Traducido del original en inglés. Las cifras y las fuentes no cambian. Leer el original en inglés
JD.com
JD.com opera CogSearch, una búsqueda de IA multiagente basada en modelos Qwen3 pequeños
Los investigadores de JD.com describen CogSearch, un modo de búsqueda con IA en JD.com que ayuda a los compradores a decidir compras complejas, basado en modelos Qwen3 de pesos abiertos. En una prueba de dos semanas con el 10 % del tráfico real, JD informa de una reducción del 5 % en el coste de decisión y de un aumento del 0,41 % en la conversión.
Cifras clave
Copiadas literalmente de las fuentes. Copie cualquier cifra con su cita.
5 %
Reducción del coste de decisión (media de búsquedas más clics por transacción) en una prueba A/B en línea de dos semanas con el 10 % del tráfico real; el artículo no dice si es relativa o absoluta1
0,41 %
Aumento medio de la tasa de conversión de usuarios (pedidos completados por visitante único) en la misma prueba A/B; el artículo no dice si es relativo o absoluto1
más del 30 %
Aumento de la tasa de conversión en intenciones de decisión compleja, como la interpretación de productos, la elección de regalos y la comparación funcional, en la misma prueba; relativo o absoluto no indicado1
Qué requirió
Las fuentes no divulgan el coste, el tamaño del equipo ni los plazos.
El problema
La búsqueda de las tiendas en línea está pensada para recuperar y ordenar productos. Los compradores con una pregunta más difícil, como qué regalo elegir o en qué se diferencian dos productos, acaban haciendo muchas búsquedas y clics. El equipo de JD.com quería que la búsqueda ayudara a los compradores a decidir, no solo a encontrar.
Qué construyeron
CogSearch es un grupo de agentes de IA que cooperan dentro de la búsqueda de JD.com. Un Planner divide la necesidad del comprador en tareas, un Executor reúne información de productos y de la web, un Guider hace preguntas de seguimiento para acotar la elección y un Decider produce una recomendación de compra estructurada. Los compradores acceden a través de una entrada opcional «AI Search».
Cómo lo hicieron
El Planner y el Guider funcionan con Qwen3-4B y el Decider con Qwen3-8B. Ambos son modelos de pesos abiertos (open-weight), es decir, cuyos archivos se publican para que una empresa pueda adaptarlos y ejecutarlos. JD entrenó estos modelos pequeños mediante destilación, que consiste en enseñarles a imitar a un modelo mayor, aquí DeepSeek-R1. Para cumplir los límites de velocidad, también recurrió a la compresión de los modelos a 8 bits, al almacenamiento en caché y a la planificación en paralelo. El artículo no informa del coste ni del tamaño del equipo.
Resultados
En una prueba A/B en línea de dos semanas con el 10 % del tráfico real, los compradores con acceso a CogSearch necesitaron un 5 % menos de búsquedas y clics por transacción (el coste de decisión). Su tasa de conversión global subió de media un 0,41 %. En las intenciones de decisión compleja, la conversión subió más del 30 %. El artículo no dice si son cambios relativos o absolutos. La latencia media fue de 1,3 s, frente a 800 ms de la búsqueda tradicional. El artículo dice que CogSearch se ha desplegado por completo desde entonces.
Lecciones para su proyecto
Dirija un modo de IA a las consultas en las que los compradores tienen dificultades. La mejora comunicada se concentró en intenciones de decisión compleja, no en todo el tráfico.
Mida el esfuerzo además de las ventas. JD siguió el coste de decisión, las búsquedas y clics necesarios por compra, junto con la conversión.
Use modelos pequeños donde la velocidad importa. JD eligió modelos de 4 y 8 miles de millones de parámetros para cumplir los límites de latencia y aun así resultó más lento que la búsqueda ordinaria.
Lea con cautela las pruebas de adhesión voluntaria. Los usuarios eligieron usar el nuevo modo, lo que puede sesgar la comparación.
Salvedades
- Las cifras proceden de un artículo del propio personal de JD.com y no están confirmadas de forma independiente.
- El artículo no dice si los cambios del 5 %, del 0,41 % y de «más del 30 %» son relativos o absolutos. Tampoco da intervalos de confianza ni fechas de la prueba.
- El acceso era mediante una entrada opcional «AI Search», así que los usuarios que la probaron pueden diferir de los que no. El artículo no lo comenta.
- CogSearch es más lento que la búsqueda ordinaria: 1,3 s frente a 800 ms de media, atenuado con la salida en streaming.
- El artículo no da fecha de despliegue. Dice que CogSearch «has since been fully deployed» (traducción: «desde entonces se ha desplegado por completo»). La fecha de despliegue mostrada es la de envío del artículo, el 12 de marzo de 2026 (la fecha del anuncio); la puesta en marcha real es anterior o desconocida.
- No se indican el coste del entrenamiento, el tamaño del equipo ni la escala del despliegue más allá de la prueba con el 10 %.
Fuentes
- CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search
arXiv (authors from JD.com) · 2026-03-12 · Artículo de investigación · arxiv.org
Resumido con nuestras propias palabras a partir de las fuentes anteriores. ¿Ha detectado un error? Consulte correcciones.