La inteligencia artificial ya puede interpretar con precisión lo que un cliente quiere comprar, pero eso no resuelve la parte dura del comercio digital. Detrás de cada experiencia de compra con IA hay una plataforma compleja encargada de catálogo, precios, inventario, elegibilidad, cumplimiento y transacciones, escribió Vikas Mittal, arquitecto principal en Walmart Global Tech.
Mittal pone un ejemplo simple: una persona puede pedirle a un asistente «Encuéntrame un televisor de 65 pulgadas por menos de 800 dólares que pueda entregarse antes del partido este fin de semana». La IA puede entender categoría, presupuesto, tamaño y plazo de entrega, y filtrar opciones. Pero entender la intención del cliente y determinar si el minorista realmente puede vender y cumplir ese pedido son problemas distintos.
En su experiencia, un artículo puede ser elegible para la venta y aun así no poder cumplirse para un cliente específico. Entre la búsqueda y la compra entran variables como inventario local, dirección del cliente, capacidad de cumplimiento y restricciones de cumplimiento normativo. Si esas señales no coinciden, el peor resultado es aceptar un pedido y descubrir después que debe cancelarse.
Mittal advierte que la idea de «comercio agéntico» parece sencilla en un diagrama: cliente, agente de IA, interfaces de programación de aplicaciones de comercio y transacción. En la práctica, dice, los sistemas reales no funcionan con esa limpieza. Un dato puede ser correcto cuando el agente empieza a razonar y quedar desactualizado antes de que el cliente pulse comprar.
Por eso sostiene que no se trata, en esencia, de un problema de modelos de lenguaje, sino de sistemas distribuidos. La solución requiere fuentes de datos autoritativas, arquitecturas dirigidas por eventos, estrategias de memoria caché, modelos de consistencia, reconciliación, interfaces resilientes y observabilidad.
También plantea otro cambio relevante: los agentes pueden comprimir en segundos varios pasos que antes requerían búsquedas, páginas de producto, carrito y caja. Eso eleva la exigencia sobre la plataforma, porque la interacción deja de ser solo humana y puede volverse programática a gran velocidad.
Mittal recuerda sistemas con productos muy demandados, como consolas de videojuegos y artículos de colección, donde muchos clientes —y tráfico automatizado— compiten por inventarios muy limitados casi al mismo tiempo. Sin fuertes controles de concurrencia, la plataforma puede vender más de lo que tiene y obligar al minorista a cancelar pedidos.
En su visión, el error de arquitectura es construir lógica separada para cada interfaz inteligente nueva. Si cada canal interpreta por su cuenta precios, disponibilidad, elegibilidad y cumplimiento, la complejidad se multiplica. La alternativa es exponer capacidades reutilizables: descubrimiento, contexto del producto, precios, disponibilidad, elegibilidad, cumplimiento y transacción.
Mittal remata con una distinción clave: no es lo mismo un sistema que recomienda que uno que actúa. Si un asistente sugiere un producto que no gusta, el costo es bajo. Si un agente autónomo duplica un pedido, cobra un precio inesperado o promete inventario inexistente, el daño es mucho mayor.
Los números primero: el valor económico de la IA en comercio no depende solo de la interfaz, sino de la disciplina operativa que la sostiene. El mercado ya votó. Capital busca reglas claras, y en este caso la regla es simple: sin una plataforma robusta, la promesa de compra automática se convierte en más riesgo para el comercio, más cancelaciones para el cliente y más fricción para el capital invertido.
También hay una lección para las empresas: la productividad no viene de poner un modelo encima de procesos frágiles. Viene de modernizar la base, reducir errores de ejecución y proteger la integridad de cada transacción. En comercio, la innovación útil no es la que luce mejor en la interfaz, sino la que mejora margen, reduce fallas y convierte intención en entrega real.