La discusión sobre inteligencia artificial en retail cambió de tono. La pregunta ya no es qué puede hacer la tecnología. Tampoco si conviene experimentar. En muchas compañías, esa etapa ya ocurrió. Ahora aparece una exigencia bastante más incómoda: demostrar qué proyectos generan resultados suficientes como para seguir recibiendo presupuesto.
La brecha es visible. Un relevamiento de Deloitte entre 200 ejecutivos de retail y consumo, publicado en junio de 2026, encontró que el 75% considera a la IA una prioridad estratégica, pero apenas el 16,5% puede cuantificar su retorno. Al mismo tiempo, el 82% planea aumentar la inversión durante los próximos 12 meses.
Ese contraste pone al CIO en una posición nueva. Durante la primera ola tuvo que habilitar experimentos, montar plataformas, resolver seguridad y dar acceso a modelos.
En la segunda deberá decidir cuáles merecen convertirse en capacidades empresariales y cuáles deberían detenerse antes de transformarse en otra capa permanente de costo y complejidad.
Kevin Byrne, líder de IA para Retail & Consumer Products de Deloitte en Estados Unidos, y Alan Levy, autores del relevamiento, sintetizan el cambio con una frase: “La verdadera pregunta ya no es si actuar, sino qué tan bien se está actuando”.
Índice de temas
La IA en retail entra en su fase más difícil: la ejecución
Los retailers no tienen precisamente escasez de casos de uso. La IA puede intervenir en forecasting, precios, promociones, prevención de fraude, atención al cliente, generación de contenidos, desarrollo de software, logística, inventarios, reposición, planificación de personal y personalización.
El problema es justamente ese: casi todo parece candidato a recibir IA.
Gartner describe en sus tendencias para los CIOs de retail en 2026 una agenda en la que la inteligencia artificial ya funciona como base de la transformación, pero debe avanzar en paralelo con dos problemas concretos: la fatiga alrededor de la IA y la deuda técnica.
Para la consultora, el éxito pasa por tratarla como un habilitador de optimización de costos y crecimiento de ingresos, y no simplemente como otra iniciativa de IT.
La transición también aparece en el Global Tech Report 2026 para Consumer & Retail de KPMG. A partir de las respuestas de más de 250 líderes del sector, la firma identifica resultados en forecasting, eficiencia de supply chain y automatización, pero también barreras para escalar: gobernanza débil, stacks tecnológicos fragmentados y escasez de talento con capacidades nativas de IA.
Puneet Mansukhani, responsable global de transformación digital y tecnológica para retail en KPMG International, plantea: “Las conversaciones con los clientes son claramente ‘AI first’: buscan integrar tecnología inteligente en sus operaciones como palanca de crecimiento”. Para el CIO, sin embargo, ser AI first no puede convertirse en “AI everywhere”.
No todo piloto de IA merece llegar a producción
Una prueba de concepto puede resultar convincente con pocos usuarios, un conjunto limitado de datos y un presupuesto acotado. El verdadero test comienza cuando esa solución debe integrarse con sistemas existentes, atender miles o millones de interacciones, cumplir controles de seguridad y operar con niveles empresariales de disponibilidad.
Ahí muchos proyectos se frenan. Deloitte detectó que, aunque retail y consumo están realizando numerosos pilotos, el despliegue de IA a escala empresarial todavía se mueve en niveles de apenas 7% a 10%.
No debería sorprender. Pasar de una demo a producción significa responder preguntas que un piloto puede evitar: quién mantiene el modelo, cuánto cuesta cada interacción, de dónde salen los datos, qué ocurre ante un error, qué proveedor concentra la dependencia y quién responde por el resultado económico.
Una matriz de decisión puede ayudar a ordenar ese portfolio:
| Situación | Decisión posible del CIO |
| Alto valor de negocio + buena preparación tecnológica | Escalar |
| Alto valor + problemas de datos o integración | Corregir las bases antes de escalar |
| Beneficio acotado + costo operativo bajo | Automatizar selectivamente |
| Bajo valor + alta complejidad | Frenar |
| Sin KPI ni responsable de negocio | No pasar del piloto |
El punto no es exigir que cada experimento produzca ganancias inmediatas. Algunos sirven para adquirir conocimiento. Pero incluso en esos casos debería quedar definido qué se está aprendiendo, cuánto cuesta hacerlo y qué condición habilitaría —o impediría— la siguiente inversión.
El CIO no puede ser el único dueño del ROI
Hay otro dato especialmente relevante para los líderes tecnológicos. Deloitte encontró que el 54% de la propiedad de la estrategia de IA permanece en manos de líderes de tecnología y no de los responsables del P&L que deben generar el resultado de negocio.
Es una diferencia crítica. IT puede medir latencia, consumo de tokens, disponibilidad, calidad de datos o tiempo de respuesta. Pero si un sistema de recomendación pretende elevar ventas, el responsable comercial debe comprometerse con conversión, ticket promedio o margen.
Si el objetivo es reducir faltantes, supply chain debe responder por stock-outs, cobertura e inventario. Si se automatiza atención, experiencia de cliente debe medir resolución, satisfacción y costo por contacto.
El CIO puede ser dueño de la capacidad tecnológica. No debería ser el único dueño del beneficio empresarial.
Esta separación también protege al área tecnológica de una situación cada vez más frecuente: proyectos considerados exitosos porque “el modelo funciona”, aunque nadie pueda determinar si cambiaron un resultado relevante para la compañía.
La presión por el ROI ya llegó al directorio
El problema no es que la IA todavía no genere valor. Hay señales de retorno. El desafío está en distinguir dónde aparece y cuánto puede sostenerse cuando la solución crece.
El informe global Intelligent Retail de KPMG encontró que el 55% de los retailers ya observaba un retorno entre moderado y muy alto sobre sus inversiones en IA y que el 67% había logrado mejoras de eficiencia.
Sin embargo, el mismo relevamiento mostró que el 62% enfrentaba presión significativa de los accionistas para mostrar un ROI inmediato. Además, el 67% esperaba aumentar la proporción del presupuesto tecnológico destinada a IA.
La combinación es delicada: el presupuesto crece al mismo tiempo que se acorta la paciencia para justificarlo.
Isabelle Allen, Global Head of Consumer & Retail de KPMG International, advierte sobre una de las trampas de esa carrera: “Los retailers no pueden tratar la IA como otra línea de un presupuesto restringido ni como la panacea para sus problemas”.
Para un CIO, esto lleva la conversación del modelo al portfolio. La organización no necesita financiar todas las posibilidades de IA. Necesita identificar aquellas capaces de mover ingresos, margen, productividad, experiencia o riesgo de forma suficientemente clara.
Dónde empieza a aparecer valor
No todos los casos tienen la misma madurez.
El estudio de Deloitte muestra que productividad y reducción de costos se encuentran entre los impactos más visibles. En retail, además, un 38% de los encuestados señaló efectos sobre crecimiento de ingresos, por encima de lo observado entre las compañías de productos de consumo relevadas.
Hay áreas donde la relación entre tecnología y resultado puede establecerse con relativa claridad.
Inventario y supply chain
Un mejor pronóstico puede reducir faltantes, exceso de stock o movimientos innecesarios. La ventaja es que existen indicadores previos contra los cuales comparar el resultado: precisión del forecast, inventario disponible, merma, costo logístico o nivel de servicio.
La posibilidad de convertir cada sucursal en una fuente de datos operativos en tiempo real amplía esa capacidad, pero también exige integrar información de tiendas, centros de distribución, e-commerce y proveedores.
Atención al cliente
Automatizar consultas puede reducir costo por contacto y tiempos de atención. La cuenta, sin embargo, cambia si aumentan las derivaciones a operadores, las respuestas incorrectas o las interacciones necesarias para resolver un mismo problema.
La métrica relevante no es cuántas conversaciones atiende la IA, sino cuántos problemas resuelve correctamente y a qué costo.
Personalización, promociones y conversión
La IA también puede influir sobre recomendación, promociones y búsqueda. En este caso, el CIO debería exigir experimentos capaces de separar ventas verdaderamente incrementales de aquellas que habrían ocurrido de todas formas.
Y una nueva capa empieza a agregarse con el comercio agéntico y los sistemas capaces de comprar en representación del usuario. Esa evolución amplía el portfolio potencial, pero vuelve todavía más importante decidir qué capacidades merecen inversión y qué infraestructura debe ser compartida entre casos.
IT también tiene que demostrar resultados
El propio departamento tecnológico es candidato a utilizar IA en desarrollo, testing, documentación, service desk, observabilidad o gestión de incidentes.
Eso no exime al CIO de aplicar el mismo criterio.
Si un copiloto genera código más rápido pero incrementa las revisiones, vulnerabilidades o retrabajo, el ahorro puede ser aparente. El indicador no debería ser únicamente líneas de código producidas, sino lead time, defectos, productividad efectiva y costo total del ciclo de desarrollo.
El piloto es barato; escalarlo es otra historia
Uno de los errores más frecuentes es comparar el costo de una prueba con el presupuesto necesario para convertirla en una capacidad estable.
La licencia o el acceso al modelo es apenas una parte. Cuando una solución pasa a producción aparecen otros componentes:
- Consumo de infraestructura y modelos;
- Integración con ERP, ecommerce, CRM, POS u OMS;
- Preparación y gobierno de datos;
- Observabilidad y monitoreo;
- Evaluación continua de resultados;
- Ciberseguridad;
- Controles de acceso;
- Capacitación;
- Supervisión humana;
- Soporte y mantenimiento;
- Contratos con proveedores;
- Portabilidad y costos de salida.
Es ahí donde el TCO puede cambiar por completo la decisión inicial.
El problema se agrava si cada área compra una herramienta distinta para resolver una necesidad parecida. Marketing implementa una plataforma, atención otra, ecommerce una tercera y supply chain una cuarta. El resultado puede ser una empresa con más IA y, al mismo tiempo, más integraciones, más contratos, más identidades y más datos duplicados.
Por eso, una de las preguntas más importantes para el CIO antes de aprobar otro piloto es bastante simple: ¿esto necesita una solución nueva o puede ejecutarse sobre una capacidad que ya tenemos?
Datos y arquitectura: donde muchos pilotos encuentran su límite
La IA expone rápidamente los problemas que antes podían quedar escondidos entre sistemas.
KPMG advierte que numerosos esfuerzos de IA en retail permanecen encerrados en silos departamentales, con información distribuida entre ecommerce, tiendas, marketing, inventarios, pagos y última milla. Ese modelo dificulta la necesidad de velocidad y datos compartidos que requieren los casos de IA a escala.
El análisis de Adobe sobre tendencias digitales e IA en retail apunta en la misma dirección: personalización en tiempo real, analítica predictiva y experiencias conectadas dependen de unificar y activar datos a través de diferentes canales.
Para el CIO aparece una paradoja. A veces, el mejor proyecto de IA es primero un proyecto de datos o integración.
Un recomendador no puede ofrecer un producto que el sistema considera disponible cuando la sucursal ya no tiene stock. Un agente no puede prometer una entrega si e-commerce y logística trabajan sobre información distinta. Y un motor de pricing pierde valor si tarda horas en acceder a variables que el negocio necesita procesar en minutos.
La calidad del modelo importa. Pero en retail, la calidad de la decisión depende también de qué tan conectado está todo lo que rodea al modelo.
Del accuracy al unit economics: las métricas que debería mirar el CIO
La etapa de experimentación suele concentrarse en métricas técnicas. La etapa de escala necesita métricas empresariales.
KPMG propone vincular la estrategia con resultados medibles como conversión, satisfacción, sobrestock, faltantes y planificación de la fuerza laboral. Para el CIO, esa lógica puede ampliarse hacia un tablero que combine negocio y tecnología:
| Métrica | Qué debería responder |
| Revenue uplift | ¿Genera ventas realmente incrementales? |
| Margen | ¿El crecimiento sigue siendo rentable? |
| Costo por interacción o transacción IA | ¿La economía funciona cuando escala? |
| Conversión | ¿Mejora el resultado del journey? |
| Stock-outs / sobrestock | ¿Optimiza inventario? |
| Tiempo ahorrado | ¿Libera capacidad efectiva? |
| Intervención humana | ¿Cuánto trabajo sigue requiriendo? |
| Adopción | ¿Los usuarios incorporaron la solución? |
| Errores e incidentes | ¿Qué costo genera corregir resultados? |
| TCO | ¿Cuánto cuesta realmente sostenerla? |
Este cambio es importante porque un modelo puede ser técnicamente excelente y, aun así, convertirse en una mala inversión.
Si una interacción automatizada cuesta más que el proceso que reemplaza, si la supervisión humana absorbe el ahorro o si la infraestructura necesaria consume el beneficio incremental, el problema ya no es tecnológico. Es económico.
El CIO también tiene que saber cuándo apagar la IA
Durante los últimos años, buena parte del mandato hacia tecnología consistió en experimentar rápido. En 2026 aparece una responsabilidad complementaria: detener rápido aquello que no justifica escalar.
Un proyecto debería encender alertas cuando no tiene dueño de negocio, carece de un indicador inicial contra el cual comparar, depende de datos que la organización no puede sostener, duplica capacidades ya contratadas o muestra una estructura de costos que empeora a medida que aumenta el volumen.
Frenarlo no significa que el experimento haya fracasado. Puede significar exactamente lo contrario: que el piloto produjo la información necesaria para evitar una inversión mucho mayor.
Ahí está una de las diferencias entre adoptar IA y gobernarla.
El CIO de retail ya no necesita demostrar que su organización puede construir un chatbot, desarrollar un recomendador o conectar un modelo a sus sistemas. La discusión relevante es qué capacidad merece convertirse en parte permanente de la operación, cuánto valor genera y quién responde por ese resultado.
En una agenda tecnológica en la que IA compite con ciberseguridad, modernización, datos, tiendas, logística y deuda técnica por el mismo presupuesto, aprobar proyectos deja de ser suficiente.
También hay que saber decir que no. Y quizás exista una prueba particularmente útil antes de renovar cualquier iniciativa: si el proyecto no llevara la etiqueta “IA”, ¿seguiría recibiendo presupuesto por los resultados que genera?
