Lanzamiento del asistente de IA en la aplicación móvil
Magnit ha introducido su asistente de IA propietario, llamado Mёdik (Magic), directamente en la aplicación móvil "Magnit: Promociones y Entrega". Desarrollado internamente por el equipo de tecnología de la empresa utilizando tecnologías de código abierto y un modelo de lenguaje grande (LLM) comercial de terceros, el asistente permite a los usuarios seleccionar productos en función de criterios específicos, como tipos de comidas. También permite consultar el estado de los pedidos y resolver problemas sin contactar con el servicio de atención al cliente.
Las futuras mejoras ampliarán las capacidades para identificar los máximos descuentos en artículos, proporcionar consejos de navegación en la tienda, ayudar en las cajas de autoservicio y recomendar productos cosméticos y para el cuidado de la piel adaptados a las características individuales de la piel. Magnit posiciona esto como el primer asistente de IA lanzado en las aplicaciones móviles del sector de la venta minorista de comestibles.
Fundamentos técnicos e implementación inicial
La IA aprovecha un enfoque híbrido: marcos de código abierto para la funcionalidad principal combinados con un LLM comercial para el procesamiento avanzado del lenguaje natural. Esta configuración permite la coincidencia de productos en tiempo real desde vastos catálogos, basándose en datos estructurados como atributos, precios y disponibilidad. Las funciones actuales se centran en las recomendaciones basadas en consultas, transformando las entradas vagas del usuario, como "ingredientes para la cena", en surtidos precisos, agilizando así el proceso de descubrimiento de compras.
La integración se produce de forma nativa dentro de la aplicación, que ya gestiona promociones, entregas y programas de fidelización, como lo demuestra su papel central en las operaciones minoristas multiformato de Magnit. Esto integra la IA en las interacciones diarias de los usuarios sin necesidad de herramientas separadas.
Implicaciones para los feeds de productos en el comercio electrónico
Los asistentes de IA como Mёdik influyen directamente en los feeds de productos al permitir el filtrado dinámico y la personalización en el momento de la consulta. Los feeds tradicionales se basan en reglas estáticas o en la curación manual, pero los procesos de coincidencia impulsados por LLM contrastan la intención del usuario con los atributos del feed (precio, categoría, necesidades dietéticas), acelerando la relevancia sin necesidad de etiquetado previo exhaustivo. Esto reduce la latencia en las actualizaciones del feed, ya que los cambios en el catálogo en tiempo real se propagan instantáneamente a las recomendaciones.
Para el comercio electrónico de comestibles, donde los surtidos superan los miles de SKU con volatilidad perecedera o promocional, estos sistemas minimizan la exposición a datos obsoletos. La selección basada en criterios del asistente sugiere incrustaciones vectoriales o búsquedas semánticas sobre los feeds, mejorando la capacidad de descubrimiento de los artículos de cola larga que los feeds rígidos pasan por alto. Si necesita ayuda con su propio feed de producto, consulte este blog: /blog/product_feed/.
Elevar la estandarización del catálogo
La catalogación en el comercio minorista suele adolecer de normas incoherentes entre los proveedores, lo que da lugar a datos fragmentados. El despliegue de Mёdik impone una estandarización implícita: al consultar por tipos de comidas o características de la piel, exige atributos uniformes en los catálogos del backend (perfiles nutricionales, listas de ingredientes, etiquetas dermatológicas). Con el tiempo, esto impulsa mejoras upstream, ya que los datos incompletos producen malas recomendaciones, presionando a los equipos para que se alineen con los esquemas emergentes.
En el comercio electrónico, donde el 70-80% de los catálogos proceden de diversos proveedores, la IA actúa como una puerta de calidad. Las entradas no estándar degradan la precisión del LLM, fomentando la adopción de protocolos como GS1 o ontologías personalizadas. La construcción interna de Magnit sugiere refinamientos propios para gestionar los matices regionales de los productos, estableciendo un punto de referencia para la higiene del catálogo a escala.
Mejorar la calidad y la integridad de las fichas de producto
Las fichas de producto en las aplicaciones de comestibles suelen carecer de profundidad (falta de alérgenos, combinaciones o sustitutos), lo que limita la conversión. Mёdik aborda esto infiriendo la integridad de las interacciones: las fichas incompletas fallan en consultas complejas, revelando lagunas para la mejora iterativa. Las futuras recomendaciones para el cuidado de la piel, por ejemplo, exigirán atributos como los niveles de pH o las etiquetas hipoalergénicas, lo que obligará a realizar fichas más completas y sensibles al contexto.
Esto cambia el comercio electrónico de fichas descriptivas a predictivas, donde la IA rellena los campos que faltan mediante inferencia (por ejemplo, extrapolando la idoneidad de las comidas a partir de los ingredientes). Resultado: mayor confianza del usuario y reducción de las devoluciones, ya que las recomendaciones se ajustan a las necesidades reales. Para la infraestructura de contenidos, automatiza los flujos de trabajo de enriquecimiento, priorizando los artículos de alto tráfico. Asegurarse de que las descripciones de productos sean de primera categoría puede marcar la diferencia. Más información: /blog/howtocreate_sales-driving-product-descriptions-without-spending-a-fortune/.
Acelerar la velocidad de despliegue del surtido
La velocidad en la producción de nuevos surtidos define el comercio electrónico competitivo, especialmente en el sector de la alimentación con fuertes promociones. La incorporación manual (prueba de feeds, fichas, promociones) dura días; la IA lo reduce a minutos. La función de búsqueda de descuentos de Mёdik, cuyo lanzamiento está previsto, escanea los feeds en directo en busca de las mejores coincidencias, lo que permite la presentación instantánea de rebajas flash o introducciones estacionales sin necesidad de volver a rastrear.
Los elementos sin código amplifican esto: las bases de código abierto permiten el ajuste de avisos de arrastrar y soltar y la superposición de reglas, sin pasar por colas de desarrolladores. Los minoristas pueden probar el comportamiento de la IA en subconjuntos del surtido, implementando a los ganadores en toda la aplicación rápidamente. En el caso de Magnit, vincular la IA a las cajas de autoservicio y a la orientación en la tienda presagia la sincronización omnicanal, donde los aprendizajes de la aplicación optimizan los diseños físicos en tiempo real.
Sinergias de la IA sin código y la automatización de contenidos
Las plataformas sin código combinadas con los LLM reducen las barreras para el despliegue de la IA, como se ve en la base de código abierto de Mёdik. Los equipos de tecnología minorista configuran los comportamientos a través de interfaces visuales (encadenamiento de avisos para consultas, enlaces de integración para las API de pedidos) sin necesidad de una codificación profunda. Esto democratiza los procesos de contenido: los vendedores definen la lógica de las recomendaciones, las operaciones gestionan los flujos de soporte, lo que acelera la iteración.
Para la infraestructura de comercio electrónico, desbloquea el contenido generativo a escala: genera automáticamente descripciones de fichas, copias promocionales o paquetes personalizados a partir de los datos del feed. La resolución de soporte de Magnit a través de la IA ejemplifica esto, anticipando los tickets mediante la síntesis del historial de pedidos y las políticas. Hipótesis: a medida que los modelos maduren, el código sin código estandarizará la IA en todas las cadenas, comprimiendo los ciclos de desarrollo de meses a semanas, manteniendo al mismo tiempo las ventajas personalizadas. La gestión de sus datos para estas herramientas se facilita con una herramienta como un programa de procesamiento de listas de precios: consulte este artículo: /blog/price_list-processing-program/
Retailer's.ru informó del lanzamiento, lo que subraya su estatus de pionero en el sector de la alimentación. VentureBeat cubrió las innovaciones relacionadas con la IA en la plantilla, destacando el potencial más amplio de la plataforma. La gestión de sus operaciones de comercio electrónico a menudo se basa en el formato correcto de sus datos. Consulte nuestras guías en profundidad sobre los formatos CSV y JSON: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ o /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
El lanzamiento del asistente de IA de Magnit pone de relieve una tendencia significativa hacia el aprovechamiento de la IA para el descubrimiento de productos y la mejora de la experiencia del consumidor, especialmente en lo que respecta al comercio electrónico en el sector de la alimentación. Esta medida señala un impulso hacia la estandarización de los catálogos y unos datos de productos más ricos para alimentar los modelos de IA. Para plataformas como NotPIM, esto subraya la creciente importancia de la gestión de la información de productos para apoyar las funcionalidades sofisticadas impulsadas por la IA. Consideramos este desarrollo como un paso positivo hacia unas operaciones de comercio electrónico más inteligentes y eficientes.