Checklist AI Visibility: Verifique stock antes de implementar

07/10/2026

Situación en el almacén y el problema de out-of-stock

Una vez me senté en una sala de reuniones de una gran empresa de FMCG en Ciudad Ho Chi Minh. El jefe de ventas de campo presentaba el informe semanal. En la pantalla había cientos de fotos tomadas en tiendas de abarrotes. El problema no era la falta de datos, sino que esos datos no reflejaban la realidad. Él admitió que aproximadamente un tercio de los informes sobre "out-of-stock" en realidad se debían a que el personal fotografiaba desde un ángulo incorrecto o que el estante estaba oculto por otros productos.

Fue entonces cuando el concepto de AI Visibility comenzó a discutirse en serio. Muchos creen que basta con instalar cámaras o usar una app para tomar fotos. Pero la realidad muestra que la cámara es solo la entrada. La inteligencia artificial es lo que convierte esos píxeles en decisiones de negocio. Si el sistema no es lo suficientemente "nítido" para distinguir una caja de leche inclinada de un espacio vacío en el estante, todos los esfuerzos de puntuación de exhibición (display scoring) son inútiles.

Lo que todos dicen y lo que la realidad muestra

Existe una gran contradicción en cómo las empresas abordan esta tecnología. Todos dicen que la precisión de la IA es del 99%. Pero la realidad operativa es otra historia.

Lo más común es centrarse en la detección de productos. Todos quieren saber "¿sigue disponible el producto X?". Pero lo que la realidad muestra es que el mayor desafío radica en determinar "¿existe esa posición en el planograma?". Un espacio vacío en el estante puede deberse a falta de stock, pero también a que la tienda no ha recibido asignación de ese producto, o que es una posición de exhibición especial que no está en el plan estándar.

Si la IA simplemente cuenta la cantidad de productos y la compara con la cantidad esperada, recibirá miles de alertas falsas. Esto agota al equipo de supervisión. Comenzarán a ignorar las alertas y el sistema se vuelve inútil. Por lo tanto, AI Visibility no se trata solo de ver, sino de entender el contexto del punto de venta.

Lista de verificación de 5 pasos antes de implementar

Antes de firmar un contrato con cualquier proveedor, use esta lista para revisar su plataforma actual. Estas no son preguntas teóricas, sino cuellos de botella reales que encuentro al asesorar a socios en Vietnam y países vecinos como Tailandia y Filipinas.

1. Identificar la fuente de datos de entrada: ¿De dónde recibe el sistema las imágenes? ¿De cámaras IP fijas o del celular del empleado? Cada fuente tiene su propio conjunto de errores. Las cámaras fijas ofrecen un ángulo de visión consistente pero son difíciles de cambiar según la temporada. Los celulares son flexibles, pero el ángulo de toma y la luz cambian constantemente. Necesita saber si el sistema de IA tiene la capacidad de compensar estas desviaciones.
2. Capacidad de manejo de oclusión (Occlusion): En la realidad, los estantes rara vez están vacíos. Una botella de agua puede ocultar la mitad de una caja de galletas. Si la IA no tiene un mecanismo de inferencia para estimar el producto oculto, reportará inventario incorrecto. Pida una demostración con situaciones de estantes desordenados, no con estantes impecables.
3. Detección de imágenes falsas y duplicadas: Este es un problema de "fraude" común en el canal de venta tradicional. Los empleados pueden volver a tomar fotos antiguas o usar imágenes de internet. Un sistema de AI Visibility confiable debe tener mecanismos para detectar metadatos, capturas de pantalla o duplicados visuales. De lo contrario, los datos de salida estarán contaminados desde la fuente.
4. Latencia y capacidad de procesamiento de volumen: ¿Cuántos puntos de venta tiene? Si son miles de tiendas, el procesamiento de imágenes en tiempo real o casi en tiempo real es obligatorio. Un sistema que necesita 10 minutos para procesar una imagen no será de ayuda para el reabastecimiento del día. Verifique el tiempo de procesamiento promedio por imagen.
5. Transparencia de la puntuación (Explainability): Cuando la IA puntúa un estante como "no aprobado", debe indicar exactamente qué posición y por qué. Un número general no es suficiente. Necesita un dashboard que muestre cada SKU, cada posición desviada. Esto permite al equipo de ventas tomar acciones específicas, en lugar de solo saber que están haciendo algo mal.

Respuestas rápidas

¿Puede AI Visibility reemplazar completamente al personal de inspección en campo?

No. AI Visibility es una herramienta de supervisión y detección de anomalías, que ayuda al personal a concentrarse en los puntos de venta con problemas. No puede reemplazar a las personas en la reorganización de mercancías o en la negociación con el dueño de la tienda. Es un tercer par de ojos, no una mano.

¿Cada cuánto tiempo se necesita actualizar el modelo de IA?

Depende de la velocidad de cambio del catálogo de productos y del diseño de los estantes. Si lanza nuevos productos con frecuencia, el modelo necesita ser reentrenado periódicamente para reconocer nuevos empaques. Un buen sistema debe tener un mecanismo de aprendizaje continuo (continuous learning) sin necesidad de detener el sistema.

¿De qué factores depende el costo de implementación de AI Visibility?

Principalmente depende del número de puntos de venta, la frecuencia de toma de fotos y la complejidad del catálogo de productos. Un sistema que procesa millones de imágenes al día con miles de SKUs tendrá una estructura de infraestructura y costos diferentes a un sistema que solo supervisa cientos de tiendas clave.

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