Home Depot: agentes de IA bajan fallos de entrega al 2,8%

De 5,3% a 2,8%: el número que explica todo

Home Depot redujo su tasa de fallos de entrega en Chicago del 5,3% a cerca del 2,8% con un sistema agéntico construido a medida. La compañía estima que tiene alrededor de 1,5 millones de entregas en riesgo al año por clima, geografía y preferencias del cliente. Para un retailer con más de 2.300 tiendas y el sexto negocio de e-commerce de Estados Unidos —más de US$25.000 millones en ventas online—, cada punto básico de esa métrica se traduce directamente en costos logísticos y clientes que no vuelven.

La responsable de ese stack es Angie Brown, CIO de The Home Depot, que lo desglosó en el podcast Beyond the Pilot de VentureBeat. Lo interesante no es el modelo que usan, sino cómo lo ensamblaron: capas, jerarquía y tensión deliberada entre proveedores.

¿Cómo está construida la arquitectura de agentes de Home Depot?

Brown describe un sistema en capas, no un agente monolítico. En la cima están las experiencias que ve el cliente. Debajo, una capa delgada atada al cliente —lo que llaman client planner— que decide la inferencia y elige a qué agente de alto nivel derivar la conversación.

Leíste lo que hace la IA. ¿Y en tu negocio?

En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.

👥 Probar 7 días

Después vienen los agentes de dominio: uno para venta, otro para post-compra y otro para entrega. Y debajo de esos, sub-agentes de grano fino por categoría: pintura, herramientas eléctricas, productos configurables. La lógica es explícita: no querían "un agente que gobierne todo", sino una estructura que permita reutilizar componentes entre experiencias distintas.

La base de conocimiento se apoya en Google BigQuery, búsqueda híbrida, bases vectoriales no estructuradas y un data mesh, todo envuelto en gestión de identidad de agentes, guardarraíles de seguridad y evaluaciones de seguridad.

Los resultados que ya están en producción

Más allá de la entrega, hay tres números que vale la pena retener:

IVR conversacional (Google NGA): ya está vivo en unas 1.000 de las 2.300 tiendas. Es multilingüe, consulta estado de pedidos, horarios e información de producto, y según Brown maneja 3 veces más preguntas sin transferir a un humano. La salida a un humano sigue disponible como principio de diseño.
Blueprint takeoff para contratistas: un flujo que convierte un plano en una lista de materiales y una cotización. El tiempo de respuesta pasó de más de una semana a entre 24 y 48 horas.
Lo que viene: optimización de surtido por SKU y generación agéntica de planogramas sobre 30.000 a 40.000 SKUs por tienda.

El sistema de entrega, por su parte, evalúa tres tipos de riesgo —clima, geoespecial (calles o accesos angostos) y preferencias del cliente— y emite tres señales posibles: contactar al cliente, contactar al conductor o cambiar el tipo de camión. En esa etapa todavía hay humano en el loop para ejecutar la acción.

¿Por qué Home Depot usa varios modelos a la vez?

Este es el punto más contraintuitivo del caso. Home Depot corre Google ADK como capa principal de orquestación, pero mantiene Azure OpenAI como contrapeso activo para evaluar la calidad del output de Google. En código hacen algo parecido: Claude para generación y modelos de OpenAI para revisión de código. Sus cargas más intensivas en cómputo pasan por una plataforma interna llamada Magic Forge.

Como explicó Brown en una presentación recogida por TechTarget, la compañía usa Gemini Enterprise para integrar y portar contexto de datos y IA a través de varias capas del stack, desde BigQuery hasta Gemini Enterprise for CX, y destaca la portabilidad entre capas como una ventaja concreta.

La tensión entre proveedores no es un accidente: es una decisión de arquitectura. Un modelo produce, otro audita. Eso reduce el riesgo de quedar atado a una sola curva de calidad y da una señal de evaluación independiente.

¿Qué significa esto para tu startup?

El caso de Home Depot es incómodo para quien busca atajos, porque su ventaja no está en el modelo. Está en la ingeniería alrededor del modelo: taxonomía, capa de orquestación, registros de agentes y evaluación. Brown lo dijo sin rodeos: mucho de este trabajo "es menos sobre los LLM y más sobre la ingeniería alrededor de ellos".

Y hay un dato de mercado que refuerza esa idea. Según el 2026 Connectivity Benchmark Report de Salesforce, MuleSoft y Deloitte Digital, citado por ZDNET sobre una encuesta a 1.050 líderes de TI, el 86% afirma que sin una integración adecuada los agentes de IA introducen más complejidad que valor, y el 82% señala la integración de datos como su principal obstáculo. El mismo informe calcula que las organizaciones dedican en promedio el 19% de su presupuesto de TI a agentes de IA.

Hay una segunda advertencia, esta vez sobre gobierno. Un informe de Opsin Labs difundido por Yahoo Finance encontró que el 60% de los agentes empresariales configurados más allá de los ajustes por defecto recibieron acceso total en lugar de permisos acotados a su tarea. Es decir: la mayoría de los agentes en producción tienen más poder del que necesitan.

Acciones concretas

Diseña la capa de orquestación antes de elegir el modelo. Define el planner, el registro de agentes y el mecanismo de evaluación. Si tu arquitectura es un solo agente que hace todo, cada caso de uso nuevo te obliga a reescribir.
Instala tensión entre modelos. Usa un proveedor para producir y otro para evaluar la salida. Es barato comparado con el costo de descubrir en producción que tu modelo se degradó.
Empieza por un punto de fricción medible, no por el caso vistoso. Home Depot arrancó por la tasa de fallos de entrega, no por un chatbot genérico. Elige una métrica que ya estés midiendo y muévela.
Acota permisos desde el primer día. Antes de escalar agentes, define qué puede tocar cada uno. Recuperar el control después de que un agente actúe sobre sistemas sensibles es mucho más caro que diseñarlo bien al inicio.

Conclusión

Home Depot no ganó con un modelo mejor. Ganó con una arquitectura por capas, una base de datos ordenada y la disciplina de mantener dos proveedores mirándose entre sí. Para una startup, la lección es que el diferencial competitivo en IA empresarial se está moviendo del modelo al sistema que lo rodea: orquestación, contexto y gobierno. Quien resuelva eso primero, escala; quien solo cambie de modelo, empata.

Fuentes

Leíste lo que hace la IA. ¿Y en tu negocio?

En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.

👥 Probar 7 días