Uber Eats y la IA: Transformando la entrega en 2026

Tabla de contenidos

• 1. Uber Eats impulsa a pymes con inteligencia artificial
• 2. La inteligencia artificial y su impacto en las pymes
• 3. Uber Eats: Una década de evolución en México
• 4. Democratización del análisis de datos para negocios pequeños
• 5. Transformación del delivery: Más allá de la logística
• 6. El papel de la adopción tecnológica en el éxito comercial
• 7. Casos de éxito: Inteligencia artificial en acción
• 8. El futuro del delivery: Personalización y eficiencia
• 9. La inteligencia artificial como motor de transformación para las PyMEs
• 9.1 Oportunidades de análisis de datos para la toma de decisiones
• 9.2 Cierre: personalización y eficiencia

---

Uber Eats impulsa a pymes con inteligencia artificial

• Uber Eats plantea que la IA llevará análisis avanzado a pymes que antes solo podían costear grandes corporativos.
• En México, la plataforma está por cumplir 10 años y hoy es canal comercial para más de 60,000 negocios.
• Alrededor de 60% de esos negocios son pymes, según la dirección de Uber Eats México.
• La promesa no es “más tecnología”, sino mejor adopción: pronóstico de demanda, precios, promociones y operación.

IA aplicada al delivery en México

• Dónde se dijo: panel “El delivery del futuro” (Emprendedor Summit 2026), con Grace Schiodtz (directora general de Uber Eats México).
• Escala en México (según la dirección de Uber Eats México): casi 10 años de operación; más de 60,000 negocios usan la plataforma como canal comercial; cerca de 60% son pymes.
• Qué significa “IA” aquí (usos mencionados): pronóstico de demanda, optimización de precios, segmentación de clientes, diseño de promociones, y mejoras en fotografías/descripciones para elevar conversión.
• La tesis central del panel: la ventaja no está en “tener la herramienta”, sino en adoptarla con disciplina para convertir datos en decisiones.

La inteligencia artificial y su impacto en las pymes

Contexto del anuncio (para ubicar la conversación): lo que sigue se basa en lo compartido por Grace Schiodtz (directora general de Uber Eats México) durante el panel “El delivery del futuro” del Emprendedor Summit 2026, así como en los ejemplos operativos mencionados por Andrés Armenta (MOMO Coffee), Jaime Smeke (Giornale) y Javier Rivero (100 Pesos Burger). En ese mismo espacio se señaló que Uber Eats está por cumplir 10 años en México y que la plataforma es canal comercial para más de 60,000 negocios, de los cuales alrededor de 60% son pymes.

La conversación sobre inteligencia artificial (IA) suele quedarse en lo abstracto: modelos, automatización, “transformación digital”. Pero para una pyme —y especialmente para un negocio que vive de rotación, inventario y márgenes apretados— el impacto real se mide en decisiones operativas: qué vender, cuándo, a qué precio y con qué promoción.

En el panel “El delivery del futuro” del Emprendedor Summit 2026, Grace Schiodtz, directora general de Uber Eats México, puso el foco en un punto que nosotros vemos clave: la IA como habilitador para que comercios pequeños accedan a capacidades de análisis que antes estaban reservadas para corporativos con equipos especializados. En otras palabras, no se trata solo de “tener datos”, sino de convertirlos en señales accionables.

En la práctica, esto se traduce en usos concretos que ya están sobre la mesa: pronosticar demanda, optimizar precios y diseñar promociones más efectivas. Para una pyme, cada uno de esos frentes puede significar menos merma, mejor rotación y una operación más predecible.

La promesa de la IA, vista desde el operador, es reducir fricción: que el negocio no dependa de un analista senior o de un equipo de ciencia de datos para empezar a entender patrones de consumo y ajustar su oferta. Eso no elimina el criterio del dueño o del director de operaciones; lo refuerza con información más clara y oportuna.

Decisiones diarias con IA
Cuando aquí decimos “impacto” de la IA en una pyme, hablamos de decisiones diarias que suelen comerse el margen:

• Demanda: anticipar picos (quincena, fines de semana, clima, eventos) para comprar y preparar sin sobreproducir.
• Precio y ticket: ajustar precios o combos con base en comportamiento real (no solo “lo que hace la competencia”).
• Promos: pasar de descuentos “a ciegas” a pruebas con objetivo (subir conversión, mover inventario, elevar ticket) y ventana definida.
• Merma e inventario: detectar quiebres o sobreinventario antes de que se vuelvan pérdida.
• Operación: identificar horarios/productos que estresan cocina o surtido para estandarizar y proteger tiempos y calidad.

La idea no es complicar la operación: es hacer repetible lo que hoy depende de intuición y urgencias.

Uber Eats: Una década de evolución en México

Uber Eats está por cumplir diez años en México. En ese periodo, la plataforma pasó de ser un servicio de entrega de comida a convertirse —en palabras de su dirección— en un canal comercial para miles de negocios. Ese cambio de identidad importa: cuando un canal deja de ser “conveniencia” y se vuelve “ventas”, también cambia la forma en que una pyme debe gestionarlo.

Schiodtz señaló que una mayoría de esos negocios son pequeñas y medianas empresas. Para nosotros, ese dato es relevante por una razón: cuando la mayoría de la base es pyme, la discusión deja de ser tecnológica y se vuelve de adopción y capacidades internas. Una pyme no opera con los mismos recursos, ni con el mismo tiempo, ni con la misma tolerancia al error que un corporativo.

En el panel, la directiva también planteó una idea que vale la pena subrayar: la ventaja competitiva del futuro no vendrá de quién tiene más recursos, sino de quién sabe utilizar y capitalizar estas nuevas tecnologías. En un mercado donde muchos pueden acceder a herramientas similares, el diferenciador se mueve hacia la ejecución: disciplina operativa, aprendizaje rápido y capacidad de ajustar.

Además, el delivery —según la visión compartida en el evento— ya no se limita a restaurantes. Se ha convertido en una herramienta estratégica de crecimiento para supermercados, farmacias, florerías y otros negocios de retail. Eso amplía el universo de pymes que pueden beneficiarse, pero también eleva la complejidad: más categorías, más SKUs, más variabilidad de demanda y más presión por cumplir promesas de servicio.

Tres capas del delivery
Una forma simple de entender la “evolución” (y qué cambia para una pyme) es verla en tres capas:
1) Conveniencia (inicio): el delivery como “servicio extra”. Enfoque: estar disponible.
2) Canal comercial (hoy, según el panel): el delivery como ventas medibles. Enfoque: conversión, ticket, repetición, rentabilidad por producto/horario.
3) Sistema de aprendizaje (con IA): el delivery como fuente de señales para decidir mejor. Enfoque: pronóstico, precios, promos, inventario y estandarización.
La misma operación puede vivir en las tres capas, pero la gestión cambia cuando el canal ya pesa en ingresos y margen.

Democratización del análisis de datos para negocios pequeños

Cuando se habla de “democratizar” el análisis de datos, el riesgo es que suene a eslogan. Aquí hay un elemento operativo que lo aterriza: Schiodtz explicó que herramientas como la IA están eliminando barreras de entrada para que empresas sin equipos especializados puedan desarrollar modelos predictivos y optimizar operaciones.

Un ejemplo que compartió fue un hackathon realizado en Uber Eats México, donde equipos de operaciones y comerciales desarrollaron soluciones basadas en IA usando datos reales, sin necesidad de programadores. Para una pyme, esto apunta a un cambio cultural: el análisis deja de ser un “departamento” y se vuelve una práctica transversal, más cercana a quienes toman decisiones todos los días.

¿En qué se traduce esa democratización, según lo discutido? En capacidades que ya se están usando para:

• Pronosticar demanda (anticipar picos y valles).
• Optimizar precios (ajustar con base en comportamiento y contexto).
• Mejorar fotografías y descripciones (impacto directo en conversión).
• Segmentar clientes (entender quién compra qué y cuándo).
• Diseñar promociones más efectivas (menos descuento “a ciegas”).

Para el dueño o CFO de una pyme, el punto no es “tener IA”, sino reducir decisiones basadas en intuición no validada. Si el negocio puede identificar patrones de consumo y responder más rápido, puede operar con menos desperdicio y con una planeación más fina.

Y aquí hay una implicación que nosotros no perderíamos de vista: cuando el canal digital se vuelve más medible, también se vuelve más exigente. La pyme que adopta estas herramientas puede ganar eficiencia, pero también necesita procesos mínimos para sostener el aprendizaje: revisar resultados, comparar periodos, ajustar menú o catálogo, y documentar qué funcionó.

De datos a decisiones rápidas
Flujo mínimo para que “democratizar datos” se vuelva acción (sin volverse ciencia de datos):
1) Dato: ventas por hora, productos más vistos, cancelaciones, tiempos de preparación, quiebres.
2) Señal: “los viernes 7–9 pm sube X”, “este combo convierte más”, “este SKU se agota y frena ventas”.
3) Decisión: ajustar compra/producción, cambiar foto/descripción, mover precio/pack, limitar disponibilidad por horario.
4) Prueba (7–14 días): una variable a la vez (precio o promo o foto) con objetivo claro.
5) Ajuste: documentar qué funcionó, estandarizarlo y repetir el ciclo.
Checkpoint práctico: si no puedes escribir en una frase qué cambiaste y qué métrica esperas mover, la “IA” se queda en reporte.

Transformación del delivery: Más allá de la logística

Durante años, el delivery se entendió como logística: llevar un producto del punto A al punto B. Lo que se discutió en el Emprendedor Summit 2026 es que el delivery está evolucionando hacia algo más amplio: un sistema de información y un canal de crecimiento.

Schiodtz planteó que la IA permitirá a los comercios operar con mayor eficiencia, anticipar la demanda y tomar mejores decisiones de negocio. Esa frase resume el giro: el valor no está solo en entregar, sino en aprender de cada interacción y convertirla en mejoras de operación.

Los empresarios invitados al panel coincidieron en que el principal valor de la IA está en convertir información operativa en decisiones. Ese matiz es importante: no se trata de delegar el negocio a un algoritmo, sino de usarlo para ver lo que a simple vista se pierde en el día a día.

En restaurantes y retail, los datos del delivery pueden tocar temas sensibles: consistencia del producto, tiempos de preparación, quiebres de inventario, desempeño por horario, efectividad de promociones. Cuando esa información se procesa mejor, el negocio puede estandarizar y corregir más rápido.

También cambia la conversación interna. En vez de discutir “sentimos que bajó la demanda”, se puede discutir “en qué horarios, con qué productos, en qué segmentos de clientes”. Esa precisión no garantiza resultados, pero sí reduce el costo de equivocarse.

En términos de estrategia, el delivery deja de ser un canal accesorio y se vuelve un frente donde se compite por experiencia, por claridad de oferta y por eficiencia. Y ahí la IA aparece como acelerador: ayuda a detectar patrones y anomalías, y a priorizar acciones.

Tres roles clave del delivery
Tres “roles” del delivery (y qué pregunta responde cada uno):

• Logística: “¿Llegó a tiempo y bien?” (tiempos, incidencias, empaques, exactitud).
• Canal de crecimiento: “¿Está vendiendo con margen?” (conversión, ticket, repetición, mix de productos, rentabilidad por franja).
• Sistema de información: “¿Qué aprendimos para operar mejor mañana?” (pronóstico, anomalías, quiebres, estandarización, decisiones por segmento).

Cuando una pyme solo lo gestiona como logística, suele perder el aprendizaje que más protege el margen.

El papel de la adopción tecnológica en el éxito comercial

Una idea central del panel fue que la disponibilidad de la tecnología no garantiza resultados. Schiodtz lo dijo de forma directa: la tecnología no transforma solo por existir; depende de cómo los comercios la utilicen para llevar ideas a negocios.

Para una pyme, esta es la parte incómoda: adoptar tecnología implica cambiar hábitos. No basta con activar una función o ver un tablero una vez al mes. La adopción real se parece más a un ciclo: medir, decidir, ejecutar, volver a medir.

En el contexto del delivery, la adopción puede verse en decisiones pequeñas pero constantes: ajustar descripciones y fotos, probar promociones con hipótesis claras, revisar patrones de demanda, y estandarizar procesos para que la operación aguante el crecimiento sin perder calidad.

También hay un componente de enfoque. La IA puede sugerir muchas optimizaciones, pero la pyme necesita priorizar: ¿qué mueve más la aguja hoy, conversión o ticket promedio? ¿Disponibilidad de inventario o tiempos de preparación? ¿Promoción o surtido? Sin esa priorización, la tecnología se vuelve ruido.

Los panelistas también dejaron ver un límite sano: la IA como soporte, no como sustituto del criterio. En operación, eso significa usar la información para liberar tiempo y concentrarse en lo que realmente diferencia al negocio: producto, hospitalidad, experiencia y marca.

Desde nuestra perspectiva, el “diferenciador” que mencionó Schiodtz se juega en dos frentes: disciplina para usar datos de forma recurrente y capacidad de traducirlos en cambios concretos. La pyme que lo logra no solo vende más; opera con menos fricción.

Adopción Operativa de IA
Checklist breve de adopción (para que la IA no se quede en “tablero bonito”):

• Una métrica principal por objetivo (ej.: conversión, ticket, margen por producto, quiebres, tiempo de preparación).
• Cadencia fija de revisión (semanal para promos/fotos; quincenal para precios; mensual para surtido/menú).
• Responsable claro (quién decide y quién ejecuta cambios en catálogo, precios, inventario y operación).
• Reglas de prueba: una variable a la vez, ventana definida, y criterio de “se queda / se revierte”.
• Bitácora de aprendizajes (qué se cambió, por qué, resultado, siguiente paso).
• Guardrails de marca (qué no se negocia: calidad, hospitalidad, identidad; como advirtió Rivero).

Casos de éxito: Inteligencia artificial en acción

Los ejemplos compartidos en el panel ayudan a entender cómo se ve la IA cuando baja a piso.

Andrés Armenta, Founder’s Associate y Head of Delivery de MOMO Coffee, explicó que el análisis de datos les permite identificar patrones de consumo, validar continuamente su menú, decidir la apertura de nuevas sucursales y entender cómo evolucionan las preferencias de los clientes. En términos operativos, esto sugiere un uso de datos para reducir incertidumbre: no abrir por “corazonada”, no cambiar menú por moda, sino por señales.

Jaime Smeke, director de Operaciones de Giornale, señaló que automatizaron procesos relacionados con inventarios, costos, proyecciones de demanda y detección de anomalías. El beneficio que destacó no fue “hacer menos”, sino liberar tiempo para que los equipos se concentren en la experiencia del cliente. Esa es una lógica que nosotros compartimos: automatizar lo repetible para proteger lo que da identidad.

“No estamos buscando que la inteligencia artificial tome decisiones por nosotros, sino que nos dé más información para dedicarnos a lo que realmente nos gusta, que es la hospitalidad”.
Jaime Smeke, director de Operaciones de Giornale

Javier Rivero, fundador de 100 Pesos Burger, agregó un contrapeso relevante: la tecnología debe usarse para estandarizar procesos y aumentar la eficiencia, pero sin comprometer la identidad de la marca ni el trato personal. Para muchas pymes, el riesgo de “optimizar” es volverse genéricas. El reto es usar datos para ser más consistentes, no menos auténticos.

En conjunto, estos casos apuntan a un patrón: la IA se vuelve útil cuando se conecta con decisiones específicas (menú, inventario, expansión, experiencia) y cuando se integra a procesos, no solo a reportes.

Decisiones Operativas Basadas en Datos
Aprendizajes accionables (tal como se describieron en el panel):

• MOMO Coffee (Andrés Armenta): usar patrones de consumo para validar menú de forma continua y reducir incertidumbre al evaluar expansión (nuevas sucursales) con señales, no solo intuición.
• Giornale (Jaime Smeke): automatizar inventarios/costos/proyecciones y detección de anomalías para liberar tiempo operativo y enfocarlo en experiencia del cliente (hospitalidad).
• 100 Pesos Burger (Javier Rivero): estandarizar para eficiencia, pero con un “no negociable”: no sacrificar identidad de marca ni trato personal; la tecnología como soporte del proceso, no reemplazo del criterio.

El futuro del delivery: Personalización y eficiencia

Los participantes coincidieron en que la siguiente etapa del delivery estará marcada por experiencias cada vez más personalizadas, impulsadas por IA capaz de anticipar hábitos de consumo y simplificar la interacción con los clientes. En la práctica, esto sugiere un delivery menos “transaccional” y más “relacional”: entender preferencias, reducir fricción y ofrecer opciones más relevantes.

La personalización, sin embargo, no es solo marketing. Si la IA ayuda a anticipar demanda, también puede mejorar eficiencia: preparar mejor, comprar mejor, asignar recursos con menos desperdicio. Para una pyme, eficiencia no es un KPI elegante; es supervivencia de margen.

En este punto, vale recordar el hilo conductor del panel: el delivery ya es una herramienta estratégica de crecimiento para múltiples giros, no solo comida. Eso implica que la personalización puede tomar formas distintas: en retail puede ser surtido y disponibilidad; en restaurantes, combinaciones y timing; en categorías como farmacia o florería, claridad de catálogo y cumplimiento.

Lo que sí parece común es el cambio de expectativa del cliente: si la experiencia se vuelve más simple y más ajustada a hábitos, el estándar sube para todos. La pyme que adopta herramientas de análisis puede competir mejor; la que no, puede quedarse con decisiones tardías y promociones menos efectivas.

Para 2026, el mensaje no es que “todo será IA”, sino que el canal de delivery será cada vez más medible y optimizable. Y en ese entorno, la personalización y la eficiencia se vuelven dos caras de la misma moneda: conocer mejor al cliente para operar mejor el negocio.

La inteligencia artificial como motor de transformación para las PyMEs

La discusión que abrió Uber Eats México en el Emprendedor Summit 2026 pone un tema sobre la mesa que nosotros consideramos prioritario para cualquier operador: la IA no es un lujo tecnológico; puede ser una palanca para que la pyme tome decisiones con más información y menos fricción.

Si Uber Eats ya es un canal comercial relevante en México, el impacto potencial de “democratizar” análisis de datos es grande. Pero el resultado no está garantizado: el diferenciador, como dijo Schiodtz, será la adopción.

Oportunidades de análisis de datos para la toma de decisiones

Las oportunidades mencionadas en el panel son claras y accionables: pronóstico de demanda, optimización de precios y promociones más efectivas. Sumadas a la automatización de inventarios, costos, proyecciones y detección de anomalías, forman un mapa de trabajo para operar con más control.

La pregunta práctica para el dueño o CFO no es “¿qué tan avanzada es la herramienta?”, sino “¿qué decisión concreta voy a tomar distinto con esta información?”. Ahí es donde la IA deja de ser tendencia y se vuelve gestión.

Cierre: personalización y eficiencia

El futuro que describieron los panelistas combina personalización con eficiencia: anticipar hábitos, simplificar la interacción y operar con más precisión. Para la pyme, el reto será capturar ese valor sin perder identidad, como advirtió Rivero: estandarizar procesos sin sacrificar marca ni trato.

En Lady Factoraje creemos que el conocimiento claro —sin tecnicismos innecesarios— es la mejor herramienta para que la PyME mexicana crezca con operación y flujo más sanos. Y en 2026, entender cómo la IA aterriza en decisiones diarias ya no es opcional: es parte del nuevo estándar competitivo del delivery.

Este análisis está escrito desde la óptica de gestión de liquidez y disciplina operativa en PyMEs: cómo convertir señales (demanda, precios, promociones e inventario) en decisiones repetibles que protejan margen y reduzcan fricción en el ciclo de capital de trabajo.

Plan 30–60–90 días operativo
Plan 30–60–90 días para aterrizar 2–3 casos de uso (sin “transformación” eterna):

• Días 1–30 (orden y línea base):
• Elegir 2 objetivos (ej.: subir conversión y reducir quiebres/merma).
• Definir 3 métricas: conversión, margen por top SKUs, quiebres/cancelaciones.
• Limpiar catálogo: fotos, descripciones, disponibilidad por horario.
• Días 31–60 (primeras pruebas):
• 2 experimentos: (1) promo con hipótesis y ventana; (2) ajuste de precio/pack en 3–5 SKUs.
• Revisión semanal y bitácora de aprendizajes.
• Días 61–90 (estandarizar y escalar):
• Convertir lo que funcionó en “regla operativa” (inventario, preparación, horarios, combos).
• Definir un calendario mensual de optimización (precios/promos/surtido) y responsables.

Checkpoint final: si al día 90 no puedes explicar en una frase qué decisión tomas distinto gracias a los datos, el problema no es la herramienta: es el hábito.

Este texto se basa en información compartida públicamente durante el Emprendedor Summit 2026 y en ejemplos operativos mencionados por sus participantes. Algunas funciones, métricas y prácticas pueden variar según el giro, la ciudad y la madurez operativa de cada negocio. La información disponible y las capacidades de las plataformas pueden cambiar con el tiempo, por lo que ciertos detalles podrían quedar desactualizados o requerir confirmación.