En el marco de la decimotercera edición del eRetail Day Latam, platicamos con Marcos Pueyrredon, presidente del eCommerce Institute y Co-Founder de VTEX. Frente a un mercado mexicano con más de 77 millones de compradores digitales y cifras récord de facturación, Pueyrredon reflexiona sobre el verdadero significado de crecer con calidad, la urgencia de cuidar la rentabilidad operativa (“el colesterol del negocio”), la consolidación de un CommerceOS unificado y el impacto real de la inteligencia artificial y el retail media en la sostenibilidad de la industria del Digital Commerce.
Entrevista con Marcos Pueyrredon, presidente del eCommerce Institute y Co-Founder de VTEX
¿Cómo percibes la salud del comercio digital en México hoy en día y qué significa reunir a la industria en este eRetail Day Latam?
Veo un mercado sano, pero con una salud que ya no se mide igual que hace cinco años. Durante mucho tiempo la pregunta era cuánto crecíamos; hoy la pregunta que me importa es con qué calidad crecemos. México dejó de ser una promesa hace rato. El Estudio de Venta Online 2026 de la AMVO habla de 77,2 millones de compradores digitales y de un mercado que ya mueve 941 mil millones de pesos, creciendo muy por encima del ritmo de la economía. Ese es un mercado que ya emergió y que ahora entra en su etapa más exigente: la de la madurez.
Para mí, la prueba de madurez se da cuando observamos qué capacidad queda instalada tras la venta. ¿La empresa aprendió a anticipar una necesidad, a cumplir mejor una promesa y a sostener la relación? ¿O terminó el mes, dependiendo del mismo esfuerzo extraordinario, para volver a empezar? Un crecimiento de calidad fortalece la próxima operación. Si cada nueva venta exige más improvisación, estamos ampliando el volumen sin desarrollar la capacidad para sostenerlo. Esa diferencia importa cuando decidimos dónde invertir el próximo peso.
La madurez tiene una particularidad incómoda. Cuando un canal es pequeño, cualquier ineficiencia queda escondida detrás del entusiasmo por el crecimiento. Cuando el canal pesa de verdad en la cuenta de resultados, cada devolución mal gestionada, cada entrega que llega tarde y cada descuento que se regaló sin necesidad aparecen en el balance. Por eso digo que México goza de buena salud, pero ahora tiene que cuidar el colesterol: el margen, la eficiencia operativa y la confianza del comprador son los indicadores que van a separar a quienes crecen de quienes solo facturan.
Esa capacidad también se construye entre empresas. Una marca puede mejorar su propuesta y seguir tropezando con la entrega, el pago o la información que dependen de otro actor. Por eso me interesa que el ecosistema comparta cómo resolvió esas dependencias: qué cambió, quién asumió la responsabilidad y qué aprendió del error. La colaboración se vuelve valiosa cuando permite que una experiencia deje de ser una excepción brillante y se convierta en una práctica que otros adapten a su realidad.
Reunir a la industria en esta decimotercera edición tiene sentido precisamente por ello. Las respuestas a esta etapa no están en ningún manual; están repartidas entre las operaciones de cientos de empresas que están probando, equivocándose y corrigiendo al mismo tiempo. Un encuentro como este acelera ese aprendizaje porque pone en la misma sala a quien ya resolvió un problema y a quien lo tiene enfrente mañana. Yo no vengo a México a contar el futuro. Vengo a escuchar cómo lo están construyendo.
Te puede interesar: La celebración del eRetail Day Latam 2026 marca el rumbo del comercio unificado en México
Con un mercado que ya vende a niveles récord, ¿qué es lo que más les está costando a las marcas para seguir creciendo?
Les está costando ganar dinero con cada pedido. Parece una obviedad, pero no lo es. Muchas marcas construyeron su crecimiento digital comprando tráfico cada vez más caro y empujando la conversión con promociones, y esa ecuación funcionó mientras el canal era una apuesta. Cuando el canal se vuelve central, el costo de adquirir un cliente nuevo sigue subiendo y el de servirlo también, porque el comprador espera entregas más rápidas, cambios sin fricción y atención en el canal que elija. Vender más ya no garantiza ganar más.
Hay otro costo que suele quedar fuera de esa conversación: el dinero que necesita el negocio para sostener la venta antes de cobrarla. Comprar inventario, financiar cuotas o mantener productos que rotan lentamente comprometen capital, aunque el pedido muestre margen. También hay que entender cuánto tiempo queda inmovilizado ese dinero y qué otra oportunidad dejamos de atender. En mi saga CommerceDataOS para Linkedin insisto en distinguir entre resultado, caja y recuperación de capital. La caja tiene tiempos que un tablero de conversión no muestra.
El punto ciego está en el segundo pedido. Casi todas las organizaciones saben cuánto les cuesta conseguir la primera compra, pero muy pocas saben con precisión por qué un cliente vuelve o por qué no vuelve nunca. Ahí está el crecimiento que queda sobre la mesa. Una marca que logra que el cliente vuelva con menor dependencia de la pauta fortalece su negocio; una marca que necesita volver a captar a ese cliente en cada compra tiene que demostrar que, aun pagando ese costo, la relación deja margen.
Ahí conecto con DORO: Direct Organic Recurring Order, el pedido directo, orgánico y recurrente. La pregunta es qué experiencia hace que el cliente nos elija de nuevo por iniciativa propia: una reposición sencilla, una recomendación oportuna o una posventa bien resuelta. Esa recurrencia también tiene costos y hay que medirlos. Si cae cuando retiramos un cupón, necesitamos investigar cuánto dependía del incentivo y qué valor sigue ofreciendo la marca. Entender esa diferencia ayuda a diseñar una relación sostenible.
Por eso insisto en crecer sin hipotecar el core. La tentación de un mercado récord es sumar categorías, canales y promociones para sostener la curva, y en ese camino muchas empresas terminan erosionando justamente lo que las hacía rentables. Mi consejo es mirar la contribución de cada pedido después de descontar logística, devoluciones y descuentos, y preguntarse con honestidad cuántas de esas ventas la empresa volvería a querer. La respuesta suele ser reveladora, y es el primer paso para crecer con criterio.
Hoy se habla mucho de integrar canales más que de sumar herramientas aisladas, ¿cómo se traduce esto en la práctica para un negocio?
Se traduce en algo muy concreto: que la empresa tenga una sola verdad. Durante años fuimos resolviendo cada problema con una herramienta nueva, una para la tienda en línea, otra para el marketplace, otra para la atención, otra para el punto de venta. Cada una funcionaba bien por separado, pero cada una tenía su propia versión del stock, del precio y del cliente. El resultado es una empresa que le habla al comprador con varias voces que no siempre coinciden.
Tener una verdad compartida implica acordar qué sistema es la referencia para cada dato, quién lo mantiene y cuándo se actualiza. El inventario puede vivir en un lugar y los pedidos en otro; lo decisivo es que ambos interpreten igual qué significa disponible, reservado o vendido. Esa definición parece pequeña, pero evita que dos áreas prometan la misma unidad y luego le trasladen al cliente el costo de ponerse de acuerdo.
Integrar significa pensar el comercio como un sistema operativo, lo que yo llamo CommerceOS. La tecnología deja de ser una colección de piezas y pasa a ser una estructura que conecta inventario, pedidos, clientes y pagos para que cualquier punto de contacto cumpla la misma promesa. En la práctica, eso es un vendedor en tienda que puede recuperar, con el permiso del cliente, lo que dejó en el carrito del celular; un pedido que se prepara desde la sucursal que mejor puede cumplirlo; una devolución que se acepta en otro punto habilitado sin que nadie tenga que llamar a otra área para reconstruir la compra.
La integración se prueba cuando una sucursal no puede preparar un pedido. Ahí sirve lo que desarrollo en Commerce3C como el libro de la promesa: conservar el compromiso original, registrar qué cambió, qué alternativa aceptó el cliente y cuánto costó resolverlo. Reprogramar una entrega no borra la fecha que habíamos prometido. Esa memoria compartida permite aprender de los incumplimientos y mejorar la próxima decisión. Si cada área ve solo su parte, puede dar por cerrado el caso mientras el comprador sigue esperando.
La parte menos glamorosa, y la más importante, es organizacional. Un negocio puede integrar sistemas y seguir midiendo la tienda física frente a la tienda en línea, como si fueran competidores. Si el gerente de sucursal pierde su comisión cada vez que prepara un pedido digital, la integración técnica choca con un incentivo que actúa en sentido contrario. Por eso digo que integrar canales empieza en el tablero de indicadores antes que en la arquitectura. Cuando la empresa mide al cliente y no al canal, las herramientas por fin empiezan a trabajar juntas.
Si nos enfocamos en la inteligencia artificial, ¿dónde está ayudando realmente a vender más en una tienda en línea?
Donde más se mueve la aguja es en el momento en que el comprador busca y no encuentra. Durante años, la búsqueda de una tienda en línea funcionó como un índice de biblioteca: si la persona no escribía exactamente el nombre que la marca había cargado en el catálogo, el sistema le devolvía cero resultados y esa venta se perdía en silencio. Con inteligencia artificial generativa, la búsqueda empieza a entender la intención. Alguien puede escribir “algo para regalarle a mi papá que empieza a correr” y recibir una respuesta sensata. Ese salto del search al discovery agéntico es, para mí, la mejora de conversión más subestimada de la región.
Pero entender la intención también implica saber cuándo preguntar. Si alguien busca ese regalo, el asistente puede necesitar conocer el presupuesto, el uso previsto o si la persona ya cuenta con el equipamiento. Conviene pedir el contexto que modifica la recomendación y explicar por qué es importante. Una IA útil reconoce lo que aún no sabe y ayuda a aclararlo. Resolver esa incertidumbre puede ser más valioso que mostrar veinte opciones con mucha seguridad y dejar al comprador con la tarea de elegir.
El segundo terreno fértil es el catálogo. Parece un tema administrativo, pero un producto mal descrito es un producto invisible, tanto para una persona como para un agente que compara en nombre de una persona. La IA permite enriquecer fichas, normalizar atributos y adaptar descripciones a gran escala, lo que impacta directamente en la probabilidad de que un producto aparezca en el momento oportuno.
El cuidado está en no confundir enriquecer con completar por imaginación. Si falta una medida, una compatibilidad o una condición de garantía, el sistema debería señalar el vacío y remitirlo a quien pueda verificarlo. Publicar una ficha convincente con un atributo inventado transforma una tarea de contenido en un problema comercial. La fuente debe ser comprobable y la revisión debe centrarse en aquello que pueda influir en la decisión de compra. Un catálogo mejor también sabe dónde necesita una respuesta.
Ahora bien, me gusta separar la venta real de la que el tablero cree ver. Una recomendación inteligente puede aumentar el ticket promedio y, al mismo tiempo, incrementar las devoluciones si empuja productos que no encajan con la necesidad. Por eso, cuando una empresa me dice que la IA le hizo vender más, le pido que mire la venta neta de devoluciones y la compare con la de un grupo equivalente que no recibió ese cambio. Ahí aparece una medida más confiable del impacto, que suele ser menos espectacular que la del anuncio y mucho más valiosa para el negocio.
A nivel de experiencia para el cliente, ¿en qué momentos de la compra se nota ya el impacto directo de la IA?
El cliente lo nota con más claridad después de pagar, y eso me parece muy revelador. Durante mucho tiempo toda la innovación se concentró en la vidriera, en seducir antes de la compra. Hoy, la diferencia la siente la persona que quiere saber dónde está su pedido a las once de la noche y recibe una respuesta precisa por WhatsApp, o la que necesita cambiar de talla y resuelve el trámite en una conversación en lugar de navegar por un laberinto de formularios. La posventa era el sótano de la experiencia y la inteligencia artificial la está convirtiendo en la planta baja.
Para distinguir una mejora real, comprobaría si el problema quedó resuelto. Un asistente puede contestar en segundos, cerrar la conversación y dejar al cliente exactamente donde estaba. Saber que un paquete se demoró ayuda; poder ofrecer una alternativa válida y cumplirla cambia la experiencia. Por eso mediría cuántas personas vuelven a contactar por el mismo motivo y si recibieron lo que se les prometió. La velocidad de respuesta tiene valor cuando acerca una solución, y pierde sentido cuando simplemente acelera una disculpa.
El otro momento en el que ya se percibe es la conversación previa a la decisión. Hay categorías en las que el comprador necesita asesoramiento, como electrónica, belleza o productos para el hogar, y un asistente bien entrenado puede desempeñar el rol del vendedor experto que antes solo existía en algunas tiendas físicas y en ciertos horarios. Lo interesante es que ese asesoramiento puede escalar manteniendo su calidad cuando está bien conectado con el catálogo y el inventario reales.
También hay que planificar bien el momento de pasar la conversación a otra persona. Si el comprador tiene que volver a explicar el caso, reenviar el comprobante y reconstruir lo ocurrido, la automatización se quedó a medio camino. Ese traspaso debería incluir el contexto necesario, las acciones realizadas y el compromiso pendiente. Y del otro lado tiene que haber alguien con capacidad para resolver. Human-Augmented AI implica que la tecnología prepara mejor la intervención humana cuando hace falta.
Y hay un momento que todavía es incipiente, pero que va a cambiar la conversación: cuando la persona delega parte de la compra a un agente. Ahí la experiencia deja de ser una sucesión de pantallas y pasa a ser una instrucción. Lo que eso exige de las marcas es enorme, porque el agente necesita comparar datos, condiciones y cumplimiento. La mejor experiencia, en ese mundo, es la que no se nota porque todo lo prometido simplemente ocurre.
Muchos hablan de personalizar cada interacción, pero ¿dónde está el límite entre ser útil para el comprador y resultar invasivo?
El límite lo marca una pregunta muy sencilla: ¿el cliente entendería por qué le estoy mostrando esto? Si la respuesta es afirmativa, la personalización puede percibirse como un servicio. Si la persona se queda pensando en cómo la marca supo algo que ella nunca dijo, cruzamos la línea. La diferencia radica en la distancia entre lo que el comprador cree haber compartido y lo que la empresa infiere de hecho.
Además de comprender lo que ocurre, el comprador necesita poder modificarlo. Elegir qué preferencias quiere compartir, corregir una suposición equivocada o dejar de recibir cierta recomendación debería ser tan sencillo como activarla. Un permiso escondido en una configuración que nadie encuentra sirve poco para construir una relación. La personalización gana legitimidad cuando la persona conserva la capacidad de decisión sobre su propia experiencia. Para la marca, esa posibilidad de corregir también ayuda a evitar insistir en algo que ya no tiene sentido.
Me gusta distinguir entre el contexto que el cliente declara y el que la empresa deduce. Si alguien me cuenta que busca un regalo, usar esa información para ayudarlo es de sentido común. Si deduzco un embarazo, una mudanza o una dificultad económica a partir de un patrón de compras y actúo en consecuencia sin que me lo haya dicho, estoy usando una inferencia que la persona puede no esperar ni querer que haga. Puede que la predicción sea correcta; justamente por eso resulta inquietante.
Y muchas veces podemos ser útiles con menos información. Para recomendar un regalo, basta con el presupuesto y el tipo de uso; no hace falta convertir esa consulta en una etiqueta permanente sobre la persona. Conviene distinguir lo que ayuda a resolver esta interacción de lo que merece conservarse para una próxima, y explicar esa diferencia. La capacidad de inferir algo no establece por sí sola la necesidad de hacerlo. Diseñar ese límite es parte de diseñar un buen servicio.
En el marco que uso para pensar la inteligencia artificial, esto se resuelve primero en el kernel moral de la empresa: el núcleo de criterios y reglas que orienta lo que la tecnología puede hacer. Jarvis puede calcular muchísimas cosas, pero es la organización la que define qué datos se usan, para qué y con qué permiso, y asume las consecuencias cuando se equivoca. Esas decisiones deben convertirse después en controles concretos dentro de la operación.
Esas reglas tienen que estar escritas antes de encender el motor de personalización, no después de la primera queja en redes sociales. La confianza del comprador es el activo que más tarda en construirse y el que más rápido se evapora. Ninguna conversión extra justifica perderla.
El comprador mexicano ha cambiado mucho en poco tiempo, ¿qué es lo mínimo que exige hoy cuando salta entre la tienda física y el celular?
Lo mínimo que exige es que la marca pueda reconocerlo como la misma persona cuando él así lo elige. Parece poco, pero es muchísimo. El comprador mexicano ya no piensa en canales; piensa en una marca. Cuando entra a una sucursal con el celular en la mano, mirando el producto que vio la noche anterior, espera entender cualquier diferencia entre el precio de la pantalla y el de la etiqueta, y que se respeten las condiciones que le ofrecieron.
Ahora bien, reconocer no debería implicar obligar a identificarse. Hay personas que quieren compartir su historial y otras que solo necesitan consultar o comprar sin abrir otra cuenta. La continuidad debe estar disponible cuando la persona la elija, con una explicación clara del beneficio. Por ejemplo, recuperar una compra para facilitar un cambio. Si pedir un dato añade una barrera que no ayuda a resolver la necesidad, conviene revisar para qué lo estamos solicitando y qué experiencia estamos construyendo.
La otra exigencia básica es que la información sobre la disponibilidad sea veraz. Pocas cosas destruyen tanto la confianza como manejar media hora hasta una tienda porque la aplicación decía que había stock y encontrarse con que no lo había. Esa experiencia no la recuerda como un error del sistema; la recuerda como una promesa rota por la marca. En un país con las distancias y el tráfico de las grandes ciudades mexicanas, el tiempo del cliente vale oro, y una marca que se lo hace perder paga ese costo en la siguiente compra.
Para cuidar esa promesa hay que distinguir entre una unidad registrada y una unidad que realmente podemos entregar. Puede estar reservada, pendiente de revisión o en venta en ese mismo momento. Una opción práctica es permitir la reserva, confirmar que el producto está listo y comunicar cuánto tiempo queda disponible para su retiro. Si no podemos asegurarlo, corresponde decirlo antes del traslado y ofrecer una alternativa. La precisión de esa conversación forma parte del servicio tanto como la atención en el local.
Y hay un tercer punto que hoy ya no es diferencial, sino piso: poder resolver la posventa donde a la persona le quede cómodo, con condiciones claras desde la compra. Si compró en línea y quiere devolver en tienda, o compró en tienda y quiere reclamar por WhatsApp, espera continuidad. Lo interesante es que estas exigencias dependen tanto de que las áreas compartan información, reglas y responsabilidades como de la tecnología que utilicen. El comprador no pide magia. Pide coherencia.
Para que toda esta tecnología no se quede en discurso de conferencia, ¿cómo se logra que una empresa la baje a su operación del día a día?
Lo primero es desconfiar del piloto eterno. Muchas empresas de la región tienen hoy una colección de pruebas de concepto de inteligencia artificial que funcionaron en una presentación y nunca llegaron a producción. Muchas veces el problema es que el piloto no tiene dueño en el negocio, no tiene una métrica que alguien esté obligado a mover y no tiene presupuesto para el día después del éxito. Un piloto sin dueño es un hobby corporativo.
Para salir del piloto, propongo escribir primero una pregunta verificable: qué proceso queremos mejorar, respecto de qué situación inicial y bajo qué condiciones decidiríamos avanzar o detenernos. El costo debe incluir la integración, la supervisión, la corrección de errores y el mantenimiento. Una herramienta puede ahorrar minutos y requerir más trabajo de revisión de lo que evitó. La prueba sirve cuando deja esa cuenta visible y permite decidir. Un resultado que aconseja detener una iniciativa también puede ser un buen uso del aprendizaje.
Bajar la tecnología a la operación significa que un gerente de negocio asuma, junto con el equipo tecnológico, que ese proceso va a funcionar de otra manera y responda por el resultado. También significa diseñar desde el inicio qué hará la gente cuando el agente se equivoque, porque se va a equivocar. Los rieles de control que definen hasta dónde decide la máquina y dónde interviene una persona son la condición para que el equipo se anime a confiar en la herramienta y la use de verdad.
Además, el equipo necesita tiempo y entrenamiento para trabajar de otra manera. No basta con otorgar acceso a una herramienta y esperar su adopción. Hay que practicar situaciones reales, aprender a revisar una respuesta y entender cuándo corresponde intervenir. También escuchar a quienes conocen las excepciones del proceso: suelen detectar límites que una demostración no muestra. Ese conocimiento operativo debe participar en el diseño. La capacidad humana que construimos en torno a la tecnología determina cuánto valor podremos sostener cuando aparezca el primer imprevisto.
Después viene la disciplina de la vuelta. En el automovilismo nadie mejora su tiempo cambiando todo el auto de una vez; mejora vuelta a vuelta, midiendo cada ajuste. Con la tecnología pasa lo mismo. La empresa que mide cada semana qué cambió, cuánto costó y qué aprendió va a construir una ventaja acumulada que ninguna compra de software puede reemplazar.
La transformación no ocurre en el escenario del evento. Ocurre el martes siguiente, en una reunión de operaciones que nadie va a fotografiar.
En el evento tienen un concurso de IA aplicada al comercio. ¿Qué tipo de soluciones reales te gustaría ver concursando?
Me gustaría ver soluciones aburridas, lo digo en serio. En la AI For Unified Commerce Competition quiero ver equipos que hayan abordado los problemas que no salen en las fotos: la conciliación de inventario entre la tienda y el almacén, la clasificación automática de devoluciones, el catálogo que se desordena cada vez que entra un proveedor nuevo, el fraude que se come el margen sin que nadie lo vea. Ahí está el dinero que las empresas pierden todos los días, y ahí es donde la inteligencia artificial puede generar un retorno demostrable.
Yo les haría una prueba adicional: sacar la solución del camino más cómodo. ¿Qué ocurre cuando falta un dato, cambia una condición comercial o se interrumpe una conexión? Me interesa ver si reconoce la incertidumbre, conserva lo que ya hizo y sabe cuándo detenerse para pedir ayuda. La madurez se manifiesta cuando el sistema puede manejar una excepción sin trasladar el problema al cliente. Ese comportamiento suele decir más sobre su preparación para operar que una demostración impecable.
También me interesa que las soluciones incluyan su historia completa. No solo el resultado final, sino también la situación con la que se compararon, lo que tuvieron que corregir en el camino y cuánta intervención humana sigue siendo necesaria para que funcionen. Un equipo que me muestra dónde falló su agente y cómo lo gobernó me da mucha más confianza que uno que me muestra una curva perfecta.
Parte de esa historia consiste en definir los límites: qué datos mínimos necesita la solución, cuánto trabajo requiere implementarla y quién la mantiene una vez que termina la demostración. También preguntaría qué tendría que cambiar para que funcionara en una segunda empresa. Resolver un problema en el primer cliente es un logro; poder explicar bajo qué condiciones puede repetirse permite evaluar su alcance. Me interesan equipos que conozcan esas condiciones y puedan transmitirlas con la misma claridad con la que muestran sus resultados.
Tengo una debilidad particular por las soluciones escalables para empresas medianas. La mayor parte del tejido comercial de México no son grandes cadenas, son negocios que venden en línea con equipos chicos y presupuestos acotados. Si una solución de IA solo funciona con un ejército de científicos de datos detrás, su impacto en el mercado será limitado. La que logre que un comercio mediano opere con mayores capacidades y conserve margen para elegir y evolucionar sus herramientas tiene, para mí, el premio moral asegurado.
Otro tema fuerte es la publicidad dentro de los propios sitios de comercio o retail media, ¿por qué se volvió tan fundamental para hacer rentables las ventas?
Porque le dio valor económico a algo que el retailer ya tenía y no siempre sabía convertir en una propuesta comercial. Cada visita puede aportar señales de interés que, combinadas con información de compra, ayuden a construir una propuesta relevante para las marcas. Ese espacio puede ser especialmente valioso por su cercanía a la decisión de compra y por la posibilidad de relacionar exposición y ventas; demostrar un efecto adicional requiere una medición específica.
Conviene ampliar la mirada porque el retail media también puede activarse fuera de la tienda digital, utilizando señales del retailer para las que existan permisos y condiciones de uso adecuados. En ambos casos hay que identificar al verdadero cliente de esa propuesta: qué marca paga, qué objetivo quiere alcanzar y qué evidencia recibirá. La ubicación del anuncio es una decisión de ejecución. El negocio empieza cuando existe una oferta concreta que resuelve una necesidad por la que alguien está dispuesto a pagar.
Eso es lo que yo llamo petrodatos: un yacimiento que estaba debajo de la operación y que, bien refinado, puede convertirse en una avenida de ingresos nueva.
Pero el yacimiento necesita una refinería económica. Una campaña puede atribuirse una compra que habría ocurrido de todos modos; por eso, además de reportar ventas, hay que estimar qué cambió gracias a la inversión. Y al ingreso del retailer hay que descontarle los medios, la tecnología, la operación, la medición y las eventuales compensaciones. Esa cuenta permite decidir si la propuesta merece repetirse. Como planteo en CommerceDataOS, facturar abre una posibilidad; demostrar valor adicional y conservar margen permite empezar a construir un negocio sostenible.
La razón por la que ganó tanta relevancia para la rentabilidad es que esos ingresos pueden tener una estructura de margen distinta a la de vender producto. Un retailer que opera con márgenes finos y costos logísticos crecientes encuentra en el retail media una línea que, cuando funciona económicamente, puede contribuir a financiar precios más competitivos o entregas más rápidas. Es lo que en mi saga CommerceDataOS en linkedin describo como Engine 2: una nueva propuesta de valor que nace del negocio principal y tiene su propia cuenta económica.
Asimismo, debo decir que la vidriera no es infinita. Si el comprador empieza a sentir que los primeros resultados de su búsqueda están ahí porque alguien pagó y no porque sean relevantes para él, el retailer está vendiendo la confianza que lo hacía valioso. El retail media sano mejora la experiencia de descubrimiento y hace transparente la presencia de la publicidad. Y en un mundo en el que agentes de IA van a comparar por nosotros, esa confianza será aún más importante.
Detrás de una pantalla siempre hay un paquete que mover, ¿cómo está ayudando la IA a resolver los dolores de cabeza de la logística y las entregas?
La logística es donde la inteligencia artificial deja de ser una conversación y se vuelve física. Y uno de sus mayores aportes ocurre antes de que el paquete se mueva: decidir dónde debe estar el producto antes de que alguien lo compre. Una empresa que anticipa mejor la demanda por zona puede ubicar el inventario cerca de donde se va a vender, y eso cambia todo lo que viene después. Tener el producto cerca puede reducir kilómetros, tiempos y costos, siempre que esa decisión mejore el resultado de la red en su conjunto.
Ahora bien, acercar inventario también inmoviliza capital y puede multiplicar los puntos en los que la mercadería queda sin vender. La decisión debe considerar la red completa: disponibilidad, capacidad de preparación, ocupación del transporte y el costo de mantener existencias. A veces convendrá servir desde una tienda; otras, consolidar desde un centro de distribución. Lo interesante es poder explicar esa elección y revisarla cuando cambian las condiciones. Optimizar un recorrido aislado puede empeorar el resultado del conjunto.
En un país con la geografía de México, con megaciudades de tránsito impredecible y regiones donde la última milla sigue siendo un desafío, la IA también está ayudando a algo que considero decisivo: prometer con honestidad. Muchas ventas se pierden en el checkout porque el plazo de entrega es vago o demasiado largo, y muchas quejas surgen porque la fecha prometida era optimista. Un modelo que calcula una fecha realista para cada código postal, con la capacidad real de la red en ese momento, ayuda a convertir la promesa de entrega en un argumento de venta y a reducir una fuente de reclamos.
Además, cada entrega fallida y cada devolución deberían alimentar la siguiente decisión. Si una categoría vuelve porque la descripción genera expectativas equivocadas, el aprendizaje tiene que llegar a catálogo y compras; si el problema aparece en una zona, debe llevarnos a revisar la promesa de servicio. Esa conexión convierte la logística en una fuente de conocimiento del negocio. Propongo también mirar cuánto tarda la organización en corregir una causa recurrente tras detectarla: ahí se juega buena parte del aprendizaje operativo.
Hay un terreno menos visible donde el impacto puede ser enorme: la logística inversa. Las devoluciones son uno de los principales agujeros de margen en el comercio digital. Cuando la IA ayuda a decidir si un producto devuelto vuelve a stock, se reacondiciona o se liquida, y a hacerlo cerca del cliente cuando resulta conveniente, la empresa puede recuperar dinero que antes daba por perdido. Detrás de cada pantalla hay un paquete, sí. Y detrás de cada paquete hay una decisión que se puede tomar mejor.
En el momento del pago, que suele ser donde se caen muchas ventas, ¿qué innovaciones están marcando la diferencia para que el cliente cierre la compra?
La innovación que más ventas está impulsando es la que respeta cómo realmente paga la gente. México tiene una cultura de pago propia, donde conviven los meses sin intereses, las transferencias inmediatas y una porción importante de compradores que todavía prefieren pagar en efectivo en una tienda de conveniencia. Una marca que copia el checkout de otro mercado y solo ofrece tarjeta de crédito les está cerrando la puerta a muchos clientes en el tramo final. La tropicalización del pago no es un detalle técnico; es una decisión comercial.
Hay otra mejora que considero muy concreta: gestionar mejor la incertidumbre tras apretar el botón de pago. Cuando la pantalla se congela, el cliente necesita saber si la operación quedó confirmada, pendiente o rechazada y qué debe hacer a continuación. El sistema debería consultar ese estado antes de invitarlo a repetir el intento, para evitar cobros duplicados. Una notificación clara y un seguimiento constante pueden preservar una relación que se pierde cuando la empresa deja al comprador a la deriva respecto de lo ocurrido.
El segundo gran cambio está en la prevención del fraude, y acá la inteligencia artificial tiene un rol que muchas veces miramos de manera incompleta. Solemos medir cuánto fraude se evitó, pero rara vez medimos cuántos clientes legítimos fueron rechazados por un sistema demasiado desconfiado. Ese rechazo es una venta perdida y, muchas veces, un cliente que no vuelve. Los modelos que evalúan el riesgo con mayor contexto buscan aprobar más operaciones legítimas, manteniendo controlada la exposición al fraude. Hay que mirar ambos resultados juntos.
Con los agentes aparece una distinción decisiva: verificar quién es una persona y comprobar qué permitió hacer son preguntas diferentes. Reconocer mi identidad no implica haber autorizado ninguna compra. La autorización debe vincularse a una acción concreta y puede consultarse posteriormente si surge una discrepancia. También debe ser sencillo detener lo que aún no se ejecutó y saber cómo reclamar por lo que ya ocurrió. Esa claridad ayuda a que la automatización sea comprensible para quien pone el dinero.
Mirando un poco más adelante, el pago va a tener que prepararse para que no siempre lo ejecute una persona frente a una pantalla. Cuando un agente compre en nombre de alguien, vamos a necesitar mandatos claros: hasta qué monto puede decidir, en qué comercios, con qué medio y bajo qué condiciones puede cancelarse o reclamarse una operación. La industria de pagos que resuelva esa confianza delegada va a definir buena parte del comercio de la próxima década.
Mirando el evento, ¿qué aporta esta alianza entre el eCommerce Institute y la AMVO para el desarrollo del sector en México?
Aporta algo que ninguna de las dos instituciones podría lograr por separado: una conversación que es profundamente mexicana y, al mismo tiempo, regional. La AMVO conoce el mercado desde adentro, mide su evolución año tras año y representa a las empresas que lo están construyendo. Desde el eCommerce Institute aportamos la mirada de toda Latinoamérica, lo que está funcionando en otros mercados y los errores que otros ya cometieron y que México se puede ahorrar.
También veo una oportunidad para construir un lenguaje compartido. A veces, dos empresas dicen “conversión”, “rentabilidad” o “autonomía” y están midiendo cosas distintas; entonces intercambian resultados que parecen comparables y no lo son. Un espacio entre instituciones puede ayudar a explicitar esas diferencias y formular mejores preguntas. Cuando entendemos qué incluye una cifra, bajo qué condiciones se obtuvo y qué quedó fuera, el conocimiento circula con mayor utilidad y las decisiones cuentan con una base más sólida.
Esa combinación es valiosa porque la región aprende mal cuando copia y bien cuando adapta. Una práctica que funcionó en Brasil o en Argentina no se traslada tal cual a México; necesita tropicalización, ajustarse a otra cultura de pago, a otra geografía logística, a otro comprador. La alianza con la AMVO permite que esa adaptación ocurra con datos locales y con la voz de quienes operan acá, en lugar de importar recetas.
El impacto de una alianza se prolonga cuando alguien lleva lo aprendido a su equipo y lo convierte en una práctica. Es la lógica que desarrollamos con los libros vivos de Génesis de un Futuro Digital: documentar decisiones, condiciones y aprendizajes para que puedan consultarse, discutirse y actualizarse. Cada empresa aporta experiencia y recibe criterios que puede adaptar. Así, el conocimiento deja de depender de que una sola persona haya estado presente y empieza a convertirse en una capacidad compartida.
También hay un valor institucional que me parece importante subrayar. Un sector que quiere que lo tomen en serio necesita espacios donde pueda pensarse a sí mismo, discutir sus reglas y ponerse de acuerdo sobre cómo quiere crecer, sobre todo en un momento en el que la inteligencia artificial abre preguntas de gobernanza que ninguna empresa puede responder por sí sola. Trece ediciones después, eRetail Day Latam es eso: un lugar donde la industria mexicana se encuentra, se mide frente a la región y vuelve a casa con más criterio del que tenía al llegar.
En las mesas de trabajo entre directivos y líderes del sector, ¿cuáles crees que van a ser las preocupaciones principales que salgan a la mesa?
Intuyo que la preocupación de fondo será la responsabilidad. Cuando un agente de inteligencia artificial cambia un precio, aprueba una devolución o le promete algo a un cliente, ¿quién responde si sale mal? Esa pregunta, que hace dos años parecía teórica, hoy está llegando a los directorios de las empresas de la región. Los líderes necesitan entender qué ocurre que la tecnología funciona de manera distinta a lo esperado y quién tiene autoridad para intervenir.
Sumaría una pregunta sobre la dependencia: ¿qué margen de decisión conserva la empresa si su proveedor cambia el modelo, las condiciones de servicio o el precio? Cuando una capacidad se vuelve importante para operar, también hay que entender cómo sustituirla y qué información se puede recuperar. Propongo que esa conversación se lleve a cabo antes de ampliar el despliegue. La continuidad del negocio necesita alternativas conocidas y responsables preparados para activarlas cuando una dependencia deja de funcionar como esperábamos.
Creo que la conversación sobre la rentabilidad bajo presión va a cobrar mucha fuerza. Los directivos vienen de años de inversión para crecer y hoy sus consejos les piden que ese crecimiento se traduzca en resultados. Eso obliga a revisar las inversiones tecnológicas que se hicieron por entusiasmo y a exigir que cada nueva iniciativa muestre su cuenta de costos completa, incluyendo lo que cuesta sostenerla.
Y llevaría esa discusión al próximo peso que vamos a invertir. Puede convenir ampliar una iniciativa, corregir una condición que la frena, financiar una medición o cerrar una prueba que ya agotó su aprendizaje. Son decisiones distintas y todas requieren evidencia. Haber invertido mucho en una tecnología no demuestra que merezca recibir más capital. El directorio tiene que poder revisar sus apuestas sin convertir cada cambio de rumbo en una derrota personal para quien impulsó el proyecto.
Estoy convencido de que en esas mesas se va a hablar de personas más que de sistemas. ¿Qué perfiles necesita una organización que trabaja con agentes, cómo se rediseñan los roles sin perder el conocimiento de quienes conocen la operación de memoria, cómo se construye una cultura que se anime a probar sin castigar el error. En el eLíderes Forum del día 16 la conversación va a tener foco en logística, operaciones e innovación, pero sospecho que casi cada tema va a terminar en la misma pregunta: ¿está mi organización preparada para gobernar lo que ya compró? Esa es la conversación que vale la pena tener a puerta cerrada.
También van a llevar a los asistentes a conocer las operaciones por dentro en el Retail Discovery, ¿por qué es tan distinto ver la tecnología funcionando en campo que escucharla en una presentación?
Porque una presentación muestra el resultado y el campo muestra las costuras. En un escenario, todo funciona: la diapositiva tiene la curva ascendente, el caso tiene un final feliz y el tiempo no alcanza para las preguntas incómodas. Cuando uno entra a una operación real ve cosas que ninguna presentación incluye, como la persona que corrige a mano lo que el sistema no resolvió, el papel pegado en el monitor con una instrucción que no está en ningún manual o el cuello de botella que aparece a las cinco de la tarde cuando entran todos los pedidos juntos.
Yo pediría observar qué cambia cuando aumenta la demanda o falta una persona clave. Cuánto crece la espera, qué tarea se posterga y cómo decide el equipo a qué atender primero. También preguntaría si lo que vimos corresponde a un día habitual o a una situación particular. Esa lectura del contexto permite dimensionar mejor una solución y reconocer las capacidades humanas que la sustentan. Una visita gana en profundidad cuando muestra cómo responde la operación ante exigencias diversas.
Esas costuras son precisamente lo más valioso para un directivo que quiere replicar algo en su empresa. Le permiten entender cuánto esfuerzo humano hay detrás de un proceso que parece automático, qué condiciones previas hicieron posible el resultado y qué partes todavía están en construcción. Sin ese contexto, es muy fácil volver a la oficina con una expectativa irreal y frustrarse a los tres meses.
Ese trabajo de compensar lo que todavía falla merece ser documentado junto con quienes lo hacen. Muchas veces contiene criterio acumulado a lo largo de años: reconocer una excepción, anticipar un reclamo o saber a quién consultar. Antes de automatizarlo, hay que entenderlo y decidir qué parte conviene convertir en una regla y cuál requiere juicio humano. Si ese conocimiento se incorpora al diseño, el equipo puede dejar de resolver siempre la misma urgencia y concentrarse en situaciones que requieren su experiencia.
El Retail & Commerce Discovery tiene, además, algo que valoro mucho: pone al visitante a conversar con quien opera todos los días, no solo con quien presenta. El jefe de turno de un centro de distribución sabe cosas que no figuran en ningún reporte trimestral. Escuchar cómo resolvió un problema concreto, con sus palabras y sus atajos, vale más que cualquier caso de estudio pulido. La tecnología se entiende mejor cuando se la ve trabajar con el ruido de fondo de una operación real.
Si los asistentes al Auditorio BB solo pudieran quedarse con una tarea para aplicar al regresar a sus oficinas, ¿cuál debería ser?
Que compren en su propia empresa como si fueran clientes cualquiera. Sin avisar a nadie, sin usar su usuario de empleado, sin atajos. Que busquen un producto en el celular, lo reserven para retirar en tienda si esa opción está disponible, vayan a buscarlo y después intenten gestionar un cambio por otro canal. Ese recorrido, que al cliente le lleva una tarde, suele mostrarle a un directivo verdades sobre su negocio que no figuran en los reportes.
Después tomaría ese recorrido como una hipótesis de trabajo. Mi experiencia puede revelar una falla, pero aún no indica con qué frecuencia ocurre ni a cuántos clientes afecta. La contrastaría con reclamos, pedidos recientes y la mirada de quienes atienden cada día. Distinguiría una condición comercial informada de una contradicción entre lo prometido y lo recibido. Así, una observación personal se convierte en una pregunta investigable y ayuda a elegir qué problema vale la pena resolver primero.
Lo importante es hacerlo con libreta en mano y anotar cada punto en el que la promesa se rompe: el precio que contradice la oferta, el stock que no estaba disponible, el vendedor que no tenía información, el mensaje que nunca llegó. Cada una de esas fricciones puede estar generando pérdidas que todavía no vemos; hay que comprobar con qué frecuencia ocurre y qué impacto tiene. Muchas tienen un dueño interno que probablemente no conoce el problema completo, porque su tablero mide el área y no el recorrido del cliente.
Para la fricción elegida, prepararía una ficha sencilla de experimento: cuál es la situación inicial, qué vamos a cambiar, quién responde y qué evidencia nos permitirá evaluar el resultado. También incluiría una medida que nos advierta si la mejora genera un problema en otro lugar; por ejemplo, si resolver más rápido aumenta los errores o los costos. Con esa información, el equipo puede realizar una prueba breve y tomar una decisión concreta: mantener el cambio, corregirlo o detenerlo.
Mi propuesta es que lo hagan en las primeras 72 horas después del evento, mientras la conversación todavía está fresca, y que elijan una sola de esas fricciones para resolver, con el nombre y apellido de un responsable y una fecha. No hace falta un proyecto de transformación para empezar. Hace falta mirar el negocio con los ojos de quien paga. Todo lo demás, incluida la inteligencia artificial, se ordena a partir de ahí.
Pensando a futuro, cuando la IA y la integración de canales sean la norma, ¿cómo te imaginas que vamos a comprar en unos años?
Me imagino que vamos a comprar mucho y a ir de compras mucho menos. El comercio electrónico tal como lo conocimos está empezando a transformarse, y lo digo en un sentido evolutivo. Lo que veo venir es la convergencia del comercio unificado, el colaborativo y el conversacional en una experiencia en la que la pregunta de si una compra fue online u offline sonará tan antigua como preguntar si una llamada fue por línea fija.
Lo pienso como un escenario posible, cuya velocidad dependerá de varias condiciones: confianza, costos accesibles, información confiable y operaciones capaces de cumplir con lo que los agentes acuerden. La adopción también puede avanzar de manera desigual entre categorías y personas. Habrá quienes deleguen la reposición habitual y prefieran conversar con alguien para resolver una compra compleja. Prepararse para ese futuro exige ofrecer distintas formas de participar y aprender, que las personas eligen cuando tienen opciones reales.
Buena parte de las compras rutinarias podrá resolverla un agente que conozca nuestras preferencias, nuestro presupuesto y nuestros límites. Muchas personas agradecerán que alguien se encargue de reponer el detergente. En cambio, las compras que tienen significado, las que implican descubrir, elegir o regalar, van a seguir siendo profundamente humanas, y probablemente más valiosas que nunca. Las marcas van a tener que competir en dos frentes al mismo tiempo: ser una opción que un agente pueda evaluar porque sus datos son confiables y su promesa se cumple, y ser la marca que una persona elige porque le genera algo que ningún algoritmo puede reemplazar.
Y delegar debería poder ajustarse con la misma facilidad con la que cambian nuestras prioridades. Hoy puedo buscar el menor precio y mañana valorar más la reparación, la cercanía o el plazo de entrega. El agente necesita trabajar con esos criterios y permitir que recupere el control. Me interesa un futuro en el que cada persona pueda decidir qué conservar en sus manos, qué encargar y bajo qué condiciones. La calidad de esa elección importa tanto como la comodidad que ofrece.
En ese escenario creo en lo que llamo Human-Augmented AI. La tecnología va a amplificar nuestra capacidad de decidir, pero el propósito, los límites y la responsabilidad siguen siendo nuestros. Las empresas que ganen serán las que hayan construido la confianza suficiente para que las personas les deleguen decisiones con criterios claros. El futuro del comercio se va a medir por la calidad de las decisiones que podamos tomar y delegar, con confianza y con la posibilidad de recuperar el control.
