La IA ya se usa, pero demasiado trabajo queda fuera de la forma en que FMCG se gestiona de verdad.
FMCG / implementación de IA
La IA no arreglará gran consumo por magia. Arreglará el trabajo que se repite cada semana.
El punto de partida útil es más pequeño de lo que suelen prometer las presentaciones de IA: preparar reuniones con retailers, revisar promociones, comprobar claims, explicar excepciones de demanda, resumir estudios y quitar carga a soporte interno.
Pensado para lÃderes de gran consumo que deciden dónde meter IA en flujos reales en 2026, cómo evitar consumo inútil de modelos y qué debe cambiar cuando los pilotos pasan a operación diaria.
Las oportunidades claras aparecen en decisiones semanales repetidas, no en presentaciones abstractas.
Cada flujo necesita modelo, lógica de coste, polÃtica de fuentes y dueño humano antes de escalar.
Una marca debe probar tres flujos con equipos reales y escalar solo lo que cambia la rutina operativa.
01
Problema
El problema no son los pilotos de IA. Es el trabajo de IA sin gestión.
En FMCG, la IA rara vez entra como un programa limpio. Aparece en packs para compradores, revisión de promociones, análisis de lineal, checks de claims, excepciones de demanda, resúmenes de estudios y respuestas de soporte interno. El riesgo es que cada equipo resuelva su parte, con prompts duplicados, aprobaciones poco claras y sin visibilidad del coste que hay detrás de cada respuesta.
Por eso la primera pregunta de negocio no es "qué modelo compramos". Es "qué decisiones repetidas merecen un flujo de IA, y quién responde cuando el modelo se equivoca, tarda o sale caro".
McKinsey sitúa el uso regular de IA en al menos una función de negocio en el 88%.
McKinsey, State of AI 2025BCG estima que, al principio, más del 90% del valor vendrá de rediseñar procesos.
BCG, consumer products, 2025Deloitte recoge que el 76% de los ejecutivos encuestados está en compañÃas que aumentan inversión en IA.
Deloitte, Consumer Products Outlook 2025
Curva de adopción
Fuente: McKinsey, 2025
Muchas compañÃas usan IA. Muchas menos han cambiado su ritmo operativo.
Gran consumo
Fuente: Deloitte, 2025
El presupuesto se mueve. Los controles tienen que alcanzarlo.
02
Señal
La señal no es solo adopción. Es fricción en decisiones semanales.
Busca los puntos donde el equipo ya pierde tiempo uniendo documentos, números y criterio: un KAM preparando la historia para el retailer, categorÃa leyendo texto abierto, supply explicando riesgo de servicio o innovación tensionando un concepto. Esas señales son más fuertes que pedir "un asistente de IA" genérico.
La preparación de cliente se vuelve repetible
Sell-in, sell-out, notas de promo y riesgos se convierten en una narrativa corta antes de la reunión.
Señal: el equipo reconstruye el mismo pack cada semana.El texto abierto se vuelve usable
Reviews, quejas, verbatims y movimientos de competidores se agrupan en tensiones, claims y lenguaje de consumidor.
Señal: el insight aparece solo después de demasiada lectura manual.El contenido deja de empezar de cero
Claims aprobados, master data y aprendizajes de campaña se transforman en borradores para retailer, ecommerce y retail media.
Señal: las mismas reglas de marca se reescriben en varios canales.Las excepciones se explican antes
Movimientos de demanda, stock y servicio se traducen en causas probables, clientes afectados y siguientes acciones.
Señal: los managers preguntan por qué antes de que el equipo arme la respuesta.Los conceptos se cuestionan antes
Ideas, claims y copy de pack se revisan contra objeciones probables antes de invertir tiempo caro de desarrollo.
Señal: los puntos débiles aparecen tarde, cuando el equipo ya se encariñó con la idea.Los hand-offs son más claros
Finanzas, legal, RR. HH. y compras reciben primeros resúmenes, respuestas de polÃtica y notas de revisión para aprobar.
Señal: los expertos responden demasiadas preguntas repetidas.
03
Decisión
Trata la IA como una decisión operativa, no como una herramienta que cada equipo usa a su manera.
En 2026, elegir modelo ya forma parte del control de negocio. Contexto largo, razonamiento, herramientas y agentes son útiles, pero pueden convertir una petición simple en un flujo caro. La marca necesita reglas de asignación antes de que el uso se vuelva trabajo normal.
Cada archivo puede entrar en la factura.
Decks completos, exports y chats antiguos no deberÃan entrar al prompt solo porque el modelo puede leerlos.
Las herramientas multiplican trabajo oculto.
Búsqueda, código, navegación y recuperación de datos pueden crear costes invisibles entre turnos.
Lo difÃcil tira del modelo caro.
Sin reglas, se usan modelos de frontera para trabajos que un modelo más pequeño resolverÃa bien.
Un equipo con mucho uso puede desplazar a otro.
Los lÃmites suelen estar a nivel de organización, proyecto o familia de modelo, no de flujo individual.
"Rate limits can be hit across any of the options depending on what occurs first."
OpenAI API rate limits"Rate limits are tied to the project's usage tier."
Google Gemini API rate limits"Sizing your Priority Tier capacity to align with your actual traffic patterns helps."
Anthropic service tiers
Realidad actual de modelos de frontera
El contexto largo es útil. También es fácil abusar de él.
GPT-5.5
$5 de entrada / $30 de salida por 1M tokens. Las instrucciones largas por encima de 272k tienen precio superior.
Claude Opus 4.8
$5 de entrada / $25 de salida por 1M tokens, con controles de capacidad en Priority Tier.
Gemini 3 Pro Preview
Incluye grounding con búsqueda, function calling, ejecución de código, caching y file search.
04
Qué deberÃa hacer una marca después
Elegir tres flujos y probarlos con trabajo real.
Una marca no deberÃa escalar IA porque una demo se ve bien. DeberÃa escalar cuando un flujo se usa de forma repetida, mejora una decisión concreta, respeta lÃmites de coste y da al responsable suficiente confianza para seguir usándolo cuando termina el piloto.
01
Elegir el trabajo, no el tema tecnológico
Mapear procesos candidatos y puntuar frecuencia, esfuerzo, riesgo, preparación de datos y valor de decisión.
02
Construir la versión controlada
Definir plantillas, reglas de fuente, lÃmites de contexto, asignación de modelos, aprobaciones y alternativas.
03
Trabajar con equipos reales
Medir tiempo ahorrado, retrabajo, coste de tokens, errores, adopción y si la decisión mejora.
04
Escalar, rediseñar o parar
Expandir flujos con uso repetido y economÃa visible. Cerrar los que solo funcionan en una demo.
Base de fuentes
Fuentes usadas para este caso
McKinsey, The State of AI 2025
McKinsey, digital and AI value in CPG
BCG, The AI-First Consumer Products Company
Deloitte, 2025 Consumer Products Industry Outlook
OpenAI, API rate limits and usage tiers
OpenAI, GPT-5.5 model docs
OpenAI, Introducing GPT-5.5
Google, Gemini API rate limits
Google, Gemini models
Anthropic, models overview
Anthropic, service tiers
Aplicar el método
¿Necesitas priorizar flujos de IA dentro de una empresa FMCG?
Empieza por los flujos que se repiten cada semana y ya tienen responsables claros.