¿Sirve de verdad un agente de IA para un negocio de dropshipping?

Sí, pero solo para una parte concreta del negocio. Un agente de IA aporta en dropshipping cuando vigila lo que tú no puedes mirar cada día —margen real por producto después de comisiones y devoluciones, break-even ROAS por SKU, plazos del proveedor, fatiga de creativos— y propone decisiones con números delante. No aporta (y puede hacer daño) si lo pones a escalar campañas de productos cuyo margen no da, porque automatizar un error solo lo hace más rápido y más caro.

Por qué el dropshipping es un caso límite para la IA

El problema de fondo del dropshipping no es la tecnología: es la estructura de costes. Shopify señala que los márgenes típicos de quien hace dropshipping desde marketplaces abiertos se mueven entre el 10 % y el 15 %, y suben cuando trabajas con redes de proveedores verificados. Con ese colchón, cualquier desviación —una subida de CPM, un pico de devoluciones, un proveedor que alarga dos semanas el envío— se come la rentabilidad antes de que te des cuenta.

Eso tiene dos consecuencias prácticas:

1. La velocidad de detección importa más que la creatividad de la decisión. Perder tres días detectando que un producto estrella está vendiendo por debajo de break-even cuesta más que elegir el segundo mejor creativo.
2. Las decisiones son repetitivas y numéricas. Comparar gasto, ventas, coste de producto, comisión de pasarela y tasa de devolución por SKU, todos los días, es exactamente el tipo de tarea donde un agente trabaja mejor que una persona con 40 cosas pendientes.

Ahí es donde encaja un agente de IA en un ecommerce: no como "robot que lo hace todo", sino como analista que mira los mismos datos todos los días sin cansarse y avisa con una recomendación concreta.

Qué tareas tiene sentido delegar (y cuáles no)

La diferencia entre las filas "sí" y las "no" no es la dificultad técnica: es si el resultado se puede verificar con datos propios en pocos días. Si no se puede verificar, no lo automatices.

Dónde encaja cada agente especialista

En un negocio de dropshipping bien montado no hay "una IA", hay varios agentes con responsabilidades distintas trabajando sobre los mismos datos: el de Meta Ads vigilando frecuencia y CPA por conjunto, el de Google Ads sobre Shopping y búsqueda de marca, el de TikTok Ads sobre creativos nativos, el de Producto y Stock controlando proveedor y plazos, el de Creativos detectando fatiga, y el agente de finanzas poniendo el margen real encima de la mesa antes de que nadie proponga escalar. Cómo se reparten el trabajo y se evitan entre ellos lo explicamos en detalle en la guía de agentes de IA para marketing en ecommerce.

En Growth AI ese conjunto lo coordina un CMO de IA que prioriza por impacto en euros: si la mayor pérdida de la semana está en un proveedor que retrasa envíos, no tiene sentido dedicar el esfuerzo a reescribir titulares de anuncios.

El break-even ROAS: la cifra que manda

En dropshipping, el ROAS "bueno" no existe en abstracto: existe tu break-even ROAS, el ROAS mínimo por debajo del cual cada venta te hace perder dinero. La fórmula es simple: break-even ROAS = 1 ÷ margen bruto después de coste de producto, envío, pasarela y devoluciones.

Algunos cálculos para que se vea, todos de ejemplo:

• Ejemplo con margen bruto del 25 % una vez descontado producto, envío y pasarela: tu break-even ROAS es 4. Por debajo de 4, escalar es quemar caja.
• Ejemplo con margen del 40 %: break-even ROAS 2,5. Tienes margen de maniobra para pujar más alto y aguantar meses malos.
• Ejemplo con margen del 15 %: break-even ROAS 6,7. Con ese número, la publicidad de pago fría casi nunca sale; el negocio depende de recurrencia, upsell o tráfico orgánico.

Pon esos números al lado de la realidad del canal: en un panel de marcas DTC, la mediana de ROAS de compra en Meta se sitúa en 2,96, con una dispersión enorme entre cuentas. Si tu break-even está en 4 o en 6,7, la conclusión no es "optimiza mejor": es que el producto o el precio no dan. Un agente que entiende esto deja de recomendar pujas y empieza a recomendar subir precio medio, meter upsell o cambiar de proveedor.

Qué debería hacer el agente con esa cifra

• Recalcular el break-even ROAS por SKU cada vez que cambia el coste del proveedor o el coste de envío.
• Marcar en rojo los conjuntos de anuncios que llevan X días por debajo del break-even y proponer pausa, no bajada de presupuesto progresiva.
• Avisar cuando un producto solo es rentable gracias al upsell, porque ahí el riesgo de romper el embudo es alto.
• Separar el ROAS de campañas de marca (que suele inflar la media) del de prospección pura.

Riesgos reales de automatizar sin margen

Estos son los fallos que vemos repetirse cuando se mete automatización encima de un dropshipping frágil:

• Escalar sobre datos de atribución optimistas. El panel de Meta y tu cuenta bancaria no dicen lo mismo. Si el agente solo mira la plataforma, escalará productos que están perdiendo dinero.
• Ignorar devoluciones y disputas. En productos con envío largo, la tasa de incidencias puede convertir un producto rentable en uno ruinoso dos semanas después de la venta. El margen hay que calcularlo con la ventana de devolución cerrada.
• Automatizar la relación con el proveedor. Un agente puede avisar de que el plazo medio ha subido; no debería decidir cambiar de proveedor ni comprometer volúmenes.
• Confundir reglas con agentes. Si lo que necesitas es "pausa el conjunto con CPA > X", eso es una regla automatizada y es más barata y predecible. La diferencia está explicada en RPA, reglas automatizadas o agentes de IA.
• Dar autonomía total demasiado pronto. Antes de dejar que algo ejecute solo, conviene tener claro hasta dónde dejar decidir a un agente autónomo: en dropshipping, con márgenes finos, lo razonable es propuesta + aprobación humana.

Por eso el modelo que defendemos tiene siempre tres piezas: el agente propone con los números delante, una persona aprueba antes de que se ejecute nada, y a los 15 días se comprueba si la decisión hizo lo que decía que iba a hacer. Sin esa última comprobación, no sabes si la IA te está ayudando o solo generando actividad.

Cómo empezar sin montar un proyecto de seis meses

Un orden que funciona:

1. Cierra los datos de margen. Coste de producto, envío real, comisión de pasarela, tasa de devolución por SKU. Sin esto, todo lo demás es decoración.
2. Calcula el break-even ROAS por producto y guárdalo como umbral operativo, no como idea general.
3. Conecta un solo agente primero, normalmente el de anuncios del canal donde más gastas, trabajando en modo propuesta.
4. Define qué puede ejecutar sin preguntar (nada, al principio) y qué requiere aprobación.
5. Revisa a los 15 días qué recomendaciones se aplicaron y qué pasó con el margen, no con el ROAS de plataforma.
6. Añade el segundo agente (producto y stock, o creativos) solo cuando el primero ya te esté ahorrando tiempo de verdad.

Si quieres ver cómo quedan varios agentes trabajando juntos sobre una misma tienda, con sus propuestas, sus aprobaciones y su revisión posterior, puedes echar un vistazo a la Oficina de Growth AI y decidir si ese formato encaja con tu operación. Y si lo que estás valorando es construirlo tú o contratarlo ya montado, compáralo antes en crear agentes de IA o contratarlos.