“Necesito seis piezas del buje de 20 mm”. En el catálogo de la prueba había uno de bronce y otro de aluminio. La IA eligió el de bronce. La clave existía y la cantidad era correcta. En un pedido real, si ventas lo hubiera aprobado por esos dos datos, almacén podría haber preparado un material que el cliente nunca eligió.
Ahí está la decisión que tomaría para un equipo de ventas. Usaría la IA para adelantar la captura y dejaría las cantidades, claves o presentaciones ambiguas pendientes de confirmación. En el caso del buje, una pregunta corta evita que la suposición llegue hasta el surtido o la factura.
En la Radiografía del Emprendimiento en México 2026, el 25.5 % de las empresas que usaban IA reportó aplicarla a la automatización de procesos con agentes o copilotos. Mi prueba se concentró en una sola tarea de ventas, pasar un renglón del chat a un borrador de pedido. ASEM, informe de resultados, figura 9
Qué pasó con doce pedidos ficticios
El 20 de noviembre de 2026 ejecuté una prueba local con el modelo del sistema de Apple Intelligence, mediante Foundation Models en macOS 27.2.1. Escribí doce conversaciones ficticias en español y preparé un catálogo de cuatro claves y la salida esperada para cada conversación. Cada caso se ejecutó una vez en una sesión nueva con muestreo voraz, que elige la opción más probable en cada paso. El modelo recibió las instrucciones y el chat. Yo conservé por separado la respuesta esperada. Apple, Foundation Models · Instrucciones, chats y respuestas completas
Le pedí tres campos en JSON, un formato que otro programa puede leer. Las claves eran sku para el artículo, cantidad y unidad. Un dato faltante o ambiguo debía quedar como null. La última corrección explícita del cliente tenía prioridad y las unidades debían conservarse tal como se pidieron.
| Caso | Fragmento del chat | Qué devolvió |
|---|---|---|
| 02 | “Ocupo 10 piezas de BR-20”. “Corrijo, déjame 18 piezas”. | BR-20, 18 piezas. Acertó la corrección. |
| 03 | “Necesito 6 piezas del buje de 20 mm”. | BR-20, 6 piezas. Asumió bronce aunque el catálogo tenía dos opciones. |
| 04 | “Sepárame AB-12X. Al rato te confirmo cuánto”. | AB-12X, cantidad vacía y unidad “piezas”. El cliente tampoco había dado la unidad. |
| 05 | “Dame 2 cajas de AB-12. Normalmente traen 50 piezas por caja”. | AB-12, 2 cajas. Conservó la unidad sin convertirla a 100 piezas. |
| 11 | “Del AB-12, 4 cajas”. “Mejor 4 piezas”. | Capturó 4 piezas, pero escribió SKU en lugar de sku. |
| 12 | “Necesito 8 de BR-20A. ¿Manejas paquetes?”. | BR-20A, 8 paquetes. La pregunta no confirmaba la presentación. |
Las doce respuestas venían envueltas en bloques Markdown. Un analizador que esperara JSON puro habría rechazado las doce. Después de quitar solo esas marcas, ocho coincidieron con los tres campos esperados. La tabla incluye las cuatro diferencias. Es el resultado de una ejecución con este catálogo y estas instrucciones. Registro de la prueba
El borrador ahorra captura cuando ventas puede comprobarlo
Un sistema puede comprobar si los campos tienen el nombre y tipo previstos, si la clave existe en el catálogo y si hay datos vacíos. Si recibe SKU o falta la cantidad, puede dejar el borrador pendiente. Al colocar el mensaje original junto a la propuesta, ventas puede revisar también lo que un control de formato pasa por alto, como una clave válida para el material equivocado.
Cuando el volumen de chats justifica automatizar parte de la captura, en Código Móvil podemos desarrollar ese flujo de revisión dentro del sistema de pedidos. El equipo gana un borrador para trabajar y conserva la decisión sobre qué se confirma y qué sigue pendiente. Software empresarial a medida
Un pedido sin datos personales que haya requerido aclaración sirve para empezar la conversación. Con ese ejemplo podemos definir qué campos conviene adelantar y qué tendría que confirmar ventas antes de mandar el pedido a almacén.