Términos de la A a la Z
Agentic AI
Agentic AI designa sistemas de IA que persiguen objetivos de forma autónoma, crean planes y ejecutan acciones sin necesidad de intervención humana en cada paso. A diferencia de los chatbots reactivos, los sistemas Agentic AI trabajan con varios subagentes especializados que actúan en paralelo y de forma coordinada.
No confundir con:
Los chatbots clásicos o bots basados en reglas se limitan a respuestas predefinidas. La Agentic AI planifica y actúa; un chatbot solo reacciona.
Aplicación práctica:
En el e-commerce, la Agentic AI asume el asesoramiento de productos: analiza consultas, busca en el catálogo, hace preguntas de seguimiento y explica recomendaciones, sin mantenimiento manual de reglas.
Agentic Search
Agentic Search coordina varios agentes de IA especializados que traducen la intención de compra, los requisitos y las restricciones en una coincidencia completa del catálogo a través de puntos de datos de producto estructurados por SKU. El resultado no es un subconjunto Top-k, sino una selección completa y justificada de todos los productos adecuados.
No confundir con:
Semantic Search o RAG. Agentic Search no utiliza similitud vectorial, sino coincidencia de intención basada en atributos con mecanismo de seguimiento.
Aplicación práctica:
En la tienda online: la tasa de resultados cero se reduce considerablemente porque los agentes encuentran atributos de producto adecuados incluso para consultas desconocidas o ambiguas.
RAG (Retrieval-Augmented Generation)
RAG combina la recuperación de información (Retrieval) con la generación de texto (Generation). Un modelo de lenguaje recibe documentos relevantes de una base de datos vectorial y genera una respuesta basándose en ellos. Objetivo: reducir las alucinaciones e incorporar información actualizada.
No confundir con:
Agentic Search. RAG genera respuestas a partir de documentos; Agentic Search proporciona recomendaciones de productos a partir de datos de catálogo estructurados sin índice vectorial.
Aplicación práctica:
Las aseguradoras utilizan RAG para responder preguntas frecuentes a partir de documentos de pólizas. Sin embargo, el riesgo de alucinaciones sigue siendo elevado, ya que las salidas generativas no se verifican.
LLM (Large Language Model)
Un Large Language Model es una red neuronal entrenada con grandes cantidades de texto que comprende y genera lenguaje. Los LLM constituyen la base de sistemas como ChatGPT, Claude o Gemini. Generan continuaciones probables: no son bases de datos y no verifican hechos.
No confundir con:
Un motor de búsqueda. Los LLM generan texto, no indexan URLs. Pueden alucinar porque no verifican hechos.
Aplicación práctica:
En el e-commerce, los LLM actúan como capa de lenguaje: interpretan las consultas de los clientes y formulan respuestas. La lógica de producto real reside en agentes especializados.
Embeddings
Los embeddings son vectores numéricos que representan el contenido semántico de textos, imágenes o productos. Los contenidos similares reciben vectores similares, lo que permite la búsqueda por similitud. Se generan mediante modelos de lenguaje o modelos de embedding especializados.
No confundir con:
Palabras clave. Las palabras clave son términos exactos; los embeddings representan el significado. Dos frases con palabras diferentes pueden tener embeddings muy similares.
Aplicación práctica:
En el e-commerce: las descripciones de productos se almacenan como embeddings para encontrar productos semánticamente similares durante la búsqueda, independientemente de las formulaciones exactas.
Vector Search
Vector Search (búsqueda vectorial) encuentra documentos o productos basándose en la similitud entre embeddings, no en palabras clave exactas. Cada consulta se convierte en un vector; el índice devuelve los vectores más similares.
No confundir con:
Agentic Search. Vector Search mide la similitud; Agentic Search comprende el contexto y hace preguntas de seguimiento. Ante consultas de atributos muy específicas, Vector Search puede fallar.
Aplicación práctica:
Las tiendas de e-commerce utilizan Vector Search para la búsqueda semántica de productos. Los nuevos productos sin descripción suficiente se encuentran con dificultad; Agentic Search soluciona esto mediante la coincidencia de atributos.
Conversational Commerce
Conversational Commerce designa el comercio a través de interfaces basadas en diálogo: chat, voz o mensajería. Los clientes mantienen una conversación, hacen preguntas y reciben sugerencias de productos en el diálogo, de forma automatizada y escalable.
No confundir con:
Chat en vivo. El chat en vivo conecta con personas; Conversational Commerce está automatizado y escala a millones de conversaciones simultáneas.
Aplicación práctica:
Las tiendas con Conversational Commerce basado en Agentic AI informan de recorridos del cliente más cortos y valores de carrito más altos gracias a una clarificación precisa de las necesidades.
AI Product Discovery
AI Product Discovery describe el proceso mediante el cual los sistemas de IA ayudan a los clientes a descubrir productos relevantes, incluso cuando no saben qué buscan. Típico: clarificación de necesidades basada en diálogo, sugerencias personalizadas, explicaciones.
No confundir con:
Búsqueda de productos clásica. La búsqueda clásica requiere un término de búsqueda conocido; AI Product Discovery lleva activamente al cliente a los productos adecuados.
Aplicación práctica:
Los proveedores de seguros utilizan AI Product Discovery para recomendar tarifas: la IA pregunta sobre las necesidades, explica las diferencias y recomienda la tarifa adecuada.
Alucinaciones (IA)
Las alucinaciones son afirmaciones factualmente incorrectas o inventadas que un modelo de lenguaje de IA produce con aparente certeza. Surgen porque los LLM maximizan probabilidades, no verifican hechos. Las alucinaciones son una característica sistémica de los modelos generativos, no un error en el sentido clásico.
No confundir con:
Desinformación causada por problemas de datos. Las alucinaciones surgen en el propio proceso de generación, independientemente de la calidad del entrenamiento.
Aplicación práctica:
En el e-commerce, las propiedades de producto alucinadas suponen un riesgo de devoluciones y responsabilidad. Agentic Search minimiza el riesgo al derivar las recomendaciones directamente de atributos de producto verificados.
Explainable AI (XAI)
Explainable AI designa sistemas de IA cuyas decisiones pueden explicarse de forma comprensible. Una recomendación se considera explicable cuando el sistema puede justificar qué atributos o características llevaron a ese resultado.
No confundir con:
Entrenamiento transparente. La explicabilidad se refiere al resultado, no al proceso de entrenamiento.
Aplicación práctica:
Ein Explain-Panel zeigt, warum ein Produkt empfohlen wurde: „Passend wegen: Gewicht < 1,5 kg, 15-Zoll-Display, langer Akkulaufzeit." Das stärkt Vertrauen und erfüllt BaFin-Anforderungen für Versicherungsprodukte.
Re-Ranking
Re-Ranking es un proceso de búsqueda en dos etapas: primera etapa: preseleción rápida de candidatos. Segunda etapa: un modelo evalúa cada candidato con más precisión y reordena la lista. Resultado: mayor relevancia que la búsqueda en una sola etapa.
No confundir con:
Ordenación por filtros. Los filtros reducen el espacio de búsqueda según reglas; Re-Ranking evalúa la relevancia semántica entre la consulta y los candidatos.
Aplicación práctica:
Los sistemas de búsqueda de e-commerce utilizan Re-Ranking para ordenar los 10 mejores resultados por probabilidad de compra. En Agentic Search, los agentes realizan esta evaluación directamente.
Query Intent
Query Intent bezeichnet die eigentliche Absicht hinter einer Suchanfrage. „Laptop für Homeoffice" signalisiert: leise, leicht, langer Akku – obwohl diese Attribute nicht explizit genannt werden. KI-Systeme, die Query Intent verstehen, liefern bessere Ergebnisse als rein lexikalische Suchen.
No confundir con:
Palabras clave. Las palabras clave son palabras de la consulta; Query Intent es la intención de compra subyacente. La misma intención puede expresarse de muchas formas diferentes.
Aplicación práctica:
Agentic Search reconoce la intención, hace preguntas de seguimiento ante ambiguíedades y filtra el catálogo según los atributos inferidos, sin que el cliente necesite conocer las especificaciones del producto.
Zero-Result (Sin resultados)
Un Zero-Result se produce cuando una búsqueda no devuelve resultados, aunque hubiera productos adecuados en el catálogo. Causas: coincidencias de palabras clave demasiado restrictivas, sinónimos faltantes, compresión insuficiente de la intención. Los Zero-Results generan abandonos de compra.
No confundir con:
Un catálogo vacío. Los Zero-Results surgen por una solución de búsqueda inadecuada, no por la falta de productos.
Aplicación práctica:
Las búsquedas clásicas por palabras clave producen Zero-Results con errores tipográficos, sinónimos o atributos combinados. Agentic Search elimina los Zero-Results estructuralmente: los agentes siempre encuentran atributos adecuados.
POC (Proof of Concept)
Un Proof of Concept es una operación de prueba estructurada que demuestra si una tecnología funciona en condiciones reales. En el contexto de IA: integración en el entorno del sistema real, prueba con datos de producto reales, medición de KPIs concretos, antes del despliegue completo.
No confundir con:
Demostración o simulación. Las demos muestran funciones en sistemas de muestra; un POC funciona con los datos propios y proporciona resultados medibles como base de decisión.
Aplicación práctica:
AGINITY AI ofrece POC en 48 horas: cargar el catálogo de productos, configurar los agentes, probar en directo. KPIs típicos: tasa de cero resultados, conversión, tasa de devoluciones.
IA conforme con el RGPD
La IA conforme con el RGPD designa sistemas de IA que cumplen los requisitos del Reglamento General de Protección de Datos: minimización de datos, limitación de la finalidad, transparencia y tratamiento en el ámbito jurídico de la UE. Para la IA se aplica además: obligación de documentación en decisiones automatizadas (Art. 22 RGPD).
No confundir con:
Certificación ISO 27001 o auditorías de seguridad. El cumplimiento del RGPD se refiere al tratamiento de datos personales, no principalmente a la seguridad informática.
Aplicación práctica:
Las tiendas y proveedores de seguros de la región DACH deben garantizar que las recomendaciones de IA sean comprensibles e impugnables. AGINITY AI trata todas las consultas de forma seudonónima en centros de datos alemanes.
Asesoramiento de productos con IA
El asesoramiento de productos con IA es un servicio de consultoría basado en diálogo donde un sistema identifica necesidades, selecciona productos adecuados y justifica la recomendación. El objetivo no es solo una lista de resultados, sino el apoyo a la toma de decisiones. Especialmente eficaz para productos que requieren explicación y con muchas variantes.
No confundir con:
Búsqueda simple por palabras clave sin contexto. Las búsquedas por palabras clave devuelven listas de resultados; el asesoramiento de productos con IA aclara las necesidades y explica la selección.
Aplicación práctica:
Hilft Shops und Versicherern, komplexe Produkte verständlich zu empfehlen und Kaufabbrüche zu reduzieren. Beispiel: „Ich brauche einen leisen Laptop für Homeoffice" → Rückfragen + begründete Auswahl.
Agentic Shopping Assistant
Un Agentic Shopping Assistant combina la comprensión del lenguaje, la lógica de preguntas de seguimiento y la coincidencia basada en atributos. Trabaja en múltiples etapas: identificar necesidades, buscar en el catálogo, justificar el resultado, en lugar de basarse en reglas o scripts estáticos.
No confundir con:
Chatbots de preguntas frecuentes con respuestas predefinidas. Los chatbots de FAQ reaccionan a preguntas preformuladas; un Agentic Shopping Assistant comprende formulaciones libres y adapta su estrategia.
Aplicación práctica:
Aumenta la calidad del asesoramiento para catálogos grandes con muchas variantes. Pregunta activamente sobre el presupuesto y las preferencias antes de priorizar los productos.
Guided Selling con IA
Guided Selling lleva a los usuarios paso a paso hacia la selección adecuada, mediante preguntas, filtros basados en atributos y recomendaciones justificadas. La IA prioriza las preguntas siguientes más relevantes basándose en el transcurso anterior de la conversación.
No confundir con:
Filtros de productos estáticos sin diálogo. Los filtros reducen el espacio de búsqueda según criterios predefinidos; Guided Selling con IA adapta dinámicamente el flujo de preguntas a la situación.
Aplicación práctica:
Especialmente eficaz para productos que requieren explicación o con lógica de tarifas compleja. Punto de entrada a través del caso de uso en lugar de la especificación técnica.
Coincidencia de productos basada en atributos
La coincidencia de productos basada en atributos verifica los requisitos directamente con los atributos de producto concretos, no con la similitud textual. Los criterios obligatorios se validan explícitamente; los criterios opcionales se integran en el ranking. El resultado es rastreable y explicable.
No confundir con:
Reiner Vektorähnlichkeit ohne harte Attributprüfung. Vektorähnlichkeit misst semantische Nähe, prüft aber keine konkreten Werte wie „Akkulaufzeit ≥ 10h".
Aplicación práctica:
Reduziert Fehlkäufe, weil Muss-Kriterien explizit geprüft werden. Beispiel: „Akkulaufzeit ≥ 10h, Gewicht < 1,5 kg" als harte Filterkriterien vor dem Ranking.
Reconocimiento de intención de compra (Purchase Intent)
El reconocimiento de intención de compra extrae el objetivo detrás de una consulta de búsqueda: informativo, comparativo o listo para comprar. Los sistemas que clasifican correctamente la intención pueden adaptar la prioridad y la estrategia de respuesta, por ejemplo, comparación en lugar de sugerencia de compra directa.
No confundir con:
Mera extracción de palabras clave. Las palabras clave describen lo que alguien escribe; el reconocimiento de intención de compra infiere por qué alguien busca.
Aplicación práctica:
Bessere Priorisierung zwischen Beratung, Vergleich und Checkout-Nähe. Beispiel: „Beste Kamera fürs Reisen" → Vergleichsintention, kein spezifisches Modell.
Recomendación de producto personalizada
Las recomendaciones de productos personalizadas adaptan los resultados al contexto, la necesidad identificada y las preferencias. La personalización puede ser basada en reglas (p. ej., según el presupuesto indicado) o basada en modelos (p. ej., mediante patrones de uso).
No confundir con:
Standardisierten „Kunden kauften auch"-Blöcken. Diese basieren auf Kaufhistorie, nicht auf dem individuellen Bedarf in der aktuellen Sitzung.
Aplicación práctica:
Mayor relevancia por sesión cuando las preferencias se identifican correctamente. La recomendación varía según el presupuesto, el caso de uso y la afinidad al riesgo.
Búsqueda de productos con asesoramiento
Beratende Produktsuche verbindet Suche und Beratung: verstehen, rückfragen, filtern, begründen. Sie beantwortet „Was passt zu meinem Bedarf?" statt nur „Was enthält den gesuchten Begriff?" – und leitet aus unklaren Eingaben schrittweise präzise Anforderungen ab.
No confundir con:
Búsqueda onsite clásica. La búsqueda onsite devuelve resultados basados en términos; la búsqueda de productos con asesoramiento aclara activamente las necesidades.
Aplicación práctica:
Especialmente valioso en ciclos de decisión largos y con gran variedad de variantes. El sistema lleva al usuario desde una consulta vaga hasta una selección concreta.
Entrenamiento de conocimiento experto para asesoramiento
El entrenamiento de conocimiento experto designa la adaptación dirigida del estilo de respuesta, las reglas de priorización y el conocimiento del dominio a las especificaciones del cliente. Los cambios se versionan y se hacen verificables, sin ajuste fino no controlado del modelo completo.
No confundir con:
Fine-tuning no controlado sin gobernanza. El fine-tuning cambia el modelo base globalmente; el entrenamiento de conocimiento experto es basado en reglas, versionado y reversible.
Aplicación práctica:
Kunden können festlegen, wie Antworten formuliert werden und welche Kriterien Vorrang haben. Beispiel: „Immer zuerst Sicherheit und Folgekosten erklären, dann Preis."
Verificación de compatibilidad (Fitment Matching)
La verificación de compatibilidad comprueba si un producto es compatible con otro sistema, modelo o componente, mediante atributos técnicos estrictos como número de modelo, serie o año de fabricación. Los sistemas de IA con Fitment Matching solo devuelven resultados en los que se cumplen completamente todas las condiciones de compatibilidad.
No confundir con:
Textähnlichkeit oder Keyword-Matching. Ein Keyword-Match auf „Miele" findet alle Miele-Produkte; Fitment Matching prüft, ob der Artikel mit dem konkreten Modell kompatibel ist.
Aplicación práctica:
Beispiel: „Staubbeutel für Miele C2" → nur Staubbeutel, die als kompatibel mit Miele Complete C2 ausgezeichnet sind. Modell, Serie und Baujahr sind Muss-Kriterien.
Preguntas frecuentes sobre el glosario de IA
¿Cuál es la diferencia entre Agentic AI y un chatbot?
Los chatbots siguen scripts o responden preguntas predefinidas. Agentic AI planifica de forma autónoma, coordina múltiples subagentes y realiza tareas de varios pasos – sin requerir entrada humana en cada paso.
¿Qué significa RAG y cuándo es útil?
RAG significa Retrieval-Augmented Generation. Es útil cuando un modelo de lenguaje necesita acceder a documentos actuales o específicos de la empresa – por ejemplo textos de pólizas de seguros o bases de conocimiento internas.
¿Cuál es la diferencia entre la búsqueda vectorial y Agentic Search?
La búsqueda vectorial encuentra documentos similares basándose en embeddings. Agentic Search comprende la intención de una consulta, hace preguntas de seguimiento cuando es necesario y empareja atributos de productos directamente – sin base de datos vectorial.
¿Qué son las alucinaciones de IA y cómo prevenirlas?
Las alucinaciones son afirmaciones factualmente incorrectas que los LLMs formulan con aparente certeza. Prevención: fuentes de datos estructuradas en lugar de generación libre y – para recomendaciones de productos – Agentic Search, que trabaja directamente sobre datos de catálogo verificados.
¿Qué significa en práctica una IA conforme con el RGPD para tiendas?
Los datos personales deben procesarse dentro del marco legal de la UE. Las recomendaciones automatizadas deben estar documentadas y ser impugnables por los clientes. AGINITY AI cumple estos requisitos mediante hosting en la UE y recomendaciones basadas en atributos y explicables.
¿Qué es el Query Intent y por qué es importante?
El Query Intent es la intención de compra real detrás de una consulta de búsqueda. Un sistema que entiende la intención encuentra productos coincidentes incluso con formulaciones imprecisas – reduciendo así los resultados nulos y los abandonos.
¿Qué es un Zero-Result y cómo evitarlo?
Un Zero-Result ocurre cuando la búsqueda no devuelve resultados a pesar de que hay productos disponibles en el catálogo. Causa: coincidencia exacta de palabras clave sin sinónimos ni comprensión de intención. Agentic Search elimina estructuralmente los resultados nulos mediante coincidencia basada en atributos.
¿Qué es un POC en AGINITY AI?
Un POC (Proof of Concept) en AGINITY AI es una prueba de 48 horas con sus datos de productos reales. Ve en vivo cómo Agentic Search responde a las consultas de los clientes y mide KPIs como la tasa de resultados nulos, conversión y duración de sesión.
¿Cómo comprueba la IA la compatibilidad de piezas de repuesto y accesorios?
El Fitment Matching comprueba requisitos como número de modelo, serie y año de fabricación directamente contra atributos de producto fijos – no similitud de texto. Solo los productos que cumplen todas las condiciones de compatibilidad se devuelven como resultados.
Descubrir AgenticSearch en vivo
Pruebe Agentic Search con sus propios datos de productos – listo en 48 horas.
Artículos relacionados
Tecnología
Agentic Search en e-commerce: cómo funciona
Caso de uso
Asistente de compras con IA: definición y ventajas
Caso de uso
Asesoramiento de productos con IA en la tienda online
Tecnología
IA generativa y búsqueda de productos en e-commerce
Analítica & Optimización
Analytics y conocimiento experto: asesoramiento continuamente mejorado
Autor
Peter Niedermeier
Fundador y CEO, AGINITY AI
Fundador y CEO de AGINITY AI. Más de 15 años de experiencia en e-commerce y desarrollo de productos de IA. Desarrolla soluciones Agentic Shopping para el comercio online europeo.
Ver perfil de LinkedIn