Si yo tuviera que resumir este mercado en una sola idea, diría esto: de acá a 2030, el gasto en IA para e-commerce va a crecer más por más casos de uso por marca que por el crecimiento del e-commerce por sí solo.
En este análisis, yo separo dos cosas que muchas veces se mezclan: ingresos de software de IA y GMV influenciado por IA. Acá solo importa la primera. Esa diferencia cambia todo: el tamaño del mercado, la forma de estimarlo y cómo una marca arma presupuesto hasta 31/12/2030.
Qué me deja este análisis, en simple:
En otras palabras: si una marca solo automatiza tickets, paga una cosa; si usa IA para vender, recomprar y atender por chat, paga otra muy distinta.
| Punto | Qué mirar |
|---|---|
| Métrica correcta | Ingreso por software, no GMV |
| Uso que entra primero | Soporte |
| Uso que más puede empujar gasto | Ventas conversacionales |
| Canal que cambia la adopción en Argentina | |
| Forma de proyectar 2030 | Escenarios, no cifra cerrada |
Yo leería este artículo de esta manera: primero como una guía para entender qué se está midiendo, y después como una base para decidir .
Antes de mostrar números, este análisis cruza tres caminos para estimar un mercado bastante fragmentado. La idea es simple: si los resultados se acercan entre sí, el rango gana solidez. Y si se alejan, esa diferencia también dice algo sobre el mercado.
Este modelo arranca con informes de analistas globales para aislar la parte que corresponde al software de e-commerce y dividirla entre soporte, ventas y analítica. Sirve para mirar el panorama general y entender hacia dónde va la inversión.
El punto flojo es claro: muchos reportes agrupan software y servicios en la misma bolsa. Entonces, el número puede quedar inflado si no se filtra bien qué entra y qué no.
Acá el cálculo va desde abajo. Toma la cantidad de tiendas en Shopify, Tiendanube, VTEX y stacks propios integrados por API, y la multiplica por la adopción y el gasto anual por tienda.
Tiene una ventaja fuerte: baja el análisis a algo más concreto y cercano a la adopción SaaS que se ve en la práctica. El problema es que no todo está a la vista. Las operaciones que viven en canales de mensajería y muchos stacks custom son bastante más difíciles de seguir.
Este enfoque estima cuánto podría pagar una marca según dos palancas: el ahorro en soporte y la mejora en conversión. Dicho de otro modo, intenta ponerle un límite lógico al precio en función del retorno esperado.
Su límite es que no busca reflejar el precio que hoy cobra el mercado, sino el techo racional que una empresa estaría dispuesta a pagar. Además, cambia mucho si cambian los supuestos sobre la mejora de conversión.
| Modelo | Input principal | Fortaleza | Limitación |
|---|---|---|---|
| Top-down | Reportes de analistas (Gartner, IDC) | Captura tendencias macro y la inversión total del mercado | Suele sobreestimar al incluir componentes no estrictamente software |
| Bottom-up | Cantidad de tiendas (Shopify, Tiendanube, VTEX) | Alta granularidad; refleja adopción SaaS real | Difícil rastrear stacks custom y operaciones en canales de mensajería |
| Basado en valor | ROI (ahorro de costos, incremento de conversión) | Refleja el techo de precio racional que pagaría una marca | Muy sensible a los supuestos de mejora de conversión |
Con esta base, la sección siguiente muestra dónde se concentra hoy el gasto.
Hoy, el gasto en IA para e-commerce se concentra en dos usos bien concretos: soporte y ventas conversacionales. A partir de ahí, la inversión actual se divide entre esos dos frentes.
El soporte se lleva buena parte del gasto actual porque es la categoría más simple de defender frente a finanzas. Las consultas que más se automatizan suelen ser estado de pedido, devoluciones, cambios y políticas.
El ROI en soporte se calcula por ahorro en personal y por menor tiempo de resolución. Es un retorno más predecible, aunque también tiene un techo más bajo. Hoy, ese es el uso más fácil de medir. El paso siguiente, claro, es ir por ingresos.
La IA de ventas se activa a partir de comportamientos concretos: carrito abandonado, navegación sin compra o recompra pendiente. Las funciones más comunes son recomendaciones, recuperación de carrito y flujos de recompra.
Plataformas como Burbuxa aplican este enfoque en WhatsApp e Instagram, uniendo ventas, soporte y marketing con el catálogo, el inventario y las órdenes de la tienda.
A diferencia del soporte, el ROI en ventas se mide por mejora en conversión y ticket promedio. Eso quiere decir que el crecimiento hacia 2030 va a venir tanto por una mayor adopción como por un gasto promedio más alto por marca.
| Dimensión | IA de soporte | IA de ventas |
|---|---|---|
| Disparador principal | Consulta entrante del cliente | Comportamiento del usuario (carrito abandonado, navegación) |
| Lógica de ROI | Ahorro en personal y tasa de resolución | Mejora en conversión y ticket promedio |
| Datos necesarios | Estado de pedido, políticas, logística | Catálogo, inventario, historial de comportamiento |
En mercados donde la conversación pasa por mensajería, esa diferencia se vuelve todavía más marcada.
En Argentina, WhatsApp concentra gran parte de la conversación comercial. Por eso, el gasto en IA se mueve hacia mensajería. La charla con la marca muchas veces empieza en ese canal, antes de que la persona llegue al sitio. Y eso cambia una idea de fondo: la IA no tiene que estar solo en la web, sino en el punto donde arranca la intención de compra.
IA para E-commerce 2030: Soporte vs. Ventas Conversacionales por Escenario
Con esos casos de uso ya sobre la mesa, la proyección a 2030 pasa por una pregunta bastante simple: cuánta adopción nueva se mueve a cada canal.
La proyección se apoya en tres variables: crecimiento del e-commerce, adopción de IA y gasto anual por marca. En el escenario conservador, la adopción sigue más enfocada en soporte y automatizaciones simples. En el escenario base, la IA empieza a extenderse desde soporte hacia ventas y campañas. En el optimista, las marcas juntan soporte, ventas y campañas dentro de una misma operación, con agentes conectados al catálogo, los pedidos y las reglas de negocio.
El punto que más mueve el resultado no es solo cuánto crece el e-commerce. Lo que pesa de verdad es cuántas marcas dejan de usar un solo caso de uso y pasan a integrar varios al mismo tiempo. Ahí está el salto grande. Pasar de sumar una herramienta a reordenar la operación marca la diferencia entre el escenario base y el optimista.
La adopción por canal se va a ir desplazando del sitio y la app hacia experiencias conversacionales en WhatsApp e Instagram. La señal más fuerte es el cierre de compra dentro del chat: catálogo, consulta y compra final en una sola conversación.
En la región, ese movimiento empuja más el gasto incremental en mensajería que un reemplazo total del sitio. Y eso cambia dos cosas a la vez: el gasto anual por marca y la mezcla de adopción. Esas son las dos palancas que mueven el tamaño de mercado.
Ahora bien, ese corrimiento de canal no pasa al mismo ritmo en todos los casos. Por eso la siguiente sección separa los límites del modelo y sus efectos sobre presupuesto.
El soporte suele automatizarse primero porque el retorno aparece rápido: menos tickets, menos tiempo de respuesta y menos carga operativa. Las ventas conversacionales, en cambio, piden más datos, mejor atribución y más confianza del usuario en el canal. Por eso, al principio, suelen avanzar más lento. Pero también tienen un techo de valor más alto.
| Caso de uso | Escenario conservador (2030) | Escenario base (2030) | Escenario optimista (2030) |
|---|---|---|---|
| Soporte automatizado | Se usa sobre todo para consultas repetitivas y postventa simple | Cubre una parte importante de las consultas y derivaciones | Queda integrado a la operación diaria y resuelve la mayor parte de los casos frecuentes |
| Ventas conversacionales | Uso puntual en precompra y recuperación básica | Se integra al recorrido de compra y a la recomendación de productos | El cierre en chat se vuelve un comportamiento normalizado |
| Campañas y mensajería | Canal de apoyo para acciones tácticas | Canal recurrente para recompra y lanzamientos | Canal integrado al resto de la operación comercial |
Esa diferencia de ritmo es la razón por la que la estimación necesita escenarios, y no un solo número.
Por eso, la proyección a 2030 se entiende mejor como un rango y no como una cifra cerrada.
Las estimaciones cambian porque cada analista define este mercado de una manera distinta: chatbot, agentes de IA o una plataforma de IA que automatiza soporte, ventas y operaciones de e-commerce. Y no es un detalle menor. No es lo mismo un bot que responde preguntas puntuales que una capa de agentes conectada con catálogo, pedidos e historial del cliente.
Además, el solapamiento de funciones mueve bastante la aguja. Una misma plataforma puede hacerse cargo del soporte, la recuperación de carritos y la gestión de reseñas, y así desdibujar la frontera entre soporte, ventas y marketing. Si, encima, el precio depende del uso - por créditos o por volumen de mensajes - , proyectar el gasto por marca se vuelve bastante más difícil.
Eso explica por qué el tamaño del mercado depende tanto de tres cosas: cómo se define, cómo se cobra y por qué canal opera.
La adopción no va a avanzar al mismo ritmo en todas las marcas. Las que manejan más pedidos y más consultas suelen automatizar antes. Entonces, para presupuestar, conviene trabajar con escenarios y medir volumen de mensajes y flujos automatizados, en vez de pensar en una dotación fija.
En la práctica, sirve arrancar por áreas donde el impacto se ve más rápido:
Y hay otro punto que pesa mucho: centralizar los datos. Si cada interacción tiene contexto - catálogo, historial del cliente, estado del pedido - , el sistema puede responder mejor y la inversión se puede estimar con más criterio.
La idea es medir cómo las interacciones se transforman en datos accionables con impacto directo en el negocio, y no quedarse solo con métricas de vanidad.
En concreto, se ponen bajo la lupa tres frentes. Por un lado, la eficiencia operativa, con indicadores como la resolución automática, los tiempos de respuesta y el nivel de automatización. Por otro, el impacto comercial, donde entran la recuperación de carritos, el ticket promedio y el CTR. Y además, la inteligencia del negocio, que permite detectar patrones de compra, fricciones en la experiencia, necesidades de los clientes y temas ligados al inventario.
A eso se suman dos indicadores que ayudan a ver la película completa: el ROI y el valor de vida del cliente.
En Argentina, WhatsApp es un canal clave para el comercio digital porque permite una comunicación directa y de ida y vuelta. A diferencia de otros medios, da lugar a un trato más personal e informal, algo que muchas personas valoran al momento de comprar. Por eso se usa tanto para hacer consultas, validar compras y resolver dudas en tiempo real.
Y ahí está una buena parte de su fuerza: acerca la conversación al momento de decisión. Cuando se integra con IA como Burbuxa, también puede ayudar a recuperar ventas perdidas. No es un detalle menor: tiene tasas de apertura cercanas al 98% y un engagement 3,5 veces mayor que el email.
Para armar un presupuesto de IA en e-commerce hasta 2030, conviene empezar con pilotos medibles y escalar según el impacto. La idea no es salir a gastar de más desde el día uno, sino probar, medir y recién ahí ampliar.
Definí objetivos por canal. Por ejemplo, WhatsApp e Instagram pueden servir para recuperar carritos, responder consultas y dar soporte sin fricción. Además del costo de la herramienta, dejá una parte del presupuesto para integración y pruebas. Ese punto suele pesar más de lo que parece.
También hace falta monitoreo continuo y pruebas A/B para ajustar mensajes, horarios y ofertas. A veces un cambio chico en el copy o en la franja horaria mueve bastante el resultado.
El ROI depende, en buena medida, de la calidad de los datos. Si los datos entran mal, la automatización también responde mal. Y hay otro punto que no conviene pasar por alto: prever derivación humana cuando un caso no da para automatizar. En atención al cliente, eso puede ser la diferencia entre cerrar una venta o perderla.
