Agentes de IA en ecommerce: estado real, proveedores y evidencia
Los agentes de IA ya operan en ecommerce, pero no todos están igual de maduros. Hoy hay evidencia sólida en cinco frentes: búsqueda semántica y discovery, recomendación y personalización, asistentes conversacionales de compra, agentes de atención al cliente y copilotos internos para merchandising y operaciones.
Los agentes autónomos de compra y pago siguen en fase beta o como infraestructura habilitadora, con menos resultados públicos de negocio. Este informe ordena la evidencia, los proveedores, el impacto reportado y las decisiones clave antes de pilotar.
Resumen ejecutivo
La señal más clara del mercado es que el ecommerce pasa de «IA que sugiere» a «IA que entiende intención, conversa, decide y ejecuta acciones limitadas». En 2025, el 64% de shoppers encuestados por Salsify ya usaba IA para descubrir o investigar productos, el 54% usaba chatbots para decidir qué comprar y el 17% había usado asistentes de compra o comprado a partir de una recomendación de IA.
Salesforce estimó que IA y agentes influyeron en 262.000 millones de dólares del gasto navideño de 2025, y Algolia reportó que el 61% de decisores B2C planeaba implantar agentic AI en el siguiente año. Son datos de proveedor, así que sirven como dirección del mercado, no como benchmark universal.
Catálogos grandes
Priorizar búsqueda semántica y recomendaciones. Impacto directo en CVR, RPV y AOV.
Coste-to-serve
Agentes de soporte: ROI más rápido y pricing más transparente del mercado.
Operaciones internas
Sidekick, merchandising agents y PIM con IA. Dependen de dato y workflow bien resueltos.
Agentic commerce
Oportunidad real. Gobernanza, control del checkout y atribución aún se estabilizan.
La categoría importa más que el hype del proveedor. Si buscas ROI rápido, empieza por discovery, recommendations o service, donde hay más evidencia pública, integración estándar y mejores marcos de A/B testing.
Estado del mercado
La adopción comercial no empezó con los LLM. Viene de una secuencia clara: recomendadores clásicos y ranking para CTR, luego búsqueda semántica, después RAG y agentes con tool use, y por último shopping agents y checkout agentic.
En investigación, esa trayectoria se ve en DSSM para matching semántico, DIN para CTR, BERT4Rec para recomendación secuencial, RAG para grounding con conocimiento externo, Toolformer para uso de herramientas y ReAct para combinar razonamiento con acciones. Los productos comerciales actuales están construidos sobre esa pila.
Tres razones que aceleran el salto agentic en 2025–2026
- Los retailers quieren convertir consultas complejas en compra sin obligar al usuario a dominar filtros o taxonomías.
- Los equipos internos buscan reducir trabajo manual en promociones, catálogo, soporte e insights.
- Las plataformas de pago y comercio ya publican protocolos y MCPs para que agentes externos descubran, gestionen carrito y cierren compra de forma más estandarizada.
El matiz importante es que «hay agentes» no significa «hay autonomía total». La mayoría de soluciones maduras son semiautónomas: recomiendan, priorizan, responden, crean promociones o ejecutan flujos con revisión humana. Adobe diferencia agentes autónomos y semiautónomos; Shopify obliga a revisar apps generadas; Visa advierte que su producto está en despliegue.
Tipologías y arquitectura técnica
La arquitectura de referencia que se está imponiendo combina datos de catálogo, pricing, inventario, comportamiento y CRM/OMS sobre una capa de retrieval y relevancia, y encima agentes distintos para search, recommendations, shopping guidance, service y operaciones. Cuando esa capa se comparte, la experiencia es continua. Cuando no, el agente es solo una «chatbox bonita».
Agentes de búsqueda semántica y discovery
Son los más maduros para catálogos grandes. Combinan índice keyword, embeddings, señales de comportamiento, reglas de merchandising y aprendizaje online. Funcionan cuando el catálogo tiene atributos ricos y se envían eventos de búsqueda, clic y compra. Fallan con datos de producto pobres, sinónimos sin trabajar o sin event tracking.
Agentes de recomendación y personalización dinámica
Evolución del recomendador clásico: usan afinidades históricas, contexto de sesión, inventario, reglas de negocio y orquestación entre canales. Rinden muy bien en cross-sell, upsell, PDP, home, email y post-compra. Rinden peor en cold start extremo, catálogos muy volátiles o sin guardrails de margen y negocio.
Asistentes conversacionales de compra
Reciben intención en lenguaje natural, piden aclaraciones, proponen productos, comparan opciones y disparan acciones de carrito o compra. La diferencia entre demo y solución útil está en si el agente comparte la misma capa de relevancia, inventario y pricing que el resto del sitio.
Agentes de atención al cliente y postventa
Resuelven FAQs, WISMO, devoluciones, cambios, incidencias simples y handoff a humano. Combinan KB, retrieval, clasificación de intención, integración OMS/CRM/helpdesk y action execution. Es la categoría con mejor relación madurez/ROI porque muchas consultas son repetitivas.
Agentes de automatización de operaciones y merchandising
Copilotos internos más que agentes de cara al shopper. Analizan KPIs, crean promociones, construyen flujos, generan apps, traducen catálogo, validan datos y priorizan tareas. Su valor aparece cuando el cuello de botella es operativo.
Agentes autónomos de compra, checkout y pago
La frontera nueva: crean carrito, negocian capacidades y ejecutan pago o compra delegada. Hoy el mercado está en beta, despliegue progresivo o infraestructura habilitadora. Amazon Buy for Me compra en webs de terceros; Shopify prepara storefronts y MCPs; Visa, Mastercard y PayPal construyen rails y tokenización.
Proveedores y productos
Soluciones orientadas al shopper
| Proveedor | Producto | Tipo de agente | Qué hace bien | Modelo comercial |
|---|---|---|---|---|
| Salesforce | Agentforce Commerce, Guided Shopping | Compra guiada + merchandising | Conecta ecommerce, POS, order management y guided shopping con templates, subagents y acciones sobre Data 360. | Precio no público; depende de plataforma y activaciones. |
| Bloomreach | Conversational Shopping, Loomi Search+ | Shopping agent + search semántica | Conversa, aclara intención y recomienda; Search+ mezcla keyword semántico con vector search. | Precio custom anual; Loomi AI incluido sin sobrecoste. |
| Constructor | AI Shopping Agent, Search & Autosuggest | Shopping agent + discovery unificado | Enlace fuerte entre chat, search, recommendations e inventario; muy orientado a KPI ecommerce. | Precio no público; venta enterprise. |
| Algolia | NeuralSearch, Guides, Personalization | Search semántica + shopping guides | Hybrid keyword+vector, personalización por afinidades, guías generativas ligadas a catálogo. | Build gratis; Grow desde 10k requests/mes y $0.50/1k extra; Guides $3.50/guía. |
| Nosto | Recommendations, Personalized Search, Post-Purchase Upsell | Personalización + recomendaciones + search | 1:1 personalization, upsell post-compra y búsqueda personalizada sobre behavior. | Pricing modular según GMV/tráfico/módulos; IA incluida por defecto. |
| Adobe | Commerce Recommendations, Agent Orchestrator | Recomendación + orquestación agentic | 13 tipos de recomendaciones; grounding en datos de experiencia y trust layer para agentes. | Enterprise con pricing a medida. |
| Dynamic Yield | Experience OS | Personalización dinámica | Individualiza journeys con datos en tiempo real, testing y recomendaciones. | Pricing no público. |
| Amazon | Rufus, Buy for Me | Asistente + compra delegada | Rufus responde preguntas y resume reviews; Buy for Me compra en webs de terceros. | Capacidades del ecosistema Amazon; sin SaaS abierto. |
| Shopify | Agentic Storefronts, Storefront MCP | Descubrimiento y venta en canales IA | Sindica productos a canales de IA, mantiene merchant of record y sincroniza pricing/inventory. | Sin fee adicional en el caso descrito para merchants en Shopify. |
Soluciones orientadas a soporte y operaciones
| Proveedor | Producto | Tipo de agente | Qué hace bien | Modelo comercial |
|---|---|---|---|---|
| Gorgias | AI Agent | Soporte ecommerce + venta asistida | Resuelve tickets, recomienda productos y atribuye ingresos desde soporte. | Helpdesk con planes públicos; AI Agent aparte por contacto. |
| Zendesk | AI agents | CX agent | Alta madurez omnicanal, knowledge, routing y governance. | Outcome-based pricing por automated resolutions. |
| Intercom | Fin AI Agent | CX agent + acciones | Resolución autónoma sobre helpdesk y acciones sobre sistemas externos. | $0.99 por outcome; incluido en planes Advanced y Expert con fee por asiento. |
| Shopify | Sidekick | Copiloto interno merchants | Analiza datos, genera automatizaciones Flow, crea apps internas y personaliza temas. | Incluido en cada store; funciones avanzadas en Grow/Advanced/Plus. |
| Salesforce | Agentforce Skills for Merchandising | Merchandising agent | Consulta KPIs, crea promociones, mueve inventario lento y mejora cart conversion. | Pricing no público. |
| Salsify | Intelligence Suite, Angie | Automatización catálogo/PXM | Traducción, extracción desde assets, validación, gobernanza y workflows no-code. | Pricing custom; compatible con OpenAI, Gemini y Anthropic. |
| Akeneo | Agentic Product Cloud | Orquestación dato de producto | Agentes en el lifecycle del dato; gobernanza y discoverability para IA. | Pricing no público. |
| Visa | Intelligent Commerce | Infra pagos agentic | Tokenización, autenticación, control del agente y rails para compra delegada. | Infra partner ecosystem; en despliegue progresivo. |
| Mastercard | Agent Pay | Infra pagos agentic | Registro del agente, order intent y escalado sobre red existente. | Infra partner ecosystem. |
| PayPal | Agent Toolkit | Toolkit agentes transaccionales | Expone orders, invoices, disputes, tracking, subscriptions y reporting. | Toolkit developer; precio por APIs subyacentes. |
Evidencia de impacto
La mejor evidencia pública sigue viniendo de casos de proveedor. No equivale a meta-análisis independiente, pero prueba que el patrón funciona cuando hay buen dato, integración y experimentación. Las mejoras más consistentes aparecen en cuatro áreas: search/discovery, guided shopping, upsell/recommendations y soporte repetitivo.
| Empresa | Proveedor y agente | Uso principal | Impacto publicado |
|---|---|---|---|
| Euronics Italia | Salesforce / Ronics + Agentforce | Compra guiada en app y web | 8.000+ conversaciones desde ago-2025; 7% CTR; +53% CVR atribuida al agente; +13% online sales en 2025. |
| TFG | Bloomreach / Clarity | Shopping agent proactivo Black Friday | +35,2% CVR, +39,8% RPV y –28,1% exit rate entre usuarios que interactuaron. |
| Belk | Constructor / AI Shopping Agent + search | Asistente mobile + optimización | +35 M$ revenue acumulado, +7,4% RPV y más de 2× CVR para shoppers que usaron el agente. |
| Petco | Constructor / search & discovery | Search y merchandising | +13% total conversions y +4% sitewide revenue. |
| Auto Mercado | Algolia / search | Search grocery | +50% conversion rates después de search y cestas más grandes. |
| N Brown | Bloomreach / Loomi search | Search personalizado multicadena | Hasta +59,73% RPV en Simply Be IRE; +20,16% en Simply Be; +12,08% search CVR en JD Williams. |
| Marc Jacobs | Nosto / recommendations + email | Recomendaciones omnicanal | 7–10% de ventas anuales; 22% en BFCM 2024; +137% average revenue per session. |
| JENNY BIRD | Nosto / post-purchase upsell | Upsell tras checkout | +58% AOV si se acepta, +13% upsell orders y +8,5% net sales vs proveedor anterior. |
| A.L.C. | Nosto / Personalized Search | Search merchandising en rebajas | +30% CTR y CVR en páginas de search más que se duplicó bajo regla promocional específica. |
| Cabau Lifestyle | Gorgias / AI Agent | Soporte 24/7 + revenue assist | +7% CSAT en 4 meses; 6–9 contrataciones evitadas mientras el volumen de tickets se triplicaba. |
| NOBULL | Zendesk / AI | Atención al cliente | ~50% consultas de chat desviadas y 30% del total automatizado, con CSAT alto. |
| UrbanStems | Zendesk / AI | Resolución automática CX | 39% automated resolution y 100.000 $ de ahorro en tres meses. |
| MillerKnoll | Salesforce / Agentforce Commerce | Unificación B2B/B2C | +313% digital revenue growth y +10% digital conversion rate. |
KPI headline representativo por clase de agente: compra guiada ~35%, search/discovery ~50%, recomendación ~58%, soporte ~50%, operaciones hasta 75% en ahorro de tiempo. Son métricas distintas: sirven como guía de impacto relativo, no como comparación 1:1.
Riesgos y limitaciones
El mayor error de enfoque es tratar estos agentes como «UI mágica» y no como sistemas de decisión sobre datos. Cuando el catálogo es pobre, las políticas no están en una KB fiable, el inventario no está en tiempo real o los eventos no se registran, el agente no solo rinde peor: puede fabricar confianza sobre una base débil.
-
Privacidad
Entrenamiento de datos. Adobe y Salsify declaran que no usan prompts ni outputs del cliente para entrenar sus LLMs. Reduce riesgo, pero no elimina gobernanza interna, DPIA ni control de acceso.
-
Modelo
Alucinación y grounding insuficiente. RAG, ReAct y tool-use existen porque los LLM puros fallan sin contexto. En ecommerce eso es recomendaciones irrelevantes, políticas incorrectas o inventario desactualizado.
-
Sesgo
Optimización miope. Un agente puede empujar productos con mejor CTR y dejar fuera margen, rotación o stock aging si no se imponen reglas de negocio explícitas.
-
Coste
Variable. Outcome-based y usage-based son atractivos al inicio, pero escalan rápido sin control de KPIs. Intercom cobra por outcome; Algolia por requests/records/guides.
-
Fiabilidad
Integración compleja. Cuantos más sistemas toca el agente —OMS, ERP, PIM, promos, pagos— más valor y más riesgo de ejecución errónea. La capa interoperable sigue estabilizándose.
-
Madurez
Desigual. Discovery, personalization y support están maduros. Agentic checkout y compra delegada aún no tienen la misma densidad de casos públicos ni despliegue completo.
Implementación, matriz de decisión y checklist
Requisitos reales
Los mínimos se repiten entre plataformas: catálogo estructurado, precios e inventario actualizados, eventos de comportamiento, KB y policies, APIs accionables y capa de medición que permita A/B testing, attribution y rollback. En equipo, rara vez basta con comprar la herramienta: hace falta owner de negocio, responsable de dato e integración, merchandising o CX según el caso, analítica y revisión legal.
Matriz de decisión por objetivo
| Objetivo | Agente recomendado | Cuándo priorizarlo | Datos mínimos | KPI principal |
|---|---|---|---|---|
| Aumentar conversión en catálogo grande | Search semántica + recommendations | Muchas búsquedas, queries largas, cero-resultados, catálogo profundo | Atributos limpios, sinónimos, clics y conversiones | Search CVR, RPV, zero-result rate |
| Subir AOV y cross-sell | Recommendations + post-purchase upsell | PDP/mini-cart con tráfico alto y afinidades claras | Historial, afinidades, margen, reglas | AOV, attach rate, upsell acceptance |
| Reducir coste-to-serve | Agente de soporte con actions | WISMO, cambios, devoluciones y FAQs repetitivas | KB, OMS/CRM/helpdesk, políticas | Automated resolution, coste/ticket, CSAT |
| Elevar conversión asistida | Shopping agent conversacional | Catálogo complejo, compra consultiva, mobile | Catálogo, stock, comparativas, FAQ, carrito | CVR de usuarios expuestos o interactuantes |
| Ganar productividad merchandising | Copiloto de ops/merchandising | Equipo pequeño, promos y reporting lentos | KPIs de tienda, plantillas, permisos | Tiempo ahorrado, velocidad activación, error rate |
| Abrir canal agentic | Agentic storefront + rails de pago | Marca preparada para descubrirse en chats de IA | Feed, inventory en tiempo real, checkout compatible | Tráfico referido, CVR canal, incremental |
Diferenciadores clave al elegir proveedor
Capa unificada u overlay
Si chat, search y recos comparten contexto, el agente rinde mejor que si es una capa externa.
Profundidad de ejecución
Responder no es ejecutar. Valora si el agente toca carrito, promos, órdenes o devoluciones y con qué revisión humana.
Trust layer y datos
No-training sobre datos del cliente, permisos y auditoría ya no son nice to have.
Modelo de pricing
Requests, outcomes, GMV, contrato anual o enterprise. Cambia mucho la ecuación de ROI.
Evidencia compatible
No vale «subimos conversión». Importa si el caso es search, upsell, atención o commerce ops y si se parece a tu catálogo.
Checklist antes de pilotar
-
Define un único objetivo por piloto
Congela un solo KPI primario durante 6–12 semanas: Search CVR, AOV, automated resolution o RPV.
-
Audita el dato fuente
Catálogo, pricing, stock, políticas, taxonomía y eventos. Comprueba no-result queries y atributos vacíos.
-
Mapea las acciones del agente
Qué puede ejecutar y qué queda solo en recomendación. Define permisos, rollback y revisión humana.
-
Evalúa continuidad entre superficies
Search, browse, PDP, carrito, soporte y checkout. Comprueba si comparte motor de relevancia.
-
Pide evidencia comparable
Misma vertical, complejidad de catálogo y canal. Los casos deben parecerse a tu realidad, no solo al logo.
-
Modeliza el coste variable
Calcula requests, outcomes, GMV o volumen de tickets y compáralo con el uplift mínimo para break-even.
-
Diseña un A/B test real
Holdout o split por tráfico/canal. Mide uplift incremental, no solo atribución post hoc.
-
Implanta guardrails de negocio
Margen, exclusiones, compliance, promos prohibidas, reglas de inventario y disclaimers del agente.
-
Define handoff y excepción
Casos complejos, fraude, devoluciones especiales o usuarios sensibles. SR human escalation y SLA.
-
Revisa seguridad y privacidad
Entrenamiento, retención, acceso, logs, auditoría, data residency y DSAR. Cláusulas contractuales, no marketing.
-
Mide también los fallos
Zero-results, answer accuracy, fallback rate, hallucination rate, promo leakage y tickets reabiertos.
-
Escala por secuencia
Search/reco o support primero; shopping agent después; agentic checkout al final. Cada fase financia la siguiente.
El ecommerce ya tiene agentes útiles, pero la parte valiosa no es «ser agentic»: es resolver mejor una fricción concreta con datos fiables y un perímetro de acción claro. Quien entre ahora con buen dato, A/B testing y scope disciplinado captura ventaja. Quien entre solo por moda comprará una chatbox cara.