Wayfair: Gemini enriquece un catálogo de 30M+ productos 67% más rápido y aumenta la conversión de filtros en ~2%

• Wayfair: Helping customers create spaces they love with AI-powered discovery — Google Cloud (customer story), 2025
• Wayfair and Google Cloud Announce Expanded Partnership to Transform Online Retail with Gemini — Google Cloud Press Corner, 2025-01-12
• Wayfair Deploys Google AI to Scale and Enrich Product Catalogs — PYMNTS, 2025-01-12

Contexto

Durante más de dos décadas, Wayfair ha estado construyendo "el destino para todo lo relacionado con el hogar": el catálogo en línea de la empresa cuenta con más de 30 millones de productos de más de 20.000 proveedores en todo el mundo, para todos los presupuestos, estilos y espacios. La fortaleza de la empresa, su variedad, también es su mayor desafío operativo. Cada listado de producto necesita atributos precisos: color, estilo, material, dimensiones. Sin ellos, los compradores no pueden encontrar artículos a través de búsqueda y filtros, y la gran selección se convierte de una ventaja en una fuente de frustración.

El 12 de enero de 2025, coincidiendo con la NRF Big Show en Nueva York, Wayfair y Google Cloud anunciaron una asociación expandida en torno a Gemini, Vertex AI y Google Workspace. El comunicado de prensa abordó dos frentes de trabajo: enriquecer el catálogo de productos con modelos Gemini e impulsar la productividad de los empleados mediante Gemini en Google Workspace, desde borradores de correos en Gmail hasta resumen de documentos y plantillas de presentación, incluyendo "Gems" personalizados para tareas especializadas. Google Workspace se está implementando para miles de empleados en todo el mundo.

Es importante ver la dinámica del caso: no se congeló en enero de 2025. La versión actual del caso de estudio de Google Cloud muestra el proyecto migrando de la automatización de etiquetado de back-office a escenarios orientados al cliente: un piloto de la herramienta de diseño AI Muse, una pestaña Discover visual en la aplicación, y co-desarrollo del Protocolo de Comercio Universal (UCP), el estándar abierto de Google para compras con agentes, donde Wayfair es un socio fundacional. La CTO de Wayfair, Fiona Tan, enmarca la ambición: "Queremos eliminar la fricción para nuestros clientes, pero también buscar formas en que podamos interrumpir y potenciar lo que solían hacer antes. La IA generativa y las capacidades de agentes nos permiten mirar de forma nueva lo que es el proceso y cómo podemos optimizarlo".

Google, por su parte, posiciona la asociación como una vitrina: "Wayfair está redefiniendo lo que es posible en el retail con la IA generativa de Google Cloud", dijo Matt Renner, Presidente de Ingresos Globales de Google Cloud, en el anuncio. "Al aprovechar el poder de Gemini y Google Workspace, Wayfair no solo está automatizando tareas complejas e impulsando la colaboración de empleados, sino también creando experiencias más personalizadas y atractivas para cada comprador".

Para el mercado, este es uno de los despliegues más instructivos de IA generativa en retail: comienza no con un chatbot llamativo sino con la tarea aburrida y fundamental de la calidad de datos del catálogo.

Problema

Etiquetar manualmente los atributos de un catálogo de 30M+ artículos es lento y costoso, y no puede mantenerse al ritmo del flujo constante de nuevos productos de miles de proveedores. Las brechas y errores de atributos golpean los ingresos varias veces: los compradores no pueden encontrar artículos a través de filtros, las dimensiones incorrectas en los listados generan devoluciones, y los productos descritos insuficientemente simplemente se descartan de las recomendaciones.

La otra mitad del problema está en el lado del comprador. Comprar muebles es una decisión de alto involucramiento: requiere confianza y fricción mínima. Sin embargo, los clientes a menudo no pueden formular su consulta en términos profesionales. "Parte del problema es que nuestros clientes no pueden decir realmente que quieren un 'sofá de mediados de siglo'", dice Fiona Tan. "Podrían saber que quieren que sea verde, pero eso es todo".

Las compras en línea tradicionales con desplazamiento manual de páginas se vuelven rápidamente abrumadoras: a un comprador se le pueden mostrar cientos de sofás verdes diferentes pero aun así le resulta difícil reducir las opciones, porque no pueden nombrar el estilo que tienen en mente.

Estos dos problemas están entrelazados: mientras los atributos del catálogo sean incompletos e inexactos, ninguna búsqueda "inteligente" ni recomendaciones de IA pueden funcionar, no hay nada sobre lo que se sostengan. Las compras para el hogar, como la propia empresa destaca, se basan en construir confianza y reducir fricción, y la confianza se desmorona exactamente en el momento en que un sofá entregado no coincide con sus dimensiones listadas. Finalmente, la escala hace que la tarea sea fundamentalmente irresoluble por las personas: con 30 millones de productos, incluso una pequeña parte de nuevos productos mensuales es un volumen de etiquetado que ningún equipo de contenido podría ser contratado para manejar. Wayfair necesitaba una forma de enriquecer el catálogo automáticamente, rápidamente, y con una calidad suficiente para construir toda la experiencia del cliente sobre estos datos, desde filtros hasta herramientas de diseño.

Solución

El primer paso de Wayfair fue mover el enriquecimiento del catálogo a modelos Gemini en Google Cloud (en la Plataforma Gemini Enterprise Agent en la versión actual del caso de estudio; en Vertex AI en el comunicado de prensa de enero de 2025). En lugar de etiquetado manual, Gemini categoriza automáticamente productos y completa atributos como color, estilo y tema. El efecto es doble: Wayfair puede incorporar artículos rápidamente y ponerlos a disposición de los clientes con velocidad, mientras proporciona listados con tantos detalles ricos y precisos como sea posible. "Al final del día, estamos tratando de emparejar los mejores productos para nuestros clientes", explica Tan. "Asegurarnos de que la información del producto sea lo más completa posible, estamos enriqueciéndola, es muy importante. Con las capacidades que ahora tenemos, podemos hacer eso a escala".

La multimodalidad de Gemini abrió escenarios adyacentes que no estaban en el plan original: detectar automáticamente errores en las dimensiones de productos listados a partir de fotos e identificar materiales inapropiados en contenido de listados. Este es un patrón típico de despliegues maduros: el caso de uso principal atrae casos "secundarios", cada uno de los cuales se paga por sí solo, un error de dimensión en un sofá casi garantiza una devolución.

El caso de estudio de Google Cloud establece la secuencia explícitamente: el "primer paso" de Wayfair fue mejorar significativamente su catálogo de productos automatizando el enriquecimiento de datos, y ese movimiento "proporcionó una base sólida para avanzar en el descubrimiento impulsado por IA" que es más intuitivo y personalizado. En otras palabras, el orden del trabajo aquí no es accidental sino la arquitectura deliberada del programa: datos primero, luego productos para clientes construidos sobre eso.

Sobre el catálogo enriquecido, la empresa está construyendo una nueva capa de descubrimiento de productos. Wayfair está pilotando Muse, una herramienta de diseño AI donde un comprador escribe una consulta de cualquier especificidad, desde "sala de estar de estilo sombrío años 20" hasta simplemente "comedor", y obtiene imágenes de habitaciones fotorrealistas junto con sugerencias comprables del catálogo real. La aplicación ganó una pestaña Discover con búsqueda visual. La empresa está explorando cómo los modelos de la familia Gemini, incluyendo Nano Banana, ayudan a los clientes a visualizar productos y enfocarse en su estilo. "Ahora, con IA generativa y las capacidades multimodales que vienen con Gemini, puedo mostrarle todos los estilos diferentes y a medida que un cliente interactúa, podemos llegar a un estilo que desee", dice Tan. "Puede encontrar ese viaje muy visual e inspiracional que honestamente no existía antes". Su fórmula para el objetivo final: "Todos deberían sentir que tienen un co-piloto de diseño de interiores con ellos todo el tiempo que están comprando en Wayfair".

El cuarto elemento es el comercio de agentes. Wayfair es un socio fundacional co-desarrollando el Protocolo de Comercio Universal (UCP), el estándar abierto de Google que establece un lenguaje común entre superficies de consumo, negocios y proveedores de pagos. UCP está diseñado para permitir que los clientes descubran productos de Wayfair, los investiguen y paguen directamente desde AI Mode en Google Search y la aplicación Gemini, sin salir de Google, mientras el minorista permanece como el comerciante de registro. "La realidad es que nuestros clientes están comprando en nuestras plataformas, pero también están usando plataformas de IA", explica Tan. "Deseas poder proporcionar las capacidades y la experiencia consistente que les permite descubrir nuestros productos en la plataforma de IA". Y destaca: "El hecho de que el comerciante de registro siga siendo el minorista es extremadamente clave porque todos hemos construido sobre nuestra promesa de marca".

El quinto frente es interno: Gemini en Google Workspace para miles de empleados (redacción y respuesta de correos en Gmail, resumen y corrección de documentos, plantillas de presentación) más Gems personalizados para tareas especializadas.

Resultado

Los números publicados se enfocan en el frente del catálogo. Según el comunicado de prensa conjunto de Wayfair-Google Cloud: el tiempo necesario para preparar nuevos listados y actualizar los existentes se redujo en un 67% en un catálogo de más de 30 millones de productos. Mejorar la precisión de los atributos de producto (color, tema) y la cobertura de estas etiquetas en el catálogo mejoró las tasas de conversión cuando los clientes usan filtros en ~2%. La empresa estima ahorros de la eliminación del etiquetado manual en cientos de miles de dólares por año.

El encuadre importa. Todas las cifras son estimaciones de Wayfair publicadas por Google Cloud, el socio vendedor; no hay auditoría independiente. La métrica ~2% se aplica a la conversión en viajes impulsados por filtros, no a los ingresos de todo el sitio. Los ahorros en dólares se dan como un rango de "cientos de miles" sin una cantidad exacta. La diferencia en la redacción entre documentos también es reveladora: el comunicado de prensa dice que el tiempo de preparación se redujo "en un 67%", mientras que la versión posterior del caso de estudio es más cautelosa, "hasta 67% más rápido". Finalmente, aún no hay métricas públicas para Muse, la pestaña Discover, o UCP, esos son pilotos y anuncios, no resultados medidos.

Análisis editorial. Primero: este caso es un raro y claro ejemplo de una estrategia "datos antes de la vitrina". Wayfair primero fijó la base (atributos del catálogo) y solo entonces comenzó a construir productos para clientes sobre eso, Muse, búsqueda visual, comercio de agentes. El orden inverso, una fachada de IA llamativa primero, datos después, es lo que generalmente produce pilotos decepcionantes. Segundo: un aumento de conversión ~2% en filtros en un catálogo de 30M productos es la economía clásica de embudos grandes, donde pequeños porcentajes significan más que demostraciones ruidosas; dicho esto, el impacto absoluto en dólares no puede ser evaluado porque Wayfair no divulga la proporción de sesiones impulsadas por filtros en ventas.

La tercera observación se refiere a UCP: la apuesta de Wayfair por un protocolo donde el comerciante de registro permanece con el minorista es un intento de entrar en la era de las compras con agentes sin ceder margen y relaciones con clientes a las plataformas. Si el comercio de agentes se convierte en un canal significativo, la calidad de los atributos del catálogo, donde este caso comenzó, será el boleto de entrada: un agente de IA necesita datos de producto precisos y legibles por máquina aún más que un humano. En ese sentido, el etiquetado de catálogo "aburrido" parece ser la parte más previsor de todo el programa. El contexto de la industria confirma la dirección: según datos de PYMNTS Intelligence citados en la cobertura del caso, el 92% de las empresas utilizan personalización impulsada por IA para el crecimiento y el 77% de los líderes empresariales clasifican la IA generativa como la tecnología emergente más impactante, la pregunta ha sido durante mucho tiempo no 'si' sino 'en qué orden'.

Lecciones aprendidas

1. Datos antes de la vitrina: Wayfair comenzó no con un chatbot para compradores sino con la calidad de los atributos del catálogo, la base bajo búsqueda, filtros, recomendaciones y cada producto de IA posterior.
2. Un aumento de conversión ~2% en filtros en un catálogo de 30M productos es dinero real: pequeños porcentajes en embudos grandes a menudo superan pilotos llamativos.
3. La multimodalidad se rentabiliza en escenarios secundarios: detectar errores de dimensión de fotos e identificar contenido inapropiado fueron beneficios no planeados que reducen devoluciones y riesgo.
4. Mide el impacto como 'velocidad + calidad' juntos: 67% más rápido solo importa junto con mejor precisión de atributos, de lo contrario acelerarás la producción de basura.
5. Un catálogo de calidad es el boleto de entrada al comercio de agentes: los agentes de IA (UCP, AI Mode) necesitan atributos precisos y legibles por máquina aún más que los humanos.
6. En canales de agentes, defiende el rol de comerciante de registro: Wayfair co-desarrolla el estándar precisamente para que el pago en superficies de IA no prive al minorista de margen y relaciones con clientes.
7. Las figuras publicadas por el vendedor sin auditorías independientes deberían entrar en tu caso comercial propio con un descuento y una prueba A/B interna obligatoria, especialmente porque incluso la redacción del vendedor se suaviza con el tiempo ('en un 67%' → 'hasta 67% más rápido').

Preguntas frecuentes