IA de retail que mueve la previsión, no la presentación.

La respuesta honesta es más estrecha de lo que promete el mercado y más duradera de lo que conceden los escépticos. En el retail y el gran consumo, la IA marca diferencia donde una decisión se repite miles de veces por semana, donde la entrada ya es digital y donde una mejora pequeña y constante se acumula. La previsión jerárquica de demanda es el ejemplo más claro: por separado cada juicio es anodino, pero a escala la distancia entre un buen modelo y uno mediocre se lee en la precisión de previsión (WAPE) y la disponibilidad en lineal.

Lo que la IA no cambia es la responsabilidad. Un modelo puede ordenar, puntuar, señalar y redactar; una persona sigue siendo dueña del resultado. Los proyectos que sobreviven diseñan primero el contrato humano-en-el-bucle y después ajustan el modelo a ese contrato.

Casi todos los programas de IA atascados en el retail y el gran consumo se atascaron en el dato, no en el modelado. Paneles de venta SKU × tienda × semana, calendarios promocionales y datos meteorológicos llegan con huecos, identificadores duplicados, deriva de esquema y reglas de negocio no documentadas enterradas en integraciones de hace una década. Nuestra primera fase es siempre una evaluación de madurez del dato.

Esa evaluación es deliberadamente poco vistosa y es donde se elimina el riesgo. Indica si el problema es abordable, cuál es el techo realista de la precisión de previsión (WAPE) y la disponibilidad en lineal y cuánto costaría levantarlo.

Los sistemas de el retail y el gran consumo se inspeccionan. El RGPD y las reglas de transparencia de datos de consumidor fija el listón: cómo se entrenó el modelo, sobre qué población, con qué modos de fallo conocidos, monitorizado cómo y revertido por quién. Producimos esa evidencia como entregable.

La fase final es el traspaso. Su equipo recibe los pipelines de entrenamiento, el arnés de evaluación, los cuadros de monitorización y un runbook escrito para un ingeniero de guardia a las tres de la mañana.