DukaanAI: inventario con IA desde una foto

En pocas palabras: DukaanAI, publicado el 14/10/2026 en dev.to, convierte la foto de un producto en una ficha con nombre, categoría y descripción sugeridos. Usa Gemma 3 4B en local con Ollama, no Llama; el precio y el stock se cargan a mano y el inventario se exporta a CSV.

DukaanAI es un prototipo de inventario con IA que convierte la foto de un producto en una ficha con nombre, categoría y descripción sugeridos. Su autor lo publicó el 14/10/2026 en dev.to y usa Gemma 3 4B en local con Ollama.

DukaanAI es una herramienta de inventario asistido por IA pensada para almacenes independientes y comercios chicos. Vos subís la foto de un producto, un modelo que analiza la imagen sugiere nombre, categoría y descripción, y el comerciante corrige esos campos, carga el precio de venta y el stock a mano y guarda la ficha. El inventario queda en el navegador y se exporta a CSV.

¿Qué hace DukaanAI hoy y qué deja en manos del comerciante?

El MVP sube una imagen y devuelve un nombre, una categoría y una descripción sugeridos. Después el comerciante edita esos campos, escribe el precio de venta y el stock a mano, busca o borra fichas y exporta el catálogo a CSV, según describe el autor en su post.

• Subida de imagen: el punto de partida de cada ficha es una foto del producto.
• Texto sugerido por la IA: nombre, categoría y descripción.
• Campos editables: el comerciante revisa y corrige antes de guardar.
• Precio y stock manuales: la IA no toca estos dos datos.
• Búsqueda, borrado y exportación: el catálogo se filtra, se limpia y sale en CSV.

El público objetivo son los almacenes independientes y los comercios chicos que necesitan un catálogo simple. El proyecto se presentó en el Hacktoberfest Open-Source AI Challenge, Semana 2 (Side Hustle).

Mi lectura: la división de tareas está bien pensada. Lo que una foto no puede saber (cuánto cobrás, cuántas unidades tenés) queda afuera de la IA, y lo que sí se puede adivinar mirando un envase, que es lo repetitivo, queda adentro. El autor lo plantea igual: la meta es reducir la carga de tipeo, no reemplazar el criterio del comerciante.

¿Cómo se arma un inventario con IA a partir de fotos con Gemma 3 y Ollama?

El flujo tiene cuatro pasos: el frontend en React y Vite sube la imagen, el backend en Node.js y Express la recibe con Multer, ese backend consulta a Gemma 3 4B que corre en local vía Ollama, y el modelo devuelve un JSON con los datos sugeridos. El comerciante revisa, completa precio y stock y guarda.

Dicho esto, conviene separar piezas. El stack completo que lista el autor es React y Vite, Node.js y Express, Gemma 3 4B a través de Ollama, Multer para las imágenes, localStorage del navegador para el inventario y JavaScript para el CSV. Nada exótico, y eso es una virtud para un prototipo. Ya lo cubrimos antes en los modelos abiertos de Meta.

Ponele este escenario hipotético (no es una prueba del proyecto): subís la foto de un paquete de yerba, el backend la recibe con Multer, se la pasa a Gemma, Gemma devuelve un JSON con un nombre y una categoría, vos corregís lo que salió medio raro, escribís el precio y el stock y guardás, todo en la misma compu y sin que la imagen viaje a una API de terceros.

Una aclaración que importa porque la etiqueta de la nota dice Llama: el modelo de DukaanAI es Gemma, no Llama. Ambos son modelos abiertos que se suelen correr con herramientas locales, pero son familias distintas.

Sobre el almacenamiento, el autor lo dice sin vueltas: la versión inicial guarda el inventario en localStorage, así que es un prototipo local-first y no un sistema en la nube ni multiusuario. Como consecuencia técnica general de localStorage, los datos quedan atados a ese navegador de esa máquina. Si limpiás los datos del sitio, ojo, te quedás sin catálogo, salvo que hayas exportado el CSV antes.

¿Por qué usar un modelo open-weight en local para un comercio chico?

El autor eligió un modelo open-weight porque en un producto para negocios chicos importan el costo y el control de la inferencia. Con Gemma a través de Ollama, las imágenes se analizan en la propia máquina, sin mandar cada foto a una API de IA alojada por un tercero.

También menciona que este enfoque deja probar prompts, comparar modelos y armar un flujo a medida del caso de uso. No hay cifras de costos en la fuente, así que no te voy a armar una comparación de precios: sería inventar. En correr LLMs locales sin permisos root profundizamos sobre esto.

Sobre la terminología: un modelo open-weight es uno cuyos pesos se publican para que cualquiera los descargue y los corra. Open source, en cambio, suele exigir más que eso (código, licencia y condiciones de uso). Las licencias puntuales de Gemma no aparecen en la fuente, por lo que no voy a afirmar nada sobre ellas. Vale notar que el desafío se llama Open-Source AI Challenge y el modelo elegido es open-weight; para el proyecto es un detalle, pero para quien cita la nota importa.

¿Qué está confirmado y qué falta validar de DukaanAI?

Está confirmado, porque lo afirma el autor, lo que el MVP hace y con qué stack lo hace. Falta validar el ahorro de tiempo real, la precisión de las sugerencias y si alguien pagaría por el producto: el propio autor dice que va a testearlo con comerciantes locales.

• Confirmado por el autor: carga de imagen, sugerencias de nombre, categoría y descripción, campos editables, precio y stock manuales, búsqueda, borrado y CSV.
• Confirmado por el autor: Gemma 3 4B vía Ollama, backend Node.js y Express, inventario en localStorage.
• Límites que el autor reconoce: hace falta hardware adecuado, la inferencia local puede ser más lenta que un servicio alojado y el modelo puede equivocarse. Por eso pide revisar cada sugerencia.
• Sin validar: cuánto tiempo ahorra frente a la carga manual, qué tan acertadas son las sugerencias y si los comerciantes pagarían. El autor planea comparar carga manual y asistida.
• Sin verificar: el repositorio, la demo y las capturas figuran como marcadores sin completar en el texto leído, así que no hay enlaces para probar el proyecto.
• Hipótesis, no plan cerrado: la suscripción mensual es una posibilidad, sin precio definido, y el autor aclara que antes hay que validar cuánto estarían dispuestos a pagar.

Qué podés decidir con esto: si sos comerciante, nada todavía, porque no hay demo para probar. Si sos desarrollador, podés tomar la arquitectura como punto de partida. Lo que estos datos no permiten concluir es que el inventario con IA sea más rápido o más preciso que cargar a mano: ese número no existe aún.

¿Cómo medir si el inventario con IA te ahorra tiempo en tu comercio?

Una forma práctica es cargar el mismo lote de productos dos veces, una a mano y otra con sugerencias de IA, y comparar minutos totales y cantidad de correcciones. Es una propuesta editorial nuestra, no un método del autor, y no la probamos con DukaanAI.

• Elegí un lote real: unos 30 productos de tu góndola, con envases comunes, genéricos y alguno con etiqueta gastada.
• Cronometrá las dos cargas: manual completa contra asistida, incluyendo la revisión.
• Contá las correcciones: cuántos nombres, categorías o descripciones tuviste que cambiar.
• Comparás el resultado final: si la ficha asistida salió igual de útil que la manual, el ahorro es genuino.

Dos ejemplos hipotéticos para fijar la idea. Si el modelo acierta en la mayoría de los envases de marca pero falla en productos sueltos o a granel, el ahorro “obvio” se achica en un almacén que vende mucho de eso. Y si la revisión te lleva casi lo mismo que escribir la ficha, la herramienta no te sirve, por más lindo que sea el JSON. Lo explicamos a fondo en nuestra guía de IA local.

¿Qué enseña este proyecto a quien quiera armar una herramienta parecida?

La lección que el autor deja es que generar texto es solo una parte del problema: la herramienta tiene que encajar en el flujo del comerciante y producir resultados lo bastante precisos para servir. Para los que desarrollan, eso significa diseñar primero la revisión humana y recién después afinar el prompt.

Las mejoras futuras que menciona son sincronización en la nube, cuentas de comercio, códigos de barras, alertas de stock bajo e integración con sistemas de facturación. Los códigos de barras me parecen la más interesante (si el producto tiene código, reconocerlo es más directo que adivinarlo desde una foto), pero es una opinión mía, no un dato de la fuente.

Si algún día querés publicar una versión web con cuentas y sincronización, vas a necesitar hosting y dominio; para eso se puede mirar donweb.com, que opera en Argentina. Mientras el prototipo sea local-first, no hace falta nada de eso.

Cierro con las preguntas que el autor les hace a los comerciantes: si generar un catálogo desde fotos les ahorraría tiempo y qué necesitarían antes de usar algo así en su local. Son las preguntas correctas.

Errores comunes al probar un inventario con IA desde fotos

• Guardar sin revisar: el propio autor advierte que el modelo puede equivocarse. Corregí cada nombre y categoría antes de guardar, sobre todo en productos parecidos entre sí.
• Confundir Gemma con Llama o open-weight con open source: son cosas distintas. Citá el modelo exacto (Gemma 3 4B) y no des por hecha ninguna licencia que no hayas leído.
• Tratar localStorage como una base de datos segura: los datos viven en un navegador. Exportá el CSV con frecuencia como respaldo.
• Medir con tres fotos lindas: probalo con tu lote real, con envases gastados y productos sueltos, y no solo con los casos fáciles.
• Subestimar el hardware: la inferencia local necesita una máquina adecuada y puede tardar más que un servicio alojado. Probalo en la compu que de verdad vas a usar en el local.

Preguntas Frecuentes

¿Se puede armar un inventario a partir de fotos de productos con IA?

Sí, como punto de partida: DukaanAI toma la foto y sugiere nombre, categoría y descripción. Precio y stock se cargan a mano, y el autor exige revisar cada sugerencia porque el modelo puede equivocarse.

¿Qué es DukaanAI?

DukaanAI es un prototipo de inventario asistido por IA para almacenes y comercios chicos, publicado el 14/10/2026 para el Hacktoberfest Open-Source AI Challenge. Incluye subida de imágenes, campos editables, búsqueda, borrado y exportación a CSV. Sobre eso hablamos en un agente de IA local y gratuito.

¿Qué modelo usa DukaanAI para reconocer productos?

Usa Gemma 3 4B, un modelo open-weight que corre en local a través de Ollama. No usa Llama, aunque ambos sean modelos abiertos que suelen ejecutarse con herramientas locales.

¿Se puede correr Gemma 3 en local con Ollama?

Según el autor, sí: DukaanAI lo hace con Gemma 3 4B en hardware compatible. La fuente no detalla requisitos de memoria ni tiempos de respuesta, así que conviene probarlo en la máquina que vayas a usar.

¿Qué diferencia hay entre un modelo open-weight y uno open source?

Un modelo open-weight publica sus pesos para que puedas descargarlo y ejecutarlo. Open source suele pedir más: código, licencia y condiciones de uso. Antes de usar un modelo en un producto, leé su licencia concreta.

Conclusión

DukaanAI es un MVP chico y honesto: usa un modelo local para el trabajo repetitivo de una ficha y deja precio, stock y criterio en manos del comerciante. Lo que aporta hoy es una arquitectura clara (React, Express, Gemma 3 4B vía Ollama) que se puede copiar y mejorar.

Lo que todavía no aporta son números. No hay ahorro de tiempo medido, ni precisión, ni demo o repositorio verificables en el texto leído. Si sos desarrollador, usalo como idea para prototipar y medí con tu propio lote. Si sos comerciante, esperá a que el autor publique la demo y las pruebas con negocios reales antes de reorganizar tu carga de productos.

Fuentes

• DEV Community – DukaanAI: Turn Product Photos into a Shop Inventory with Open-Weight AI Tags (14/10/2026)