Rutas, stock y almacén: dónde la IA mueve la aguja en logística

La logística es el sector donde más se habla de IA y donde más fácil es gastar dinero sin cambiar nada. La razón es que casi todo lo que se vende como IA en logística son tres cosas muy distintas mezcladas en la misma presentación: optimización matemática que existe desde hace treinta años, previsión estadística que depende del histórico que tengas, y modelos que leen documentos o imágenes. Las tres funcionan, pero exigen datos diferentes, dan retornos diferentes y se implantan en plazos diferentes.

Este artículo separa esos frentes: qué aporta la IA en rutas, en stock y en almacén, qué datos hace falta tener antes de empezar en cada caso, y cómo elegir el primer proyecto para que el segundo llegue a existir. Sin casos inventados y sin promesas de porcentajes que nadie puede garantizar sin ver tus datos.

¿Qué problemas resuelve la IA en logística y cuáles no?

Antes de mirar tecnología conviene clasificar el problema. En logística casi todo cae en una de cuatro familias, y cada familia tiene su herramienta natural:

• Decidir con incertidumbre futura. Cuánto voy a vender, cuánta carga voy a mover, cuántos repartidores necesito el martes. Aquí manda la previsión estadística y el machine learning sobre series temporales.
• Elegir la mejor combinación entre millones. Qué pedidos van en qué camión, en qué orden, con qué conductor. Esto es optimización combinatoria: no es IA en sentido estricto, pero es donde está buena parte del ahorro real.
• Leer algo que hoy lee una persona. Albaranes, CMR, etiquetas, fotos de la mercancía al descargar, partes de incidencia. Modelos de extracción documental y visión artificial.
• Responder y coordinar. "¿Dónde está mi pedido?", avisos de retraso, reprogramación de una entrega fallida. Automatización conversacional conectada al sistema de gestión.

Y lo que la IA no resuelve: un maestro de artículos con pesos y volúmenes mal cargados, ventanas de entrega que el comercial promete por su cuenta, o un almacén sin ubicaciones definidas. Ningún modelo compensa un dato maestro que no existe. Es el mismo patrón que vemos en por qué fracasan los pilotos de IA: el proyecto no muere por el algoritmo, muere tres capas más abajo.

Si al planificador le cuesta más corregir la propuesta del sistema que hacerla a mano, el sistema no se usará. Da igual lo bueno que sea el modelo.

¿Cómo funciona la optimización de rutas y cuándo compensa?

La optimización de rutas responde a una pregunta concreta: dadas N entregas, M vehículos con su capacidad, ventanas horarias, tiempos de servicio y restricciones de conducción, ¿qué asignación minimiza kilómetros u horas? Es un problema clásico y resuelto: los motores actuales devuelven soluciones muy buenas en minutos para cientos de paradas.

Dónde está el truco: la calidad de la solución depende por completo de la calidad de las restricciones. Un motor que no sabe que el cliente de un polígono solo admite camión rígido, que la descarga en un centro comercial tarda 40 minutos y no 10, o que un conductor no puede hacer esa ruta por tacógrafo, produce planes preciosos que el jefe de tráfico descarta el primer día.

Compensa plantearlo cuando se cumplen varias de estas condiciones:

• Más de 15-20 paradas por vehículo y día, o flota propia de cierto tamaño.
• Las rutas cambian a diario; si son fijas semanales, el margen es pequeño.
• Hay ventanas horarias o restricciones reales que hoy se resuelven "de cabeza".
• Existe alguien que hoy dedica horas cada mañana a cuadrar el reparto.

No compensa con cinco furgonetas y rutas estables, o cuando el coste dominante no es el kilómetro sino la entrega fallida. En ese segundo caso, el proyecto correcto no es rutas: es reducir fallos de entrega con confirmación previa y ventanas realistas.

Dónde entra la IA propiamente dicha: en predecir los tiempos que alimentan al optimizador. Cuánto se tarda de verdad en descargar en cada cliente, según hora, día y tipo de pedido. Un optimizador con tiempos de servicio estimados a ojo planifica un 20 % de más o de menos y genera desviaciones que nadie entiende. Con tiempos aprendidos del histórico de GPS y albaranes, el plan empieza a parecerse a la realidad.

¿Qué aporta la IA en stock y aprovisionamiento?

Aquí el retorno es el más medible del sector, porque toca dos cosas que están en el balance: rotura de stock e inventario inmovilizado. La cadena tiene tres piezas y conviene no saltarse ninguna:

1. Previsión de demanda por referencia y ubicación, al horizonte real de decisión (si tu proveedor tarda seis semanas, prever la semana que viene no sirve de nada). 2. Política de stock: nivel de servicio objetivo por familia, stock de seguridad calculado con la variabilidad real de demanda y de plazo de entrega, no con un número heredado. 3. Propuesta de pedido que cruce lo anterior con mínimos de compra, múltiplos de palé y capacidad de almacén.

La mayoría de proyectos se quedan en el punto 1 y presentan un gráfico bonito que nadie usa. El valor aparece cuando la propuesta llega al comprador dentro de su herramienta y él puede aceptarla o cambiarla en dos clics. Lo desarrollamos en detalle en previsión de demanda.

Un matiz importante para logística: no todas las referencias merecen modelo. Segmenta el catálogo por volumen y variabilidad. Las de alta rotación y patrón estable se resuelven con métodos simples y bien afinados; las intermitentes necesitan enfoques específicos; y la cola larga se gestiona con reglas, porque el coste de mantener un modelo por referencia no lo paga nadie.

¿Y dentro del almacén?

El almacén es donde más se nota que la IA útil suele ser poco espectacular:

• Slotting inteligente. Reubicar referencias según rotación y afinidad de pedido para acortar el recorrido del preparador. Es analítica, no magia, y se paga sola en almacenes con picking manual intensivo.
• Agrupación de pedidos y secuenciación de picking. Decidir qué pedidos se preparan juntos y en qué orden. Optimización pura, retorno directo en horas de personal.
• Visión artificial para recuento, control de paletizado, lectura de etiquetas dañadas o comprobación de que lo cargado coincide con el albarán. Funciona bien en tareas acotadas y con iluminación controlada; ampliamos el criterio en visión artificial.
• Extracción documental de albaranes, CMR y facturas de transportista, incluida la conciliación automática contra la tarifa contratada. Suele ser el proyecto con menos fricción de todos, y lo contamos aplicado en extracción de datos de documentos.
• Previsión de carga de trabajo para dimensionar turnos: cuántos bultos entrarán el jueves y cuánta gente hace falta. Depende de tener histórico de actividad por hora, no solo por día.

La regla práctica: dentro del almacén, empieza por lo que ya mides. Si no tienes trazabilidad de cuánto se tarda en preparar un pedido, ningún modelo te dirá cómo mejorarlo.

¿Qué datos exige cada caso de uso?

Esta es la tabla que usamos para saber si un caso es viable hoy o hay trabajo previo. El orden importa: una empresa puede estar lista para lo último y no para lo primero.

| Caso de uso | Datos imprescindibles | Histórico mínimo | Señal de que aún no estás listo | |---|---|---|---| | Optimización de rutas | Direcciones geocodificadas, capacidades, ventanas horarias, tiempos de servicio | No necesita histórico largo, sí restricciones bien cargadas | Las direcciones se corrigen a mano cada semana | | Predicción de tiempos de entrega | Trazas GPS o registros de llegada/salida con hora real | 6-12 meses | Solo tienes la fecha del albarán, sin hora | | Previsión de demanda | Ventas por referencia, semana y ubicación; roturas y promociones marcadas | 2 años con estacionalidad | No se distingue "no se vendió" de "no había" | | Stock de seguridad dinámico | Plazos de entrega reales por proveedor, no los teóricos | 12 meses de recepciones | El plazo del maestro lleva años sin revisarse | | Slotting y picking | Líneas de pedido con ubicación y marca de tiempo | 6 meses | El almacén no tiene ubicaciones codificadas | | Visión artificial en muelle | Imágenes etiquetadas del caso concreto | Cientos de ejemplos por clase | No hay cámaras ni forma de etiquetar | | Lectura de albaranes y CMR | Documentos digitalizados y maestro de proveedores limpio | Semanas | Llegan en papel y se archivan sin escanear | | Atención "¿dónde está mi pedido?" | Estado del envío accesible por API y trazabilidad del transportista | Inmediato | El estado solo lo sabe quien llama al transportista |

Si varias filas de la derecha te suenan, el primer proyecto no es de IA: es de ingeniería de datos. No es un fracaso, es la secuencia correcta.

¿Cómo elegir el primer proyecto?

El criterio que aplicamos no es "cuál es más innovador", sino cuál cumple cuatro condiciones a la vez: dato disponible, decisión concreta que cambia, dueño identificado y resultado medible en semanas. Con eso, un orden razonable para la mayoría de operadores y empresas con logística propia:

1. Lectura y conciliación de documentos de transporte. Riesgo bajo, ahorro administrativo inmediato, no toca la operativa. Sirve además para comprobar si se factura lo contratado. 2. Previsión de demanda en la familia con más rotura o más inmovilizado. Dato normalmente disponible, impacto directo en balance. 3. Optimización de rutas o de picking, según dónde esté tu coste: kilómetros o horas de almacén. 4. Visión artificial o agentes de atención, una vez que lo anterior funciona y hay confianza interna.

Y una cautela de calendario: no arranques un proyecto de previsión en plena campaña ni toques el algoritmo de rutas la semana de mayor volumen. En logística, la ventana de cambio es estrecha y la operación no se para.

Los plazos realistas: un proyecto de documentos se ve funcionando en 4-8 semanas; previsión de demanda, 10-14 hasta que la propuesta llega a compras; rutas, entre 8 y 16 según lo sucias que estén las direcciones y las restricciones. Cualquiera que te prometa las tres en un trimestre está vendiendo la demo, no el proyecto.

Preguntas frecuentes

¿Necesito un TMS o un WMS antes de aplicar IA en logística?

No siempre, pero sí necesitas los datos que esos sistemas generan. Sin registro estructurado de entregas, ubicaciones y tiempos, el modelo no tiene de dónde aprender. Si gestionas con hojas de cálculo, el primer paso suele ser capturar esos eventos de forma consistente, aunque sea con un sistema sencillo.

¿Cuánto histórico hace falta para prever demanda en logística?

Dos años completos por referencia y semana si hay estacionalidad marcada, que en distribución es lo habitual. Con un año se puede empezar, pero el modelo no distinguirá un patrón anual de una anomalía. Lo más importante no es la cantidad, sino que las roturas y promociones estén marcadas: si no, aprenderá de una demanda censurada.

¿La optimización de rutas es realmente inteligencia artificial?

En sentido estricto es optimización combinatoria, una disciplina anterior al auge actual de la IA. La parte de aprendizaje aparece al estimar tiempos de servicio y de tránsito con datos reales. La etiqueta importa poco; lo que importa es que el ahorro es de los más tangibles del sector.

¿Puedo empezar con un piloto pequeño sin tocar la operativa?

Sí, y es lo recomendable. Los proyectos documentales y las previsiones se pueden ejecutar en paralelo durante semanas, comparando lo que propone el sistema con lo que decidió la persona, sin que nada de eso llegue al camión. Cuando la propuesta gana de forma consistente, se activa.

La IA en logística no es un proyecto único, es una secuencia: primero los datos que ya generas y no aprovechas, después las decisiones repetitivas, y solo entonces lo vistoso. Si quieres saber en qué punto de esa secuencia está tu operación, en la auditoría revisamos tus datos de entregas, stock y almacén y te decimos qué caso es viable hoy, cuál necesita trabajo previo y cuál no compensa en tu tamaño. Y si prefieres contrastarlo en media hora antes de mover nada, hablemos.