Circle K y Arkham Technologies lanzaron un agente de IA para gestionar inventarios en tiendas de LATAM, con promesas de reducir quiebres de stock y mejorar márgenes. Sin embargo, las métricas compartidas carecen de contexto metodológico, generando dudas sobre su validez.
El sistema busca predecir quiebres de stock y enviar recomendaciones a gerentes, aunque hay cuestionamientos sobre la transparencia de sus métricas en un sector donde, según un estudio del MIT, el 95% de los proyectos de IA no generan retorno financiero.
Un agente predictivo con desafíos por resolver
Circle K y Arkham Technologies presentaron un «agente operador de tienda» con inteligencia artificial en Latinoamérica, diseñado para anticipar demandas y optimizar inventarios. Según las empresas, la herramienta integra datos de ERP y puntos de venta para alertar sobre anaqueles que podrían vaciarse antes de la apertura, además de sugerir pedidos y ajustar promociones. Carlos Guerrero, director de TI de Circle K, afirma que el sistema ofrece un «10X ROI» y «resultados transformadores», mientras Isaac Cañas, CEO de la filial mexicana, destaca «mayor visibilidad, menos stock-outs [y] mejores márgenes».
Sin embargo, las cifras compartidas —como un 15% menos de ventas perdidas y 9% de aumento en ticket promedio— carecen de contexto metodológico. No se especifican períodos de medición, líneas base comparativas ni procesos de auditoría, lo que dificulta verificar su validez. Esta opacidad contrasta con los hallazgos de un estudio del MIT que revela que el 95% de los proyectos corporativos de IA no generan retorno financiero debido a fallas organizacionales, no técnicas.
El problema del retail que la IA intenta resolver
El contexto justifica la apuesta. Según Kantar, en México el desajuste de inventarios costará 149 mil millones de pesos anuales en 2025, divididos entre sobrestock (87 mil millones) y quiebres de stock (62 mil millones). La resiliencia en cadena de suministros supera incluso a tecnologías más visibles, como asistentes conversacionales, en las prioridades del sector para 2026.
Pero la implementación enfrenta obstáculos sistémicos. Investigadores del Tecnológico de Monterrey advierten que, pese a casos exitosos (como reducciones del 15% en quiebres), la IA sigue percibiéndose como falta de empatía e intuición. Mark Cuban señala que el problema radica en aplicar tecnología sin rediseñar procesos: «la diferencia entre tener una herramienta y saber usarla bien no está en la herramienta, está en la práctica repetida y consciente de quien la usa».
Preguntas críticas más allá del marketing
El análisis sugiere que el valor real del agente depende de tres factores:
- Transparencia metodológica: cómo se miden las mejoras y qué variables se controlan.
- Rediseño de procesos: qué flujos de trabajo deben modificarse antes de implementar la IA.
- Equilibrio humano-automatización: cómo preservar el criterio de empleados experimentados.
Aunque la herramienta identifica anaqueles en riesgo, especialistas enfatizan que la construcción del servicio final sigue siendo humana. Sin claridad en estos aspectos, incluso métricas prometedoras pueden quedar como afirmaciones corporativas no verificables. En un mercado donde, según el estudio citado, 19 de cada 20 proyectos de IA fracasan, la credibilidad exige más que casos de éxito sin sustento metodológico.
