La eficiencia en el sector del gran consumo no solo se mide en la rotación de palés o en la optimización de las rutas logísticas. En la era de la facturación digital, que para Mercadona ya supera los 1.000 millones de euros, la velocidad a la que un cliente encuentra una referencia en la web es un factor crítico de negocio.
Recientemente, Mercadona Tech ha ejecutado un movimiento poco frecuente en la industria: abandonar una solución consolidada de terceros para construir un motor de búsqueda propio desde Valencia. Los resultados, compartidos por José Ramón Pérez Agüera, director de Producto e Ingeniería de la división, muestran un aumento del 85% en la calidad del ranking y una reducción de costes que sitúa la factura mensual por debajo de los 900 dólares, frente a los 15.000 que podía alcanzar anteriormente.
Esta transición tecnológica no responde a un simple cambio de proveedor, sino a un replanteamiento de cómo se construye software en 2026. El proyecto se completó en un mes, aunque el 70% del desarrollo se concentró en un único fin de semana largo. Esta celeridad ha sido posible gracias al uso de Claude Code, un agente de IA que asumió la exploración masiva de configuraciones. Sin embargo, la clave del éxito no reside en la generación automática de código, sino en la dirección humana que evitó que el sistema colapsara bajo su propia automatización.
La disciplina frente al «vibe coding»
En el sector tecnológico, el concepto de «vibe coding» (programar siguiendo el flujo y la intuición apoyada en IA) ha generado un debate intenso entre quienes ven una democratización del desarrollo y quienes temen una pérdida de rigor. Según explica Pérez Agüera, el uso de agentes de IA solo es la primera capa de una estrategia que requiere dirección y disciplina. Para el directivo, la IA debe operar bajo estructuras que le impidan saltarse pasos, transformando lo que podría ser un comportamiento de «junior caprichoso» en el de un «senior disciplinado».
La metodología empleada en Mercadona Tech inyecta rigor mediante el desarrollo basado en especificaciones y marcos de trabajo que obligan a la verificación sistemática antes de dar cualquier tarea por concluida. Esta estructura es la que permitió que la IA probara 175 configuraciones de BM25 y comparara algoritmos de ranking mientras el equipo humano se centraba en las decisiones que definen si un sistema es apto para producción.
Cinco decisiones que sostienen la producción
El rendimiento del nuevo buscador, con una latencia mediana de apenas 12 milisegundos, no es producto de una potencia de cálculo bruta, sino de una arquitectura refinada. Los ingenieros de la compañía han optado por un enfoque de búsqueda híbrida que combina el algoritmo BM25, búsqueda semántica y Learning to Rank (LTR). El análisis interno determinó que ninguna de estas técnicas, por separado, alcanzaba los estándares de precisión necesarios para un catálogo tan dinámico como el de un supermercado.
Una de las innovaciones más relevantes es la gestión de los índices. En lugar de crear un índice físico por cada tienda, lo que multiplicaría la complejidad técnica y el consumo de recursos, el equipo ha implementado un único índice maestro que utiliza bitsets. Con apenas 200 KB de estos conjuntos de bits, el sistema es capaz de segmentar la disponibilidad de productos de forma eficiente. Esta decisión permite que el stack tecnológico sea extraordinariamente ligero: el sistema completo es capaz de funcionar en apenas 100 MB de memoria RAM, prescindiendo de bases de datos vectoriales costosas o de la necesidad de procesamiento en GPU.
Validación y control de colapso
El riesgo de los sistemas basados en aprendizaje automático es la retroalimentación positiva, un fenómeno donde el modelo se refuerza a sí mismo con sus propios sesgos, provocando que la diversidad de resultados colapse. Para evitarlo, Mercadona Tech ha introducido un 5% de exploración y técnicas de Inverse Propensity Weighting. Además, se ha establecido un control automático de calidad: ningún modelo que rinda un 2% por debajo de un conjunto de datos de referencia (golden set) puede pasar a producción.
La validación también ha seguido un criterio estrictamente temporal. En lugar de utilizar métodos aleatorios tradicionales, que suelen inflar las métricas de éxito de forma ficticia en entornos con dimensión temporal, se ha aplicado una validación «walk-forward». Este enfoque asegura que el buscador sea robusto frente a las tendencias de consumo reales y no solo un reflejo de patrones estadísticos aislados.
La tecnología como activo social
La decisión de liberar el «playbook» completo de este desarrollo bajo licencia MIT responde a una de las máximas del modelo de gestión de la compañía valenciana. La estructura organizativa de Mercadona establece un orden de satisfacción de componentes: El Jefe (cliente), El Trabajador, El Proveedor, La Sociedad y El Capital. La publicación de los detalles técnicos y el código se encuadra en el compromiso con la sociedad, bajo la premisa de que compartir el conocimiento fomenta la creación de nuevas empresas y, en última instancia, bienestar general.
El stack utilizado se basa íntegramente en herramientas abiertas y replicables, como Tantivy, Python, NumPy y CatBoost. Al evitar servicios externos de cobro recurrente por volumen de búsquedas, la empresa no solo gana soberanía tecnológica, sino que blinda su estructura de costes ante el crecimiento del volumen de datos. El nuevo motor ya procesa 4,4 millones de búsquedas semanales, eliminando por completo el 4% de consultas que antes terminaban sin resultados.
Este cambio de paradigma sugiere que el futuro de la ingeniería empresarial no reside en elegir entre la IA o el humano, sino en establecer los guardarraíles necesarios para que la velocidad de la primera no comprometa la integridad del sistema. El caso de Mercadona Tech ilustra cómo una infraestructura crítica puede ser reconstruida desde dentro, optimizando el rendimiento mientras se reduce drásticamente la dependencia de terceros.
