumidor. Cuando un agente personalizado entiende el contexto cultural del cliente, la tasa de recompra aumenta un 38%.
Medimos el TDU: si tu agente reduce de ocho a tres minutos el esfuerzo necesario para “encontrar y decidir”, el CR sube y la recompra se activa. No es magia, es personalización útil. En estudios globales, las marcas que logran entregar experiencias personalizadas son un 78% más propensas a generar recompra y hasta un 40% más de ingresos respecto a sus pares. En Latinoamérica, donde el comprador combina WhatsApp, tienda y web, el TDU se vuelve una métrica de confianza: menos fricción, más intención de compra. Cada minuto devuelto al usuario es también margen devuelto al negocio. La confianza, en definitiva, es la nueva moneda del margen.
Cuando los datos piensan en márgenes reales
La conjunción entre IA generativa y predictiva está reescribiendo la economía del retail. Los datos de intención del consumidor se transforman en inventario publicitario propio a través del retail media.
Según Quad/EMarketer, Amazon y Walmart concentran el 84% del gasto en retail media en Estados Unidos, pero el resto del mundo —Latinoamérica incluida— tiene espacio para construir ecosistemas más segmentados y sostenibles.
La clave es integrar lo que yo llamo el Flywheel Retail 4.0, que contempla:
- Datos de intención alimentan agentes inteligentes.
- Los agentes personalizan la experiencia y activan medios propios.
- El retail media convierte esa atención en margen incremental.
- Cada interacción genera nueva data que reinicia el ciclo.
No se trata de vender más impresiones, sino de aprender más por cada impresión. El margen deja de depender del volumen y pasa a depender de la precisión. Cada byte se convierte en una unidad de rentabilidad y cada decisión en un acto de confianza.
Siempre insisto en la gobernanza aumentada: integrar a equipos de producto, datos, legal y experiencia en un mismo marco ético que supervise el ciclo. La IA no se controla con regulaciones aisladas, se gobierna con transparencia y responsabilidad compartida.
El model collapse —cuando una IA se entrena con sus propias salidas y termina creyendo sus sesgos— no es un destino inevitable, es una cuestión de diseño. La calidad del dato ya no se mide solo por volumen o precisión, sino por trazabilidad, ética y capacidad de reinterpretarse. Gobernar la IA no es limitarla, es acompañarla para que genere valor sin perder rigor.
Modelos de lenguaje de gran escala nos enseñan a decidir mejor
Cada disrupción tecnológica nos enfrenta a la misma pregunta: ¿estamos listos para aprender, desaprender y volver a aprender? Los nuevos modelos de lenguaje no solo automatizan procesos, nos enseñan a pensar con más evidencia y menos ego.
Si algo me queda claro después de recorrer 25 años de ecosistema digital es que la inteligencia artificial no reemplaza a la humanidad: la amplifica, pero solo si la usamos con propósito, ética y conciencia.
El desafío no es entrenar máquinas que hablen como nosotros, sino construir organizaciones que escuchen como humanos. Ahí estará —otra vez— la próxima ventaja competitiva.
¿Te quieres enterar de los acontecimientos más recientes de la industria de la mercadotecnia y los negocios? Síguenos en Instagram y TikTok.
