Cosmonaut
Textura abstracta de humo o polvo naranja encendido sobre fondo negro, sin figura reconocible, del fondo visual de la casa.

La IA sirve en la trastienda, no en la portada

La inteligencia artificial rinde donde hay volumen y repetición —catálogos, fichas, datos sucios—, no en un chat de portada que casi nadie abre. Dónde funciona, dónde exige revisión humana y por qué un prototipo vale más que una demo.

WhatsAppLinkedInX
David Ramírez · Troubleshooter

Es un pedido que recibimos seguido: un chat para el home que salude al visitante, responda preguntas y tenga una animación bonita al abrirse. La primera pregunta que hacemos es cuántas visitas tiene el sitio al mes. Cuando la respuesta no llega a mil, el chat va a atender, con suerte, a dos o tres personas por semana.

En el mismo proyecto había un catálogo de casi cuatro mil referencias, con fichas escritas por tres personas distintas a lo largo de cinco años: títulos inconsistentes, medidas en unidades diferentes, descripciones copiadas del proveedor y pegadas sin revisar. Nadie había pedido ayuda con eso. Era el trabajo aburrido, el que no sale en ninguna presentación.

Ahí es donde la inteligencia artificial rinde de verdad. No en la ventana que saluda al visitante, sino en las cuatro mil fichas que nadie tenía tiempo de arreglar.

El chat de la portada casi nunca lo abre nadie

Casi todos los proyectos de IA que nos llegan empiezan igual: quieren un chat en el home, un asistente que salude al visitante, un generador de imágenes vistoso en la ficha de producto. Es la parte que se ve en una reunión y convence en cinco minutos de presentación. El problema aparece cuando revisamos la analítica de sitios que ya tienen ese chat instalado: el uso real suele ser mínimo, unas pocas conversaciones a la semana en sitios que reciben miles de visitas al mes.

Un chat mal entrenado, además, contesta cosas que no debería: precios que ya cambiaron, existencias que ya no hay, condiciones que el equipo legal nunca aprobó. Cuando eso pasa, el costo no es solo el desarrollo del chat. Es la corrección después, y la desconfianza que deja en quien preguntó.

El volumen de verdad está en la trastienda

Un catálogo grande, escrito por distintas personas durante años, tiene títulos inconsistentes, medidas en unidades distintas y descripciones copiadas del proveedor sin revisar. Nadie pide ayuda con eso en la primera reunión, pero es donde vive el trabajo repetitivo real: horas de una persona copiando y pegando datos entre un PDF de ficha técnica y una hoja de cálculo.

Ahí la IA rinde de verdad, porque el trabajo es mecánico y hay volumen suficiente para que el ahorro se note. Tareas típicas que sí compensa automatizar:

  • Normalizar medidas, materiales y unidades entre proveedores distintos
  • Generar la primera versión de una descripción a partir de una ficha técnica
  • Clasificar productos por categoría cuando el catálogo creció sin orden
  • Detectar fichas duplicadas, incompletas o con datos contradictorios
  • Extraer datos de PDFs de proveedor a un formato que se pueda usar

Un texto de IA es un borrador, no una ficha lista para publicar

El flujo que nos funciona tiene siempre el mismo orden: la IA genera una primera versión —de una descripción, una clasificación, un resumen— y una persona del equipo la revisa antes de publicar. No es un paso opcional. Un modelo puede inventar una medida, confundir un material o repetir un dato viejo que ya cambió, y en una ficha de producto eso termina en una devolución o un reclamo.

Llevamos más de 10 años en el oficio armando flujos de este tipo, y la conclusión no cambia: donde hay repetición, gana la máquina; donde hay una decisión de tono, precio o marca, gana la persona que revisa. El ahorro está en que esa persona ya no escribe desde cero, escribe corrigiendo.

Un prototipo que el equipo prueba pesa más que una demo bonita

Preferimos entregar algo que el equipo pueda abrir con sus propios datos, aunque la interfaz esté sin pulir, a una demo con datos de ejemplo que impresiona en la reunión y no vuelve a abrirse. Un prototipo cargado con las fichas reales del cliente muestra en la primera hora dónde falla el flujo: qué campos faltan, qué formato no encaja, qué caso nadie había previsto.

Esa fricción temprana es la parte útil. Una demo pulida oculta justamente lo que hace falta ver antes de decidir si vale la pena construir la herramienta completa.

Lo que sale caro y lo que todavía no funciona bien

No todo compensa. Limpiar un catálogo con datos muy sucios cuesta, en tiempo de dirección y revisión, más de lo que parece al principio: alguien tiene que definir las reglas antes de que la IA las aplique en volumen. Generar imágenes fotorrealistas de un producto real, no una ilustración genérica, exige dirección visual y control de marca que no sale solo con un prompt.

Antes de empezar, vale la pena admitir dónde está el límite:

  • Fichas técnicas con medidas o normativas exigen revisión humana siempre
  • Imágenes de producto real piden dirección visual, no un prompt suelto
  • Un catálogo con datos muy sucios cuesta más de limpiar con IA que de ordenar una vez a mano
  • El volumen alto sin revisión produce textos genéricos que también penaliza el buscador
  • No hay atajo para el tono de marca: esa parte todavía la fija una persona

Si hay un catálogo con fichas viejas, una hoja de cálculo con datos sucios o un proceso donde alguien copia y pega lo mismo cada semana, ahí es donde vale la pena probar. No hace falta un piloto grande: toma un lote pequeño, arma el flujo con una revisión humana en el medio y mide cuánto tiempo real le quita a la persona que hoy lo hace a mano. Si el ahorro se nota ahí, se escala. Si no, se sabe rápido y sin haber construido nada de más. Así empezaron las herramientas del Colectivo Aquí y Ahora: un proceso a la vez.

[·] Hablemos

¿Quieres profundizar en algo de esto?

Cuéntanos en qué estás trabajando y te respondemos con una primera lectura del caso.

Respondemos en menos de un día hábil.

Nos ayuda a recomendarte lo que te sirve.