IA dirige una tienda online un año y multiplica por 14,3 su capital

100.000 yuanes, unos 2,35 millones de yenes. Eso es lo que se entrega a una IA para que dirija durante un año una tienda online. El equipo Qwen de Alibaba y los investigadores de la Universidad de Ciencia y Tecnología de Hong Kong (HKUST) han presentado el artículo «E-Commerce Bench», que propone un banco de pruebas (una prueba común para comparar varios modelos en las mismas condiciones) para medir la capacidad de los modelos de IA de operar de forma autónoma en un negocio a largo plazo mediante una gestión simulada. El trabajo es un preprint publicado en arXiv.

El escenario es un modelo de mercado basado en datos de Taobao y Tmall, las plataformas de comercio electrónico reales. Existen 6.886 productos y 576 proveedores, y la IA puede gestionar hasta cuatro tiendas a la vez. Desde la investigación de mercado hasta la negociación de precios, las compras, la fijación de precios, los envíos, la gestión de devoluciones y la gestión financiera, el sistema lleva a cabo las operaciones de forma autónoma con 18 tipos de herramientas. Alrededor de una cuarta parte de los proveedores están programados como estafadores: cobran por encima del precio de mercado, falsean el número de pedidos o envían productos de mala calidad que disparan las devoluciones.

El flujo de fondos también tiene trampas. Las compras y los gastos operativos se cargan de inmediato a la cuenta bancaria, mientras que las ventas quedan retenidas durante nueve días desde el envío en una cuenta de custodia (escrow, un sistema en el que un tercero guarda el pago para garantizar la operación) antes de pasar a la cartera. Por eso, aunque haya beneficios, si no se retira dinero de la cuenta bancaria con planificación, el saldo bancario queda en negativo durante diez días consecutivos y se produce la quiebra. Además, el historial de conversaciones antiguas se borra automáticamente al superar cierto volumen, por lo que la IA debe recordar la información de las operaciones con hasta 20 entradas de memoria.

El primero en resultados fue GPT-5.6 Sol, que multiplicó su capital inicial por unas 14,3 veces (unos 1,43 millones de yuanes) de media. Sin embargo, su proporción de gasto en estafadores fue la 16 de 18 modelos, un mal resultado. Fable5, en segundo lugar, con unas 8 veces, logró ganancias sólidas con menos de la mitad de llamadas a herramientas que GPT-5.6 Sol y fue primero en eficiencia de beneficio por operación. Claude Opus 4.7 mostró la mayor minuciosidad de todos los modelos tanto en la negociación de rebajas como en la evasión de estafas, pero al no ampliar el volumen de operaciones quedó octavo en activos totales. El mejor modelo de pesos abiertos fue Qwen3.8-Max-Preview, de Alibaba (unas 4,2 veces, quinto en general), y destacó en la capacidad de aprendizaje a largo plazo: en las recompras logra descuentos tomando como referencia el precio mínimo anterior, lo que le dio el primer puesto entre los 18 modelos.

Estos resultados interesan a las empresas que quieren delegar operaciones en la IA y a los desarrolladores que eligen modelos. El artículo demuestra con cifras que un modelo que hace crecer mucho sus activos no tiene por qué ser el mismo que evita estafas y quiebras. De los 90 ensayos realizados, 10 terminaron en quiebra: 2 de 5 para GPT-5.5, Claude Opus 4.6 y Gemini 3.1 Pro, y 4 de 5 para Qwen3.5-Plus. No obstante, cada modelo se probó solo cinco veces y el mercado es simulado.