5 errores comunes al usar AI Visibility en retail

22/11/2026

5 errores comunes al usar AI Visibility en retail

Una mañana del mes pasado, me encontré frente a la tienda de abarrotes en el casco antiguo de Hanói. El dueño, Trung, de 45 años, contaba cada lata de refresco en el estante a simple vista. Me dijo que quería usar AI Visibility para saber qué compraban los clientes, pero temía que el software "leera" mal las cantidades solo porque la luz fluorescente de la tienda era un poco tenue.

5 errores comunes al usar AI Visibility en retail
Clip ilustrativo (en inglés) preparado por el equipo de AIVISION.

Historias como esta se repiten al asesorar a cadenas de venta minorista de tamaño mediano y pequeño, desde Ciudad de Ho Chi Minh hasta Manila o Bangkok. Muchos empresarios aún creen que la Visión por Computadora es un ojo mágico que automatiza todo sin necesidad de personas. La realidad es distinta. A continuación, presento 5 malentendidos comunes que hacen que la puntuación de exhibición (display scoring) falle o sea menos eficiente de lo esperado.

Malentendido 1: Las cámaras automáticas eliminarán por completo al personal de verificación

Muchos creen que al instalar un sistema de IA, pueden despedir al equipo de supervisores de exhibición (merchandisers) o a los responsables de control. Este es el error más peligroso.

En los proyectos en los que he participado, la IA procesa datos a una velocidad extremadamente rápida; según vtraks.com, la precisión alcanza el 99,97% y el procesamiento toma menos de 1 segundo por imagen. Pero la IA no puede reemplazar la decisión humana ante situaciones excepcionales. Por ejemplo, si un estante se cae por descuido de un cliente, la IA lo identifica como "no conforme al planograma" y envía una alerta. Pero ¿quién planificará la reparación? ¿Un empleado local o el equipo técnico? Si no hay un proceso de respuesta claro, los datos de la IA son solo números estáticos en el tablero de control.

La solución es considerar la IA como una herramienta de apoyo a la decisión, no como ejecutora. Establezcan un proceso: la IA detecta el problema -> Envía una alerta a través de Zalo o Telegram -> El empleado confirma y resuelve -> Se registra el resultado. Esta cadena aún requiere personas en ambos extremos.

Malentendido 2: Un solo conjunto de cámaras para todos los tipos de productos

Algunos dueños de cadenas creen que al comprar un paquete de software de Visión por Computadora, pueden usarlo para refrescos, golosinas y cosméticos. En la realidad, cada categoría de producto tiene características visuales diferentes.

El reconocimiento de SKU (Unidad de Mantenimiento de Inventario) requiere que el sistema "entienda" la diferencia entre dos cajas de leche de la misma marca pero con sabores distintos, o dos botellas de champú con el mismo empaque pero diferente capacidad. Si no se entrena el modelo específicamente para cada categoría de producto, la precisión disminuirá significativamente.

En un proyecto en Tailandia, una cadena de tiendas quería usar un modelo común para productos frescos y secos. El resultado fue que el sistema confundía las verduras de hoja verde debido a los cambios de luz en la nevera. La consecuencia fue un informe de inventario inexacto, lo que llevó a compras excesivas y desperdicio. La lección es que se debe ajustar el modelo de reconocimiento según la categoría de productos específica de la cadena. No ahorren costos de entrenamiento inicial para pagar un precio alto después.

El papel de los datos de entrada

La calidad de la salida depende 100% de la calidad de la entrada. Las fotos tomadas con el celular del empleado deben tener suficiente luz y un ángulo de toma correcto. Si la imagen está borrosa o recortada, la IA tendrá dificultades. Por lo tanto, capacitar a los empleados sobre cómo tomar fotos correctas es un paso que no se puede omitir, aunque tome tiempo.

Malentendido 3: AI Visibility solo sirve para contar cantidades

Muchos piensan que la función principal de la IA es contar cuántos productos quedan en el estante. Esta es una simplificación excesiva.

El valor real está en la puntuación de cumplimiento del planograma. No solo necesitan saber cuántas latas hay, sino también si la posición de esa lata cumple con las regulaciones del fabricante. Por ejemplo, Coca-Cola o PepsiCo (socios de AIVISION en este campo) tienen regulaciones estrictas sobre la ubicación de exhibición de productos. Si su producto está en una posición "dorada" pero es apretado u oculto por la competencia, las ventas disminuirán.

Los sistemas de IA modernos no solo cuentan, sino que también comparan la imagen real con el archivo de planograma estándar. Indican cuál es el porcentaje de cumplimiento. Este es un dato importante para negociar con el minorista o evaluar el desempeño del equipo de ventas. Si se limitan solo a contar cantidades, están perdiendo el 80% del valor de esta tecnología.

Malentendido 4: Al finalizar la implementación, los resultados son inmediatos

Este es el malentendido más común en la etapa inicial. Muchos empresarios esperan que, desde la primera semana, el tablero de control muestre todos los datos con una precisión del 100% y que los ingresos aumenten drásticamente.

En la realidad, el proceso de implementación de la IA necesita tiempo para "limpiar" los datos. En la etapa inicial, el sistema tendrá pequeños errores porque aún no se acostumbra al contexto específico de la tienda (color de las paredes, tipo de luces, ángulo de los estantes). Se necesitan aproximadamente 1 a 2 meses para que el sistema aprenda por sí mismo y alcance la estabilidad deseada.

Durante este tiempo, es necesario que alguien supervise y ajuste. Si se deja sin atención, la precisión no mejorará. Consideren la etapa inicial como tiempo de calibración, no como espera pasiva. Establezcan expectativas realistas: en los primeros 3 meses, el objetivo es reducir el 20-30% del tiempo de verificación manual, no automatizar por completo.

Malentendido 5: El costo del software es el único costo fijo

Muchas personas solo miran el precio de la licencia del software mensual y olvidan los costos ocultos.

Hay costos adicionales como: el costo de ancho de banda de internet si se usa la nube, el costo de almacenamiento de datos de imágenes, el costo de capacitación de empleados y el costo de mantenimiento de cámaras. Algunos sistemas requieren hardware específico, mientras que otros (como AIV Camera) pueden reutilizar cámaras IP existentes, lo que ayuda a ahorrar significativamente los costos de inversión inicial.

Antes de firmar el contrato, enumeren todos los costos relacionados. No se sorprendan con la factura final. Un plan financiero claro les ayudará a mantener el sistema a largo plazo sin la presión de recortar personal o cancelar el contrato a mitad de camino.

La tecnología de AI Visibility y display scoring está cambiando la forma en que operan las cadenas de venta minorista. Pero la tecnología es solo una herramienta. El éxito depende de cómo entiendan correctamente su naturaleza y construyan un proceso adecuado. Comiencen pequeño, hagan las cosas bien y expandan gradualmente. Ese es el camino más sostenible para las empresas de tamaño mediano y pequeño en esta era de digitalización.

AIVISION acompaña a empresas en México y Asia con soluciones de IA en producción. Agenden una llamada para ver si encaja con su caso.

Artículos relacionados

Ver todos los artículos