Retail / Gran distribución Propuesto por Carrefour

Copiloto del empleado de tienda

Un asistente de IA que responde al instante dudas de procedimiento, políticas, promociones y catálogo al personal de tienda desde su PDA o móvil.

Sector

Retail / Gran distribución

Empresa

Carrefour

Sistemas propuestos

4

Sobre la empresa

C

Carrefour

Retail / Gran distribución

Cadena de distribución con cientos de hipermercados, supermercados y tiendas de proximidad en España, decenas de miles de empleados y una operativa de tienda que cambia a diario: nuevas promociones, ofertas, normativa de etiquetado, políticas de devolución y procedimientos internos.

El conocimiento operativo está repartido en manuales, intranets, circulares y la cabeza de los coordinadores. Con alta rotación y un volumen importante de personal temporal en campañas, el empleado nuevo tarda en ser autónomo y, ante una duda, la resuelve preguntando a un compañero o escalando al coordinador, que se convierte en cuello de botella.

El problema

"Cuando un cliente pregunta por la política de devolución de un electrodoméstico, si una promoción es acumulable, dónde está un producto o qué alérgenos lleva una referencia, el empleado no tiene una fuente única y rápida. Buscar en la intranet es lento, preguntar interrumpe a otros y la respuesta no siempre es consistente entre tiendas."

Por qué con tecnología e IA

Un sistema RAG (recuperación + generación) puede leer toda la base documental interna —manuales, políticas, circulares de promociones, fichas de catálogo— y responder en lenguaje natural con la fuente citada. A diferencia de un buscador, entiende la pregunta del empleado, sintetiza la respuesta y la devuelve en segundos desde la PDA o el móvil, con la misma respuesta en todas las tiendas.

Qué buscamos

Objetivo del caso

Construir un piloto end-to-end con las 4 fases (Ingesta → Motor RAG → Interfaz conversacional → Feedback) capaz de responder consultas reales del personal de tienda con la fuente citada, medir el porcentaje de consultas resueltas sin escalado y detectar las lagunas de conocimiento para alimentar la documentación.

Sistemas que podrían abordarlo

Ejemplos de piezas técnicas que tu cohort puede construir. No es una receta cerrada: cada grupo decide su propio diseño.

01

Ingesta y normalización de la base de conocimiento

Fase 1 — Ingesta. Pipeline que recoge manuales, políticas, circulares de promociones y fichas de catálogo (PDF, ofimática, intranet), los trocea e indexa como embeddings versionados, manteniendo trazabilidad de la fuente y la fecha de cada documento.

Amazon S3 Amazon Textract Amazon Bedrock Knowledge Bases Amazon OpenSearch Serverless

02

Motor de recuperación y generación (RAG)

Fase 2 — Motor RAG. Dada la pregunta del empleado, recupera los fragmentos más relevantes y genera una respuesta en lenguaje natural citando la fuente. Incluye guardarraíles para no inventar y para responder "no lo sé" cuando la documentación no cubre el caso.

Amazon Bedrock Amazon OpenSearch Serverless AWS Lambda Amazon DynamoDB

03

Interfaz conversacional en tienda

Fase 3 — Interfaz. Chat (y opcionalmente voz) accesible desde la PDA o el móvil del empleado, con autenticación corporativa y respuestas en segundos. Pensada para uso con una mano mientras se atiende al cliente.

Amazon API Gateway Amazon Lex Amazon Cognito React

04

Feedback y mejora continua

Fase 4 — Feedback. Cada respuesta se valora (útil / no útil) y las preguntas sin buena respuesta se agregan para detectar lagunas de conocimiento, priorizar nueva documentación y medir el porcentaje de consultas resueltas sin escalar al coordinador.

AWS Step Functions Amazon DynamoDB Amazon QuickSight Amazon CloudWatch

El copiloto no sustituye al coordinador: resuelve al instante las consultas rutinarias y bien documentadas, y deja para la persona los casos ambiguos o que la documentación no cubre, que además quedan registrados para mejorar la base de conocimiento.

El alcance del piloto, las fuentes documentales incluidas y el modelo de gobernanza del contenido se concretan con Carrefour en la primera semana de la academia.

¿Listo para construir esto?

Accede al portal de la academia y empieza a trabajar en tu cuenta AWS sandbox.

Acceder al portal