Fanatics incorpora modelos de OpenAI a Shop the Look
Fanatics está incorporando modelos de OpenAI en Shop the Look, una función que propone prendas y accesorios coordinados cuando una persona consulta productos deportivos. El anuncio del 26 de octubre de 2026 describe una aplicación comercial concreta de la IA: ayudar a navegar un catálogo amplio combinando información del producto, equipo e inventario con reglas definidas por el comercio.
La iniciativa ya funciona, según las empresas, en varios sitios de la red, incluidos Fanatics.com y las tiendas oficiales de NFL, NBA, MLB y NHL. El caso ofrece una pista de cómo los modelos pueden participar en recomendaciones comerciales, pero no demuestra por sí solo un aumento de ventas ni una mejora generalizable a otras tiendas.
Qué cambia para quien compra
En la página de un producto, como una camiseta de un equipo, la función presenta otras piezas disponibles que podrían combinar con ella. El propósito es reducir la distancia entre buscar un artículo específico y explorar un conjunto. La propuesta se muestra dentro de la experiencia de compra descrita por las compañías; el anuncio no afirma que sea una función disponible para cualquier comercio que use ChatGPT.
En términos prácticos, una recomendación útil debe ser algo más que una lista de artículos populares. Tiene que guardar relación con el producto consultado, respetar las restricciones comerciales y evitar sugerencias que el catálogo no pueda respaldar. Para una tienda, esto exige coordinar datos y decisiones editoriales con la generación de propuestas; para el cliente, la utilidad dependerá también de precio, talla, disponibilidad y preferencias personales.
Cómo se construyen las recomendaciones
Según el caso publicado por OpenAI y reproducido por Fanatics, los modelos usan datos enriquecidos del catálogo, información del equipo e inventario. Las reglas de merchandising de Fanatics orientan la compatibilidad y pertinencia de las selecciones. Las combinaciones se actualizan diariamente a medida que cambia el catálogo.
Esa frecuencia no equivale a una garantía de inventario en tiempo real: el texto no especifica cuánto tarda cada cambio de existencias en reflejarse ni cómo se manejan las excepciones. Es una diferencia importante para cualquier implementación similar, porque una recomendación visualmente atractiva puede perder valor si el artículo deja de estar disponible antes de la compra.
La descripción tampoco detalla el modelo concreto, sus instrucciones, los datos personales usados ni una arquitectura completa. No hay base para afirmar que cada sugerencia se genere en directo, que el sistema conozca los gustos individuales de cada visitante o que haya sido probado en todos los mercados donde opera Fanatics.
Del primer ensayo a una prueba más amplia
Las compañías cuentan que sus equipos usaron Codex para construir herramientas que enriquecen datos de producto, buscan artículos compatibles, evalúan recomendaciones y generan combinaciones. El primer ensayo de 50 productos tomó menos de un día. Fanatics revisó las propuestas y entregó comentarios; tras iterar, aprobó un producto mínimo viable durante esa misma semana.
Este recorrido muestra que una prueba inicial rápida y el despliegue a escala son etapas distintas. Un prototipo puede revelar problemas evidentes de coordinación entre prendas, pero ampliar la cobertura exige observar categorías, equipos y cambios de inventario que quizá no aparecieron en el grupo inicial. El anuncio no publica los criterios usados por los revisores ni un registro independiente de su evaluación.
Qué significa el dato de interacción
OpenAI informa una interacción un 10 % superior a la experiencia anterior tras probar recomendaciones en aproximadamente 30.000 productos de MLB. Esa cifra es una declaración de las partes involucradas: los 30.000 corresponden a productos incluidos en la prueba, no a personas o transacciones.
La publicación no define la métrica de interacción, el período, el tamaño de la audiencia ni el diseño de la comparación. Tampoco aclara si el porcentaje representa un aumento relativo o una diferencia expresada en puntos. Con esos datos no se puede calcular una tasa de conversión, determinar el impacto en ingresos ni atribuir causalidad con confianza. La cifra describe el resultado comunicado por las empresas, no una evaluación independiente.
Una comparación más informativa para otros comercios requeriría identificar la acción medida, el universo expuesto y el grupo de referencia, además de observar resultados comerciales y experiencia de usuario por separado. También sería relevante comprobar si la mejora persiste en distintas categorías y momentos del calendario deportivo. Son preguntas de análisis, no datos que Fanatics haya publicado en este caso.
Implicaciones para otras tiendas
El caso sugiere que el trabajo de catálogo puede ser tan importante como la elección del modelo. Si una tienda carece de atributos consistentes para tallas, categorías o compatibilidad, automatizar la presentación no corrige por sí solo esa falta. Una prueba razonable partiría por una categoría acotada, con revisión humana y una forma clara de corregir propuestas equivocadas.
También conviene separar las métricas de interés. Un clic adicional puede señalar curiosidad, pero no necesariamente satisfacción, compra o menor número de devoluciones. Las decisiones sobre qué mostrar, cuándo retirar una sugerencia y cómo verificar disponibilidad siguen siendo responsabilidades del comercio, incluso si una herramienta genera candidatos.
Como contexto general, el marco de gestión de riesgos de IA del NIST propone gestionar los riesgos asociados a sistemas de IA de manera voluntaria. Su inclusión aquí aporta una perspectiva general de gobernanza; no significa que Fanatics haya aplicado ese marco ni que el NIST haya auditado este despliegue.
Preguntas frecuentes
¿El resultado prueba que aumentaron las ventas?
No. El anuncio habla de interacción frente a una experiencia anterior y no publica un resultado de ventas o conversión. Sin una definición de la métrica y su método, no corresponde traducir ese porcentaje en ingresos.
¿Hay 30.000 personas en el ensayo?
El número indicado se refiere aproximadamente a productos de MLB incluidos en la prueba de recomendaciones. Las empresas no informan cuántas personas participaron ni cuántas visitas se observaron.
¿La función está disponible en Chile?
La publicación menciona varios sitios de la red y presenta el caso en Norteamérica, pero no describe disponibilidad para Chile. La cobertura concreta, los precios y el envío deben verificarse en cada tienda.
¿El inventario se actualiza en tiempo real?
Las empresas describen una actualización diaria de las combinaciones. No detallan una garantía de sincronización inmediata de cada cambio de stock, por lo que no debe asumirse.
Fuente: caso de OpenAI, comunicado de Fanatics y marco NIST.
