Durante años, en los comités de tecnología ha funcionado una regla no siempre escrita, si existe un buen proveedor, se contrata, no se construye en casa, pues sería lento, caro y arriesgado. Comprar era sinónimo de sensatez. Construir mala idea. El caso que analizo hoy —la Inteligencia Artificial en Mercadona, o más exactamente en Mercadona Tech, su filial tecnológica— demuestra que esa regla acaba de quedar obsoleta, demostrada con un dato en el que profundizaremos: una factura que ha pasado de hasta 15.000 dólares al mes a menos de 900.
La historia la contó en LinkedIn José Ramón Pérez Agüera, CTO de Mercadona Tech, y la recogieron después medios como Xataka o El Capital Digital. No es una nota de prensa del departamento de comunicación, es el relato de un equipo que decidió replantearse una decisión que llevaba años dando por cerrada.
El buscador: la puerta de entrada de un tercio del carrito
Conviene entender primero qué estaba en juego. El buscador de la tienda online de Mercadona no es un accesorio, procesa 4,4 millones de búsquedas cada semana y por él entra entre el 30 y el 35 % de los productos que acaban en el carrito de la compra. Cuando alguien escribe «leche sin lactosa» y no obtiene respuesta, no falla una funcionalidad, falla una venta. Y eso ocurría en el 4 % de las búsquedas.
Ese motor crítico estaba en manos de Algolia, un proveedor externo de prestigio que costaba entre 9.000 y 15.000 dólares mensuales. En Mercadona Tech llevaban años acariciando la idea de construir un buscador propio, pero cada vez que hacían números salía unos cinco meses de trabajo con un equipo de cinco o seis personas. Demasiado esfuerzo para algo que aunque no del todo bien, ya funcionaba. Conclusión, la idea volvía al cajón.
Cómo se implantó la Inteligencia Artificial en Mercadona Tech
Lo que realmente cambió la decisión no fue el presupuesto, fue la herramienta. Pérez Agüera se sentó un fin de semana largo con Claude Code, el asistente de programación de Anthropic, y levantó una primera versión funcional del buscador. Según sus propias palabras, «el 70 % del trabajo fueron tres días». El proyecto completo —integración, pruebas de carga, adaptación a los estándares internos— se cerró en torno a un mes, recordemos que estimaban cinco, con el equivalente a dos personas y media dedicadas.
La IA escribió muchísimo código pero no tomó las decisiones importantes. Pérez Agüera documentó 29 decisiones técnicas que la máquina no tomó, desde la arquitectura del sistema hasta la elección del motor de indexación, pues según él «la IA siempre te recomienda la opción más genérica». Por lo que quien conoce su negocio y tiene criterio, elige mejor.
El nuevo buscador combina búsqueda por palabras clave y búsqueda semántica, y ordena los resultados con un modelo que evalúa 14 parámetros —la popularidad del producto y la similitud con lo que el cliente escribió—, entrenado con los datos sobre clics y compras de los propios clientes. Y no solo eso, el equipo analizó 479 megas de catálogo y analítica y ejecutó entre 40 y 50 experimentos antes de dar el sistema por bueno.
El propio equipo ha contado el proceso, pieza a pieza, en su boletín Gemba, en un artículo titulado «Cómo construimos nuestro buscador en Mercadona Tech (y cómo construir el tuyo)», y los detalles confirman que la elegancia estaba en la sencillez, ya que el sistema completo funciona con unos 100 megas de memoria, sin bases de datos caras y sin una sola GPU, y responde cada búsqueda en 12 milisegundos de mediana. En lugar de montar un índice por cada tienda, un único índice maestro usa pequeños mapas de bits para saber qué producto está disponible en cada almacén. ¿Y la IA? Además de escribir código, sirvió para explorar a lo grande: Claude Code llegó a probar 175 configuraciones distintas del algoritmo de relevancia hasta dar con la buena. Incluso pensaron en los riesgos silenciosos: el modelo incorpora un 5 % de exploración y correcciones estadísticas para que el buscador no acabe aprendiendo solo de sus propios resultados, y cualquier versión nueva que rinda un 2 % por debajo de la anterior se descarta automáticamente antes de llegar a producción.
Los resultados: del 4 % de no ofrecer resultados a cero
Las cifras que deja el proyecto son de las que se recuerdan. El coste mensual del buscador cayó de entre 9.000 y 15.000 dólares a menos de 900, un ahorro superior al 90 %. La calidad del ranking de resultados mejoró un 85 % respecto al sistema anterior. Y el dato quizás más significativo, porque habla de personas y no de servidores: las búsquedas que se quedaban sin respuesta pasaron del 4 % al 0 %. Hoy, escribir «leche sin lactosa» en esa web siempre devuelve algo útil. Detrás de ese cero hay clientes que encuentran, y ventas que ya no se escapan.
Con 4,4 millones de búsquedas semanales, no hablamos de un prototipo simpático, hablamos de un sistema en producción, sosteniendo el negocio online de la mayor cadena de supermercados de España.
Qué podemos aprender en cualquier pyme
Primeramente una lección estratégica: la balanza entre comprar y construir se ha movido. No digo que ahora haya que fabricarlo todo en casa, aunque cada vez pienso más en ello, sino que cada contrato de software que renovamos por inercia merece una pregunta nueva: ¿cuánto costaría hoy, con IA, tener esto hecho a nuestra medida? Hace dos años la respuesta descartaba la idea, hoy, como mínimo, obliga a pensar. Para una pyme que paga cada mes por herramientas que solo usa a medias, esa pregunta vale dinero.
La segunda es organizativa. Esto no lo hizo un departamento de innovación con presupuesto especial, sino que lo arrancó una persona con criterio en un fin de semana y lo remató un equipo pequeño en un mes. El tamaño ya no es la barrera, el criterio, sí. Las 29 decisiones que la IA no tomó son la prueba de que esta tecnología multiplica al que sabe —Pérez Agüera lleva media vida trabajando en buscadores— y dispone de criterio para decidir mejor que la IA. No obstante esta aceleró el trabajo por cinco, aunque la dirección del trabajo siguió siendo humana, de principio a fin.
Y la tercera es una advertencia que el propio equipo asume: el llamado vibe coding, ese desarrollo conversacional a golpe de instrucción, les sirvió para nacer, no para crecer. El siguiente paso en Mercadona Tech es evolucionar hacia un desarrollo guiado por especificaciones, con más gobierno y menos improvisación. La velocidad sin ese gobierno es deuda disfrazada de éxito, y ellos lo tienen muy claro.
Hay, además, un gesto que convierte este caso en una invitación abierta: Mercadona Tech ha liberado su playbook completo bajo licencia MIT —las reglas, las fases y el stack técnico con los que guiaron a la IA—, de modo que cualquier equipo, también el de una pyme, puede descargarlo, abrirlo en la misma herramienta y adaptarlo a su propio negocio, sin pedir permiso y sin pagar nada. Pocas veces una gran empresa española deja la puerta tan abierta para que otros recorran su camino.
Para finalizar, concluir que lo más valioso que tenía Mercadona para este proyecto no era la licencia de ninguna herramienta, eran sus propios datos —qué buscan sus clientes, qué compran después— y una persona capaz de convertirlos en decisiones. La IA hizo de palanca, siendo el punto de apoyo el que pusieron ellos. Esa combinación de datos propios, criterio experto y herramienta potente es, hoy por hoy, la mejor fórmula de camino a la excelencia tecnológica que conozco, y por supuesto está al alcance de muchas más empresas de las que se atreven a intentarlo.
¿Qué servicio estás pagando por inercia que tu propio equipo, con datos, criterio e IA, podría construir ya a tu medida?
