Última actualización: 17 agosto 2026
De vez en cuando, un director financiero echa un vistazo a la partida presupuestaria dedicada a la inteligencia de precios y plantea una pregunta lógica: ¿no podríamos hacer esto simplemente con IA?
Hacer que un agente de IA analice el catálogo, enviarlo a Amazon y Google Shopping, y pedirle que nos devuelva los resultados más adecuados. Suena sencillo. El agente puede examinar, razonar y generar una hoja de cálculo. Sobre el papel, eso se parece mucho a un flujo de trabajo de seguimiento de precios de la competencia.
Así que pusimos a prueba esa hipótesis con un catálogo real para averiguar qué ocurre realmente cuando se le pide a un flujo de trabajo de IA de uso general que realice una comparación de precios a nivel de SKU a escala de producción.
La prueba: 5.360 SKU, dos minoristas, 3 horas y 23 minutos
Ejecutamos Codex con un catálogo de 5.360 SKU y le pedimos que buscara coincidencias exactas en Amazon.com y Google Shopping.
A primera vista, el resultado parecía útil: Codex encontró 2 260 coincidencias exactas en Amazon y 39 en Google Shopping, lo que suma un total de 2 299 coincidencias exactas. Además, señaló otras 1 443 posibles coincidencias en Amazon y 38 en Google Shopping.
El sistema de Wiser encontró aproximadamente 5.344 coincidencias en Amazon y 3.183 en Google Shopping para el mismo catálogo.
En cuanto a la tasa de coincidencias exactas, Codex cubrió alrededor del 42 % del catálogo en Amazon y el 0,7 % en Google Shopping. El indicador clave de rendimiento (KPI) de Wiser relativo a la tasa de coincidencias para este mismo catálogo fue de aproximadamente el 99 % en Amazon.com y del 59 % en Google Shopping.
Dicho de otro modo: entre los dos minoristas, Codex arrojó 2.299 anuncios con coincidencia exacta, frente a los 8.527 de Wiser. Eso supone aproximadamente el 27 % de la cobertura de anuncios coincidentes de Wiser.
Por qué las coincidencias perdidas son tan peligrosas
Lo complicado de una coincidencia omitida es que, a menudo, no parece tal. Parece un producto sin actividad competitiva.
Ahí radica el peligro: si tu competidor te está superando en precio en una referencia de gran volumen y tu flujo de trabajo simplemente no detecta la coincidencia, tu panel de control no mostrará ninguna advertencia.
Ese silencio puede llevar a los equipos a mantener los precios sin cambios, pasar por alto la presión sobre los márgenes o dar por sentado que están solos en el mercado cuando no es así. En la supervisión de precios de la competencia, la falta de datos no es neutra. De hecho, es todo lo contrario: cambia por completo la decisión que toma el comerciante.
La precisión sigue necesitando un control de calidad independiente
Tras la ejecución de detección de coincidencias, pedimos a Codex que evaluara la precisión de sus propias coincidencias. Esto resulta útil como indicación aproximada, pero no equivale a un proceso independiente de control de calidad, ya que se utiliza el mismo flujo de trabajo general y el mismo modelo de IA (GPT 5.6 Sol) para evaluar los resultados que ha generado.
Incluso con esa limitación, la precisión estimada se situó en torno al 48 %.
En Wiser, utilizamos la IA de una forma más controlada. La búsqueda de coincidencias y la validación son procesos separados: una capa genera candidatos, otra evalúa la calidad de las coincidencias y los casos dudosos pueden someterse a una revisión adicional. En el caso concreto de este catálogo, la precisión de las coincidencias medida por Wiser fue del 98,4 %.
No se trata de una diferencia insignificante. Un flujo de trabajo genérico de IA pasó por alto una gran parte de la actividad competitiva disponible y, aun así, requirió una revisión significativa de las coincidencias que sí encontró.
Por qué existe esta diferencia
La diferencia existe porque la correspondencia de productos no es una simple consulta, sino un sistema de producción con múltiples capas basadas en IA y en reglas.
Wiser se basa en gran medida en la IA, pero no es solo una consulta a un modelo de lenguaje grande (LLM) dirigida al sitio web de un minorista. La generación de candidatos se lleva a cabo mediante la coincidencia de tokens y la similitud vectorial en paralelo; las reglas de prevalidación confirman, rechazan o escalan los candidatos; y la validación mediante LLM se utiliza para los casos dudosos en los que la comprensión del lenguaje aporta valor añadido.
Arquitectura conceptual de la coincidencia
Esta es la distinción importante: el modelo es intercambiable, pero el sistema de coincidencia, la pila de evaluación y las medidas de seguridad siguen estando controlados.
Esa arquitectura permite a Wiser utilizar los modelos más avanzados cuando resultan útiles, sin que todo el flujo de trabajo dependa del comportamiento de un único modelo. La selección del modelo puede modificarse mediante la configuración, pero los controles de seguridad que lo rodean —reglas de candidatos, umbrales de control de calidad, comprobaciones de evaluación, gestión de excepciones y supervisión— se mantienen intactos.
La pila independiente de precisión y exhaustividad es la diferencia clave. Utiliza un modelo y una indicación diferentes de los del flujo de coincidencia, por lo que la generación y la evaluación de coincidencias no son el mismo juicio que desempeña dos funciones a la vez. Cuando cambia un modelo, la pila de evaluación ayuda a detectar desviaciones antes de que el cambio se convierta en un comportamiento en producción.
Un agente de programación puede ayudar a montar un flujo de trabajo puntual, pero no está diseñado con este tipo de gráfico de producto persistente, lógica de coincidencia específica del minorista, evaluación independiente, colas de excepciones o supervisión de la tasa de coincidencias. Esos son los elementos que marcan la diferencia entre una hoja de cálculo interesante y un conjunto de datos de precios en el que un comerciante puede confiar.
Las coincidencias potenciales son un buen ejemplo. Pueden ser útiles para la clasificación inicial, pero no son precios competitivos listos para su aplicación en producción. Alguien tiene que decidir qué candidatos son coincidencias reales, cuáles son falsos positivos y cuáles deben descartarse o elevarse a un nivel superior.
El cálculo de costes no se sostiene
Esa única ejecución de Codex costó unos 23,74 dólares en uso del modelo, según los supuestos que utilizamos para la prueba. Ejecutar el mismo trabajo una vez al día durante un año supondría unos 8.665 dólares, sin contar el tiempo de ingeniería, la mano de obra de control de calidad, la infraestructura de proxy/navegador, los reintentos, la supervisión ni el mantenimiento.
Además, el coste de los tokens ya se benefició en gran medida del almacenamiento en caché. La sesión utilizó unos 28,52 millones de tokens en total, incluidos unos 26,95 millones de tokens de entrada almacenados en caché. Un proceso de producción no puede evaluar el coste basándose únicamente en la ejecución satisfactoria; también debe tener en cuenta las búsquedas fallidas, las páginas bloqueadas, los cambios en el diseño de los minoristas, las reejecuciones, las colas de revisión y el mantenimiento continuo.
Ese es el problema empresarial. El enfoque «hazlo tú mismo» no es gratuito. Se trata de un flujo de trabajo parcialmente automatizado con importantes lagunas en la cobertura de los productos, riesgo de inexactitud y gastos generales operativos.
«Desarrollar o comprar» es un planteamiento erróneo
La cuestión no es si la IA puede ayudar en la monitorización de precios. Puede hacerlo, y debería.
La pregunta más acertada es si un flujo de trabajo de programación de IA de uso general puede sustituir a un sistema específico de seguimiento comparativo de precios. En lo que respecta a la fijación de precios competitivos a nivel de SKU, nuestra prueba sugiere que la respuesta es no.
Un minorista no necesita una hoja de cálculo que parezca verosímil. Necesita una cobertura de mercado fiable y repetible; métricas claras de tasa de coincidencia y precisión; y un flujo de trabajo que siga funcionando tras la primera ejecución.
Ahí es donde las herramientas especializadas marcan la diferencia. Wiser combina automatización, comparación asistida por IA, lógica específica para cada minorista, control de calidad humano donde es necesario y supervisión de la producción, de modo que los resultados puedan utilizarse en decisiones reales sobre precios.
Para este catálogo, Wiser ofreció una cobertura mucho más amplia y una precisión medida mucho mayor: alrededor del 99 % de cobertura de la tasa de coincidencia en Amazon, un 59 % de cobertura de la tasa de coincidencia en Google Shopping y un 98,4 % de precisión de coincidencia medida.
