Esta guía traduce cada término técnico de la presentación al lenguaje de negocios. No hace falta saber programar ni conocer ingeniería textil para entender el valor de cada iniciativa. Para cada concepto: qué problema resuelve, una analogía clara y qué significa en pesos y procesos para Montagne.
Hoy, decidir cuánto stock pedir y dónde mandarlo depende de la experiencia del equipo de compras y de planillas Excel con ventas históricas. Ese proceso funciona bien, pero tiene un límite: no puede cruzar simultáneamente decenas de variables (clima, feriados, tendencias de redes, comportamiento por local, etc.) para ajustar la decisión a cada región del país.
Imaginá que tenés un analista de datos que trabajó los últimos 5 años leyendo cada ticket de venta de cada local, anotando el clima de ese día, los feriados y las campañas de marketing. Ese analista jamás olvida nada y puede hacer en segundos lo que llevaría semanas en una planilla. Machine Learning es ese analista, pero en forma de software: aprende de los patrones del pasado para predecir cuánto va a vender cada local antes de que llegue la temporada.
El sistema cruza las ventas históricas del ERP con datos climáticos de cada ciudad donde hay un local Montagne. Antes del inicio de temporada, genera un plan de reposición sugerido: "Mandar 40 parkas talle L a Bariloche en la primera semana de abril, porque las temperaturas bajan antes allá." El equipo de compras revisa la sugerencia y la aprueba — no es automatismo ciego, es un copiloto que mejora la decisión.
Menos plata inmovilizada en stock que no rota, y menos ventas perdidas por no tener el talle que el cliente busca.
Un vendedor nuevo tarda meses en conocer bien todas las prendas técnicas: impermeabilidad de cada campera, temperatura mínima de cada bolsa de dormir, compatibilidad de cada carpa. Online, el cliente que pregunta por WhatsApp puede esperar horas por una respuesta técnica. RAG convierte todo el conocimiento del catálogo en una respuesta instantánea disponible 24/7.
Pensá en tu vendedor más experimentado, el que lleva 10 años y conoce cada prenda de memoria.
Ahora imaginá que podés clonar ese conocimiento y ponerlo disponible en WhatsApp, en la web, y en el celular de cada vendedor nuevo de todos los locales, al mismo tiempo.
RAG significa "Retrieval Augmented Generation" — en criollo: un sistema que busca la respuesta en documentos reales (fichas técnicas, manuales, catálogos) y la explica con lenguaje natural, como lo haría una persona. No inventa ni alucina: si no está en el catálogo, lo dice.
Se cargan al sistema todas las fichas técnicas de los productos: camperas, carpas, bolsas de dormir, calzado. Cuando un cliente pregunta por WhatsApp "¿Qué bolsa de dormir sirve para ir al Tronador en otoño?", el bot busca en las fichas, identifica las bolsas con temperatura de confort adecuada y responde con una recomendación concreta, incluyendo el precio y el link para comprar. Sin esperar a un vendedor disponible. Sin errores por desconocimiento.
Más ventas cerradas en el momento de la consulta y menos carga sobre el equipo de atención.
Cuando se corta una campera, los moldes (las piezas que forman la prenda) se disponen sobre la tela antes de cortarlos. Esa disposición hoy la hace el moldista con su experiencia. El resultado es eficiente, pero siempre queda un margen de tela desperdiciada entre las piezas — especialmente en telas técnicas de alto costo como ripstop o membranas impermeables.
Es como el juego de Tetris, pero con las piezas de los moldes de la campera y la tela como tablero. Un humano muy hábil puede hacer un buen Tetris. Una computadora puede hacer miles de combinaciones por segundo hasta encontrar la disposición perfecta que encaje todas las piezas dejando el mínimo espacio vacío. Eso es el Nesting IA: matemática aplicada a aprovechar al máximo cada centímetro de tela.
El equipo de diseño ya trabaja con software de moldería (CAD textil). Se integra un módulo de optimización que, antes de enviar el orden de corte a la encimadora, calcula automáticamente la mejor disposición de todos los moldes de una orden. No cambia el flujo de trabajo: es un paso que se agrega al final del proceso de digitalización que ya existe.
El ahorro en tela técnica de alto costo se acumula rápidamente a escala de producción.
Las telas técnicas (ripstop, membranas impermeables) llegan en rollos. A veces hay defectos de fabricación: un hilo roto, una irregularidad en el tejido, una zona con menor impermeabilización. Si ese defecto no se detecta antes del corte, el molde cortado sobre esa zona es inservible — tela cara desperdiciada y tiempo de producción perdido. Detectar esos defectos hoy requiere inspección visual humana, que es cansada y puede omitir imperfecciones pequeñas.
Pensá en un inspector de calidad que nunca se cansa, nunca parpadea, y conoce exactamente cómo debe verse cada centímetro de tela perfecta. Eso es la visión artificial: una cámara conectada a un software entrenado para identificar qué es "normal" y qué es un defecto. Cuando detecta algo irregular, para la línea o alerta al operario antes de que esa zona llegue a la cuchilla de corte.
Se instala una cámara comercial de bajo costo (similar a las industriales de seguridad) sobre la encimadora, conectada a un software de visión que escanea el rollo mientras se extiende. No requiere parar la producción: la cámara trabaja a la velocidad normal del proceso. Es una inversión de hardware simple con un software que se entrena con imágenes de telas buenas y defectuosas.
Cada metro de tela técnica defectuosa detectado antes del corte es dinero recuperado.
El mayor costo oculto del e-commerce de indumentaria es la logística inversa: el flete de devolución cuando el cliente pide un talle equivocado. En prendas técnicas como camperas con relleno o trajes de nieve, donde el ajuste importa para la funcionalidad, el porcentaje de error de talle puede llegar al 25–30% de los pedidos online. Cada devolución cuesta flete de ida + flete de vuelta + tiempo de gestión.
Es como tener un vendedor en la web que, antes de que el cliente agregue al carrito, le pregunta: "¿Cuánto medís? ¿Cuánto pesás? ¿Preferís que quede ajustado o con espacio para abrigar debajo?" Con esas respuestas, el sistema calcula cuál de los talles de Montagne le va a quedar mejor, basándose en las medidas reales de cada prenda del catálogo. No es magia, es matemática + datos de fit de cada prenda.
Se integra un widget simple al e-commerce: 3 a 4 preguntas básicas antes de la compra. El sistema cruza las respuestas con las tablas de medidas reales de cada prenda del catálogo Montagne y devuelve: "Te recomendamos talle M. El L te va a quedar largo de hombros para tu contextura." No requiere cámara ni tecnología compleja — es un cuestionario inteligente con lógica de recomendación.
Menos devoluciones = más margen neto por venta online y mejor experiencia de cliente.
Cada factura de proveedor, despacho de aduana o nota de crédito que llega a administración tiene que ser leída, interpretada y cargada manualmente al ERP. Con muchos proveedores y el movimiento de importación de telas e insumos, esto representa horas de carga manual por semana, con riesgo de error en cifras y fechas.
OCR es la tecnología que convierte una imagen de un documento en texto — como cuando sacás una foto a un cartel y el celular puede seleccionar las letras.
Ya existe hace años.
El cambio con la IA es el paso siguiente: LLM (el mismo tipo de tecnología que hace a ChatGPT entender texto) lee ese texto extraído y lo interpreta.
Entiende qué número es el CUIT del proveedor, cuál es el importe total, qué es la descripción de los artículos, y lo carga en los campos correctos del sistema contable.
No solo lee: comprende el documento.
El equipo de administración recibe una factura por email o la escanea. El sistema la procesa en segundos, extrae todos los datos relevantes, y genera un borrador de asiento contable listo para revisar y aprobar con un clic. El rol del equipo pasa de tipear datos a revisar y aprobar — ahorrando tiempo para trabajo de mayor valor.
Menos horas de carga manual y menos errores que generan problemas contables o impositivos.