IA para ecommerce: dónde mueve la aguja y dónde es puro humo

La conversación sobre IA para ecommerce suele empezar por el sitio equivocado: generar descripciones de producto a mansalva o montar un asistente que hable como un dependiente entusiasta. Mientras tanto, el buscador interno de la tienda devuelve cero resultados en una de cada cinco búsquedas y nadie lo mira. Esta guía va de lo contrario: de las cuatro palancas donde la IA cambia números en una tienda online real —buscador, recomendación, devoluciones y atención—, qué dato exige cada una y en qué orden conviene atacarlas.

Aviso previo, por honestidad: casi ninguna de estas palancas es «IA» en el sentido espectacular de la palabra. Son modelos discretos metidos en un flujo que ya existe. Eso es precisamente lo que las hace rentables.

¿Qué aporta de verdad la IA en un ecommerce?

Un ecommerce tiene una ventaja que casi ningún otro negocio tiene: todo está medido y todo está digitalizado. Cada búsqueda, cada clic, cada abandono de carrito y cada devolución dejan un registro. Eso convierte a la tienda online en el terreno donde la IA da resultados más rápido, porque el dato ya existe y el efecto se mide en días, no en trimestres.

La otra cara es que el margen manda. En una tienda con un 6% de margen neto, un modelo que acierta un 3% más en recomendaciones puede ser irrelevante si cuesta 2.000 € al mes mantenerlo. La pregunta correcta no es «¿esto funciona?», sino «¿esto mueve suficientes euros como para pagar su propio mantenimiento?».

Con ese filtro, cuatro áreas sobreviven casi siempre:

| Palanca | Qué mejora | Dato que exige | Señal de que funciona | |---|---|---|---| | Buscador interno | Conversión de quien ya quiere comprar | Histórico de búsquedas y catálogo limpio | Baja el % de búsquedas sin resultado | | Recomendación | Ticket medio y unidades por pedido | Pedidos históricos con cliente y producto | Sube la tasa de clic en el módulo y el ticket | | Devoluciones | Margen que se escapa por la puerta de atrás | Motivo de devolución por línea de pedido | Baja la tasa por talla o descripción errónea | | Atención al cliente | Coste por contacto y tiempo de respuesta | Histórico de tickets y estado real del pedido | Baja el % de contactos que llegan a un humano |

Y una que casi nunca sobrevive el primer año: la generación masiva de contenido de producto sin revisión. No porque el texto salga mal, sino porque multiplicar fichas mediocres no vende más y sí ensucia el catálogo, que es el activo del que dependen las otras tres palancas.

¿Por qué el buscador interno es la primera palanca?

Porque quien usa el buscador de una tienda ya ha decidido comprar. Es el tráfico más caliente que tienes y, en la mayoría de tiendas medianas, el peor atendido. El patrón habitual: el buscador hace coincidencia literal de texto, así que «botas agua niño» no encuentra las «katiuskas infantiles impermeables» que tienes en stock, y ese usuario se va.

Lo que cambia con búsqueda semántica —modelos que representan producto y consulta por significado, no por letras— es concreto:

• Sinónimos y lenguaje real del cliente. «Sudadera con capucha» encuentra «hoodie», y al revés.
• Tolerancia a errores y a consultas largas. «Zapatillas correr asfalto pronador» deja de ser una búsqueda vacía.
• Ordenación por intención, no solo por relevancia textual. Un producto sin stock o con plazo de dos semanas no debería encabezar resultados aunque coincida perfectamente.

El trabajo previo no es glamuroso y es el 70% del resultado: normalizar atributos del catálogo (talla, color, material, compatibilidad), decidir qué hacer con productos sin stock y limpiar duplicados. Un modelo semántico sobre un catálogo sucio devuelve resultados sucios, más deprisa.

Antes de contratar nada, exporta las 200 búsquedas más frecuentes de los últimos tres meses y mira cuántas devuelven cero resultados. Ese número, y no una demo, es tu caso de negocio.

¿Funcionan de verdad las recomendaciones de producto?

Sí, pero menos de lo que promete el sector y de forma muy desigual según el catálogo. Tres tipos de recomendador, de menos a más exigente:

1. Reglas y co-ocurrencia. «Quien compró esto compró también aquello», calculado sobre el histórico de pedidos. Es una consulta SQL, no IA, y en catálogos pequeños rinde casi igual que un modelo. Empieza aquí siempre. 2. Filtrado colaborativo. Aprende patrones entre clientes con comportamiento parecido. Necesita volumen: con pocos clientes recurrentes, el modelo no tiene de dónde aprender. 3. Modelos con contenido y contexto. Combinan atributos del producto, historial de sesión y momento. Justifican su coste en catálogos grandes con rotación alta.

La trampa clásica: recomendar lo que el cliente ya iba a comprar. Sube el número del panel y no añade un euro. Para saber si aporta, la única prueba honesta es un test A/B con el módulo apagado en un grupo de control, midiendo ingreso por sesión —no clics en el módulo— durante al menos dos ciclos de compra completos.

Cuidado también con el efecto catálogo estrecho: un recomendador optimizado a corto plazo concentra las ventas en los cincuenta productos de siempre y mata la cola larga. Si tu margen vive en la cola, mídelo explícitamente.

¿Qué puede hacer la IA con las devoluciones?

Aquí está el dinero olvidado. En moda, la tasa de devolución online se mueve en rangos que destrozan el margen; en electrónica es menor pero cada caso cuesta mucho más. Y casi ninguna tienda analiza sus devoluciones más allá de contarlas.

Tres usos que se sostienen:

• Clasificar el motivo real. El desplegable del formulario miente: casi todo cae en «otros» o «no me convence». El texto libre del cliente y las notas de atención sí contienen el motivo, y un modelo de clasificación los agrupa en categorías accionables: talla, color distinto al de la foto, daño en transporte, plazo incumplido, expectativa de calidad.
• Atacar la causa en la ficha. Si el 40% de las devoluciones de una referencia son por talla, el problema no es el cliente: es la tabla de tallas o la horma. Corregir la ficha de los veinte productos con más devoluciones suele dar más margen que cualquier campaña.
• Anticipar el riesgo en el pedido. Con histórico suficiente se puede estimar la probabilidad de devolución de un carrito. Úsalo para operaciones —previsión de stock que volverá, dimensionado del equipo de logística inversa— y con mucha prudencia si vas a condicionar promociones o formas de pago a esa puntuación: entras en terreno de decisión automatizada sobre personas, con lo que eso implica en RGPD.

La devolución es, además, dato de entrada para la previsión de demanda: el stock que vuelve y cuándo vuelve cambia la foto de disponibilidad real, y el resto de la cadena lo agradece, como contamos en IA en logística.

¿Cuándo tiene sentido un asistente de atención al cliente?

Cuando el volumen de contactos repetitivos es alto y la respuesta está en un sistema al que el asistente puede consultar. Ese matiz lo es todo. En ecommerce, entre el 50% y el 70% de los contactos son variaciones de cuatro preguntas: dónde está mi pedido, cómo devuelvo, cuándo llega el reembolso y si algo está disponible.

Un asistente conectado al sistema de pedidos y a la mensajería responde las cuatro con el dato exacto. Un asistente que solo ha leído las FAQ responde con generalidades y consigue algo peor que no existir: que el cliente escriba dos veces. La diferencia no es el modelo, es la integración.

Tres reglas que aplicamos siempre:

• Escalado visible desde el primer mensaje. Si el cliente quiere un humano, lo tiene. Esconder esa salida infla las métricas de contención y hunde la satisfacción.
• Acciones acotadas y reversibles. Consultar estado y generar una etiqueta de devolución, sí. Emitir reembolsos por encima de un umbral, no sin aprobación.
• Revisión semanal de las conversaciones fallidas. Es la única forma de que el sistema mejore. Sin ese hábito, se degrada a la velocidad a la que cambia tu catálogo.

El detalle de casos, límites y coste real está en chatbots para empresas y, si tu canal es WhatsApp, en chatbot de WhatsApp.

¿Por dónde empezar con un presupuesto realista?

Un orden que funciona en tiendas de entre uno y veinte millones de facturación:

1. Semana 1-2: mide lo que ya pasa. Búsquedas sin resultado, tasa de devolución por referencia, volumen de contactos por tipo, ticket medio con y sin módulo de recomendación. Sin esta foto no hay forma de saber después si algo funcionó. 2. Semana 3-6: arregla el catálogo. Atributos normalizados, fichas de los productos más devueltos, tallas revisadas. Es la tarea más aburrida y la que más retorno directo da. 3. Semana 6-10: una palanca, con control. La que tu medición señale, no la que esté de moda. Con grupo de control y una métrica de negocio acordada de antemano. 4. A partir de ahí: la siguiente. Solo si la primera sostuvo el resultado dos meses seguidos y alguien del equipo puede operarla sin el proveedor.

Y un aviso de coste: la infraestructura de estas palancas es barata; lo que cuesta es el mantenimiento del catálogo y la revisión periódica. Presupuesta horas de persona, no solo licencias. Cómo se compara eso con otros proyectos está en qué cuesta un proyecto de IA.

Preguntas frecuentes

¿Necesito mucho tráfico para que la IA aporte en mi ecommerce?

Para recomendaciones con modelos de aprendizaje, sí: sin miles de pedidos históricos no hay patrón que aprender. Para buscador semántico y clasificación de devoluciones, no: funcionan con catálogos y volúmenes modestos porque se apoyan en el contenido, no en el comportamiento agregado.

¿Puedo usar la IA que trae mi plataforma de ecommerce?

Suele ser el punto de partida sensato: coste marginal cero y cero integración. El límite aparece cuando necesitas lógica propia —tu criterio de stock, tus reglas de margen, tu catálogo con atributos raros— o cuando quieres llevarte los datos si cambias de plataforma. Ahí conviene que la lógica viva fuera del producto.

¿Qué pasa con los datos de mis clientes?

Que siguen siendo datos personales aunque los procese un modelo. Antes de enviar historiales de compra o conversaciones a un proveedor externo hay que revisar base legal, encargado de tratamiento y ubicación del dato. Las técnicas para trabajar sin exponer clientes están en anonimización de datos.

¿Cuánto tarda en notarse el efecto?

En buscador y atención, semanas: el tráfico es continuo y el efecto se ve en la métrica de la semana siguiente. En devoluciones y recomendación, entre uno y tres meses, porque dependen del ciclo de compra y del plazo de devolución. Desconfía de quien prometa resultados medibles en días.

Si reconoces tu tienda en dos o tres de estos síntomas —buscador que no encuentra, devoluciones que nadie analiza, atención saturada de «dónde está mi pedido»—, el siguiente paso no es contratar una herramienta: es medir cuánto cuesta cada uno en euros. Eso es lo que hacemos en la auditoría, con tus sistemas y tus números encima de la mesa; y si prefieres contrastarlo antes en una conversación corta, hablemos.