Mercadona ahorra 94% con IA: lección para founders

El dato que cambia la ecuación build vs buy

Mercadona Tech redujo sus costos de búsqueda en un 94% en solo 1 mes: de 9.000-15.000 dólares mensuales con Algolia a menos de 900 dólares con su solución propia. No es una optimización incremental — es un cambio de paradigma que pone sobre la mesa una pregunta incómoda para founders: ¿cuántos SaaS estás pagando que podrías construir con IA por una fracción del costo?

Para un founder hispanohablante operando con márgenes ajustados (común en LATAM y España), este caso no es solo inspiración — es un blueprint accionable. El equipo de Valencia usó Claude Code de Anthropic para desarrollar desde cero un motor híbrido que combina búsqueda por palabras clave y semántica, procesando 479 MB de datos de catálogo y analítica en días, no semanas.

¿Qué tecnología usó Mercadona Tech exactamente?

El CTO de Mercadona Tech describió el proceso como "vibe coding": desarrollo conversacional donde el equipo iteraba con Claude Code en lugar de escribir código manualmente. El sistema resultante usa un modelo de ranking con 14 parámetros, donde popularidad del producto y similitud semántica representan dos tercios del peso.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Los resultados técnicos fueron contundentes:

+85% en calidad de ranking de resultados
0% de búsquedas sin resultados (antes tenían 4%)
Documentación automática de configuraciones generada por IA
Modelo entrenado con datos de clics y compras de las últimas 4 semanas

La clave no fue solo la tecnología — fue la velocidad. En un mes, pasaron de dependencia total de Algolia (el mismo SaaS que usan Stripe, Sephora y LVMH) a una solución propia escalable.

¿Por qué Algolia costaba tanto y la solución propia tan poco?

Algolia cobra por volumen de búsquedas. Para un retailer con el tráfico de Mercadona Online, la factura mensual oscilaba entre 9.000 y 15.000 dólares, variable según picos estacionales. Es el modelo clásico de SaaS: escalas, pagas más.

La solución propia con Claude Code tiene costos operativos fijos: menos de 900 dólares mensuales (~780 euros), principalmente en infraestructura cloud y tokens de IA. El ahorro del 90-94% no viene de recortar calidad — viene de eliminar el markup del SaaS y pagar solo lo que usas.

Para founders: si tu startup procesa alto volumen de transacciones, búsquedas o datos, haz las matemáticas. Un SaaS que cobra $0.005 por búsqueda puede parecer barato hasta que procesas 2 millones al mes.

¿Qué significa esto para tu startup?

Este caso de Mercadona no es solo sobre retail — es sobre la viabilidad del "build" en la era de IA. Antes, construir un motor de búsqueda propio requería meses de ingeniería especializada. Hoy, con agentes de código como Claude Code, un equipo pequeño puede iterar decenas de experimentos en horas.

Acción 1: Auditoría de SaaS con criterio de volumen

Lista todos tus SaaS actuales y su costo mensual
Identifica cuáles cobran por volumen (búsquedas, API calls, usuarios, almacenamiento)
Proyecta el costo a 12 meses con tu crecimiento esperado
Pregunta: ¿Esta funcionalidad es core para mi producto o es commodity?

Si es commodity (búsqueda, autenticación, pagos básicos) y el volumen es alto, construir puede tener sentido. Si es core (tu diferenciador), probablemente debas seguir comprando para moverte rápido.

Acción 2: Prueba de viabilidad con IA en 2 semanas

Selecciona UN SaaS de alto costo y volumen
Usa Claude Code o similar para prototipar una versión mínima en 10 días
Compara: costo de desarrollo (tiempo del equipo + tokens de IA) vs 6 meses de SaaS
Evalúa calidad: ¿el 80% de la funcionalidad es suficiente?

Mercadona Tech no buscó perfección — buscó funcionalidad que eliminara el 4% de búsquedas sin resultado y mejorara el ranking. Para muchas startups, el 80/20 es suficiente.

El contexto de Mercadona Tech: ¿por qué pudieron hacerlo?

Mercadona Tech, creada en 2016, es la división tecnológica del supermercado español con equipos en Valencia enfocados en e-commerce, logística automatizada (sus famosas "colmenas" para pedidos online), big data y UX. Su estrategia de transformación digital prioriza soluciones propias ("hacendado" tecnológico) para reducir dependencias externas.

Esto no es nuevo para ellos — ya tenían cultura de build. Lo nuevo es que Claude Code hizo viable en 1 mes lo que antes tomaría 6-12 meses. El CTO lo describió como un "factor desequilibrante" financiero y tecnológico.

Para founders de startups hispanas: si no tienes el equipo de Mercadona, la lección no es "construye todo" — es "evalúa cada SaaS con datos, no con inercia". Muchos founders heredaron stacks de SaaS de advisors o aceleradoras sin cuestionar si siguen teniendo sentido.

Casos similares en el ecosistema: ¿es replicable?

Las fuentes consultadas no documentan casos verificables de otras empresas migrando de SaaS a soluciones propias con IA en el mismo contexto. Mercadona se presenta como pionero en retail por su velocidad y ahorro.

Esto tiene implicaciones para el ecosistema startup hispanohablante:

Oportunidad: Si Mercadona (con miles de empleados) puede hacerlo en 1 mes, una startup de 10 personas con stack moderno puede moverse aún más rápido
Riesgo: Construir mal es más caro que comprar. Un motor de búsqueda mal optimizado puede destruir tu conversión
Timing: 2026 es el año donde build vs buy se redefine. Lo que era impensable en 2024 es viable hoy

La pregunta para tu startup no es "¿debería construir?" sino "¿cuándo y qué vale la pena construir?"

Build vs Buy en 2026: el nuevo framework para founders

El debate clásico de build vs buy tenía una respuesta simple: buy para moverte rápido, build para diferenciarte. En 2026, con agentes de IA como Claude Code, la ecuación cambia:

Build cuando:

El SaaS cobra por volumen y tu volumen es alto (como Mercadona con búsquedas)
La funcionalidad es estable y bien documentada (búsqueda, notificaciones, reporting)
Tienes acceso a IA que reduce tiempo de desarrollo 10x
El costo de 12 meses de SaaS > 3 meses de salario de ingeniero + infraestructura

Buy cuando:

La funcionalidad es core de tu diferenciación (no la construyas, mejora sobre ella)
El SaaS tiene network effects o datos que no puedes replicar
Tu equipo es pequeño y el tiempo-to-market es crítico
La regulación o compliance requiere certificaciones que un SaaS ya tiene

Para founders en LATAM y España: el acceso a capital es más limitado que en Silicon Valley. Cada dólar en SaaS es un dólar que no inviertes en growth o hiring. La disciplina de evaluar build vs buy con datos (no con ego de ingeniero) puede ser tu ventaja competitiva.

Errores comunes al migrar de SaaS a solución propia

Basado en patrones observados en el ecosistema, estos son los errores que debes evitar:

Subestimar el mantenimiento: Construir es el 20%. Mantener, monitorear y mejorar es el 80%. Mercadona Tech tiene equipos dedicados — tú necesitarás asignar tiempo del equipo
Ignorar edge cases: Algolia maneja sinónimos, typos, idiomas, escalado automático. Tu solución propia debe hacerlo también o perderás conversión
No medir antes de migrar: Establece baseline de métricas (tiempo de respuesta, tasa de resultados vacíos, conversión) antes de cambiar
Migrar todo de una vez: Haz A/B testing. Mercadona probablemente probó en tráfico controlado antes del rollout completo

La lección de Mercadona no es la migración — es la disciplina de medir, iterar y decidir con datos.

Conclusión: ¿deberías hacer lo que hizo Mercadona?

Si tu startup tiene alto volumen de transacciones en un SaaS que cobra por uso, y la funcionalidad es commodity (no tu diferenciador), el caso de Mercadona Tech sugiere que construir con IA puede ser viable en semanas, no meses. El ahorro del 94% (de 15.000 a 900 dólares) no es marginal — es capital que puedes reinvertir en growth.

Pero si tu equipo es de 3 personas y estás validando product-market fit, comprar SaaS sigue siendo la respuesta correcta. La velocidad de iteración vale más que el ahorro.

La IA no eliminó el trade-off build vs buy — lo hizo más granular. Ahora la pregunta no es binaria, sino: "¿qué porcentaje de esta funcionalidad puedo construir con IA y qué porcentaje debo comprar?"

Para founders hispanohablantes operando con márgenes ajustados, esa granularidad es poder. Úsala con disciplina.

Fuentes