AI Visibility en México: Datos y realidad en tienda

04/10/2026

Expectativas y realidad en la frontera

Cuando comenzamos a hablar sobre la implementación de AI Visibility y el puntaje de exhibición (display scoring) en México, la mayoría de las reuniones seguían un guion familiar. Se esperaba que, al instalar cámaras de IA en pequeñas tiendas de abarrotes en la región central, el sistema "entendiera" automáticamente todo y proporcionara cifras absolutamente precisas. Esa expectativa suele ser muy alta, a veces idealizada. La realidad fue muy diferente. No vimos un panorama limpio desde el inicio. En cambio, encontramos una serie de problemas de iluminación, ángulos de captura y desorden en la disposición de los productos que ningún documento técnico describía por completo.

Lo primero que hizo que el equipo técnico se reuniera fue la distancia cultural en los datos. En Vietnam, al trabajar con socios como Masan o Meat Deli, estábamos acostumbrados a cierto nivel de estandarización en la cadena de suministro. En México, especialmente en el sector de tiendas pequeñas (mom-and-pop stores), la forma de exhibir los productos depende mucho de la intuición del dueño. Hay días en que los estantes están llenos y otros en que están vacíos. Si se aplican exactamente los mismos criterios de puntaje rígidos de otro mercado, el sistema de IA reportará errores constantemente. Eso no es un error de software, sino un error de expectativa.

Antes, durante y después de activar la cámara

El proceso de implementación no es lineal. La fase "antes de empezar" ocupa la mayor parte del tiempo y es la más propensa a ser ignorada. Dedicamos varias semanas a recopilar datos de imágenes reales de los propios puntos de venta en México. El objetivo no era entrenar el modelo de inmediato, sino "leer" el mercado. Descubrimos que una parte considerable de las imágenes fallaban debido a la luz solar directa sobre el vidrio de la vitrina. En Vietnam, este problema era menos común debido a la arquitectura de las tiendas y los hábitos de instalación diferentes. Esto nos obligó a ajustar el algoritmo de procesamiento de imágenes, especialmente el balance de blancos y la reducción de ruido, para que la IA no quedara "ciega" ante la luz intensa.

En la fase "durante la ejecución", el mayor desafío fue la infraestructura de red. Internet en algunas áreas de México no es tan estable como en las grandes ciudades de Asia Oriental. La solución que aplicamos, similar a la que usamos al acompañar a empresas del sector de lubricantes en Vietnam, fue permitir que el dispositivo funcionara sin conexión y sincronizara los datos cuando hubiera red. La cámara de IA registra el evento, lo guarda localmente y solo lo envía al servidor cuando la conexión es lo suficientemente fuerte. Esto evita la pérdida de datos por cortes de internet, el principal enemigo de las soluciones de monitoreo remoto.

La fase "después de la operación real" es cuando el problema se vuelve interesante. El sistema comenzó a emitir puntuaciones de exhibición. Sin embargo, más allá del número, lo importante es cómo el sistema apoya al equipo de supervisión. La IA puede ayudarles a detectar errores pequeños que los humanos suelen pasar por alto, como la colocación de productos que no cumple con el planograma pero que sigue siendo visible para el cliente. Ese es el verdadero valor de la AI Vision: no reemplaza a las personas, sino que amplía su visión. Con un procesamiento de menos de 1 segundo por imagen, los gerentes pueden revisar el estado de la tienda casi en tiempo real, en lugar de esperar el informe de fin de semana.

Lo medible y lo que aún no se puede resolver

Medir la eficacia en este proyecto no se basa solo en la precisión del algoritmo. Seguimos el indicador de "tasa de intervención exitosa". Es decir, cuando el sistema alerta sobre un estante sin producto, ¿el equipo de ventas logra corregirlo? Las alertas tempranas de la IA pueden reducir significativamente el tiempo de detección de errores en comparación con el método manual. Sin embargo, hay que ser claros: la IA no puede resolver todos los problemas. Hay situaciones en las que la cámara no puede distinguir entre un producto agotado y uno oculto por un objeto extraño no relacionado. Estos casos aún requieren la intervención humana o un proceso de verificación adicional.

El punto clave es la integración de AI Visibility en el proceso operativo. Si solo hay hardware y software sin cambios en la forma de trabajo del equipo, la eficacia no será sostenible. Hemos visto a muchas empresas invertir en tecnología pero fracasar por no reentrenar al personal. En México, tuvimos que trabajar de cerca con los supervisores para asegurarnos de que entendieran el significado de cada puntuación y supieran cómo actuar basándose en esos datos.

Compromisos y próximos pasos

Si lo hiciéramos de nuevo, haríamos algunas cosas de manera diferente. Invertiríamos más en la estandarización de los datos de entrada. Exigir a los dueños de tiendas que sigan una regla de fotografía o instalación de cámaras específica ayudaría a reducir significativamente los errores del sistema. Sin embargo, esto requiere paciencia y negociación cuidadosa; no se puede imponer de forma mecánica. Además, consideraríamos implementar AI Office para apoyar a los equipos de oficina en el análisis de informes de AI Visibility. Actualmente, consolidar datos de miles de tiendas sigue consumiendo mucho tiempo. Un asistente de IA podría resumir los problemas principales y proponer soluciones directamente en el correo electrónico o en el informe de Excel, aliviando la carga de los gerentes.

La expansión a otros mercados como Filipinas o Tailandia continuará enfrentando desafíos similares, pero con matices propios. Cada mercado es un problema único de cultura de venta minorista e infraestructura. La lección aprendida es: no vean la IA como un milagro. Consideren una herramienta que debe ser nutrida con datos de calidad y procesos operativos estrictos. AIVISION ha acompañado a muchas empresas vietnamitas en este viaje, y la experiencia acumulada de mercados exigentes como México será la base importante para que sigamos desarrollando soluciones de AI Vision adecuadas al contexto global. El camino por delante sigue siendo largo, y la humildad ante los datos reales siempre es el factor clave para llegar lejos.

Vtraks es la aplicación de AIVISION que reúne AI Camera, AI Visibility y AI Office en un solo lugar. Pruébela en App Store, o lee más otros artículos de AIVISION.