IA en el retail europeo: Shopify recorta 90% el costo con modelos abiertos y Otto simula su almacén antes de construirlo

Un modelo abierto, entrenado a medida, que supera en precisión a un modelo de frontera, cuesta 90% menos y responde 7 veces más rápido. Ese es el resultado que Shopify reporta en su asistente Sidekick, y es solo la cifra más llamativa de un panorama más amplio: la IA en el retail europeo ha pasado de los pilotos a la operación real, desde el catálogo digital hasta el suelo del almacén. NVIDIA reunió estos casos en el marco de GTC Berlin, el 21 de octubre de 2026.

Modelos abiertos en producción: los números que importan

Shopify hizo un post-training de NVIDIA Nemotron 3.5 Lightning para el subagente GraphQL de Sidekick, que recupera datos de la tienda para funciones como Sidekick Pulse, que analiza un comercio y sugiere mejoras. En su benchmark interno, el modelo ajustado supera a un modelo de frontera en precisión, reduce los costos de servicio en 90% y responde 7 veces más rápido. Además, con la optimización de inferencia vLLM de NVIDIA, la compañía logró hasta 12 veces menos costo de inferencia y 4,5 veces más velocidad en otros cinco casos: enriquecimiento de catálogo, asistente para comerciantes, simulación de compra, clasificación taxonómica y recomendaciones.

El patrón se repite en otras empresas. Zooplus, el mayor retailer europeo de mascotas online, reconstruyó su búsqueda con Infosys y alcanzó 86% de precisión en un prototipo listo para producción dentro de su entorno AWS. Mirakl ha incorporado más de 70 millones de productos con su Catalog Transformer, que combina modelos abiertos afinados con servicios propios y corre en infraestructura propia y en nubes europeas como Scaleway. Photoroom estandariza unas 40.000 imágenes principales al día en 70 países para Vestiaire Collective; los anuncios procesados se vendieron con 5% más de liquidez y recibieron entre 3% y 7% más visitas únicas. L'Oréal, por su parte, pasó de meses de experimentación a horas de cribado computacional de ingredientes con NVIDIA ALCHEMI, y prueba el modelo OrbMol-v2, cinco veces más rápido que sus comparables y con 21% menos error.

La otra mitad de la historia es física. Otto Group llevó su iniciativa de almacén autónomo bajo supervisión humana, desarrollada con Reply sobre NVIDIA Omniverse y Google Cloud, a su mayor centro logístico en Haldensleben (Alemania): los equipos diseñan y prueban operaciones enteras en simulación antes de tocar el suelo real. ALLSIDES genera gemelos digitales 3D de productos en minutos y ya trabaja con marcas como adidas, Nike, Zalando y Zara. CATCHES, con su probador virtual en AMIRI, reporta +55% de conversión, +80% en añadidos al carrito y +56% en ventas brutas, ajustados por temporada frente a prendas comparables.

Una advertencia de periodista: casi todas las cifras provienen de NVIDIA o de sus socios, y la de Shopify es de un benchmark interno. Aun así, las fuentes secundarias coinciden en la lectura de fondo. Un análisis de Star4Nav destaca que el retail históricamente iba por detrás en adopción de IA y que estos casos apuntan a despliegues prácticos y sensibles al costo. Si una reducción de 90% fuera replicable, el comercio agéntico sería viable incluso para retailers medianos.

Cómo aplicar la IA en el retail europeo en tu empresa

La lección central no es comprar GPUs, sino dejar de pagar precio de modelo de frontera por tareas acotadas. El subagente de Shopify hace una sola cosa, consultar datos de tiendas, y por eso un modelo pequeño y especializado gana en costo y velocidad. Orca recorrió un camino parecido cuando recortó 90% el costo de su IA al abandonar el prompt gigante.

Una ruta práctica:

Audita tus llamadas a modelos de frontera. Identifica las tareas repetitivas y de alto volumen: clasificación, enriquecimiento de catálogo, extracción de atributos.

Mide antes de migrar. Construye un benchmark interno con tus propios datos, como hizo Shopify, y compara precisión, latencia y costo por consulta.

Prueba un modelo abierto afinado en un caso acotado y reserva el modelo de frontera para el razonamiento complejo.

Optimiza la inferencia. Parte de la ganancia de Shopify vino de la capa de servicio, no solo del modelo.

Usa gemelos digitales para decidir antes de invertir. Simular un almacén, una tienda o una flota de robots reduce el riesgo del despliegue físico. Es la misma lógica detrás de la orquestación de robots en logística.

Piensa en soberanía desde el diseño. Mirakl ejecuta modelos abiertos en infraestructura propia y en nubes europeas para evitar la dependencia de un solo proveedor, una preocupación creciente que analizamos en la migración hacia proveedores soberanos.

Cuándo y qué evitar

El momento de actuar es cuando tienes volumen, datos propios y una tarea bien definida. Si tu catálogo es pequeño o tus consultas son esporádicas, un modelo gestionado seguirá siendo más barato que mantener tu propio pipeline. Errores a evitar: ajustar un modelo sin benchmark propio, medir solo precisión e ignorar latencia y costo total, y lanzar proyectos de IA física sin una fase de simulación.

NVIDIA también muestra hacia dónde va el mercado con tres blueprints en acceso anticipado, mostrados por Nebius: un asistente agéntico para gerentes de tienda, simulación y optimización de inventario, y un ciclo de ajuste continuo que alimenta el entrenamiento con el desempeño real. Todos giran en torno a la misma idea: probar en simulación, aprender de la operación y reajustar.

La pregunta para tu comité de dirección ya no es si la IA en el retail europeo funciona, sino qué parte de tu gasto en modelos podrías reemplazar con uno propio y qué decisión física deberías simular antes de ejecutar. ¿Cuál será tu primer caso de uso con costo medible?