Gestión de flotas con IA: dónde está el dinero y dónde el humo

La gestión de flotas con IA se vende casi siempre con el mismo argumento: un mapa con puntitos moviéndose en tiempo real y la promesa de ahorrar un porcentaje redondo en combustible. El mapa suele estar bien; lo que casi nunca se explica es que ese ahorro no sale del mapa, sale de cambiar cómo conduce la gente, cuándo entra un vehículo al taller y cómo se montan las rutas. Y eso exige dato, no pantalla.

Esta guía va de lo que de verdad mueve la cuenta de resultados en una flota de entre 10 y 300 vehículos —transporte de mercancías, distribución capilar, servicios técnicos, obra, reparto refrigerado—: consumo, mantenimiento, cumplimiento de tiempos de conducción y planificación. También de qué telemetría hace falta en cada caso, porque el 80% de los proyectos que se atascan lo hacen por ahí: el dato está, pero troceado entre el fabricante del vehículo, la plataforma de telemática, el software de tacógrafo y una hoja de cálculo que mantiene el jefe de tráfico.

Un aviso de partida que ahorra dinero: si el GPS ya te dice dónde está cada vehículo y aun así nadie puede responder en dos minutos cuánto cuesta por kilómetro cada ruta, el problema no es de inteligencia artificial. Es de datos sueltos. Se arregla antes y cuesta menos.

¿Qué aporta de verdad la IA en una flota de vehículos?

Hay cuatro frentes con retorno defendible. Lo demás, hoy, o es telemática clásica con la etiqueta «IA» pegada encima, o es un panel bonito que nadie abre el segundo mes.

Consumo y estilo de conducción. Detectar qué parte del gasto se explica por la ruta, por la carga, por el vehículo y por el conductor. No es poner un ranking en la pared: es aislar las variables para saber dónde hay margen real.

Mantenimiento predictivo. Anticipar averías a partir de la señal del vehículo y del histórico de taller, en lugar de cambiar piezas por calendario o esperar a la avería en carretera. Una inmovilización en ruta cuesta mucho más que la pieza.

Cumplimiento y tacógrafo. Revisar automáticamente los tiempos de conducción y descanso, anticipar infracciones antes de que ocurran y preparar la documentación de una inspección sin dedicarle un día.

Planificación de rutas y cargas. Asignar servicios a vehículos respetando ventanas de entrega, capacidad, tiempos legales y perfil del conductor. Aquí la optimización matemática lleva décadas funcionando; lo que aporta el aprendizaje automático es afinar las estimaciones que alimentan al optimizador (cuánto se tarda de verdad en esa descarga, no cuánto dice el maestro de tiempos).

Si el proveedor empieza por el mapa en tiempo real y no por la pregunta de qué decisión vas a cambiar el lunes, estás comprando una pantalla. El mapa es la parte barata.

¿Qué telemetría hace falta y de dónde sale el dato?

Ningún caso de uso funciona en el vacío. Antes de firmar nada conviene saber qué señal tienes, con qué frecuencia y quién es el dueño del dato.

| Fuente | Qué aporta | Qué comprobar antes | |---|---|---| | Telemática del fabricante (FMS/CAN) | Consumo real, revoluciones, par, uso de retarder, AdBlue, códigos de avería | Si hay API abierta o solo portal web; si el contrato permite exportar el histórico | | Dispositivo de posventa (OBD/CAN) | Posición, velocidad, aceleraciones, ralentí, geocercas | Frecuencia de muestreo; muchos envían cada 30-60 s y eso borra los eventos cortos | | Tacógrafo digital | Conducción, descansos, actividad por conductor, kilómetros | Si la descarga remota está activa y con qué periodicidad; formato de los ficheros | | Tarjetas de combustible | Litros, importe, estación, fecha y hora | Si el repostaje se asocia a matrícula y a conductor, o solo a tarjeta | | Taller / GMAO | Órdenes de trabajo, piezas, horas, kilómetros de intervención | Si el motivo de avería está codificado o escrito en texto libre | | ERP / TMS | Servicios, cliente, origen-destino, peso, bultos, tiempos de entrega | Si se guardan las horas reales de llegada y descarga, no solo las planificadas | | Terminal del conductor | Incidencias, firma de entrega, fotos, esperas | Si la espera en cliente queda registrada como tal |

La pregunta que decide el proyecto es simple: ¿tienes consumo real por vehículo y por trayecto, o solo el total mensual de la tarjeta? Con el total mensual se puede hacer control de gasto, pero no se puede atribuir el consumo a una ruta, a una carga o a una forma de conducir. Conviene saberlo antes de pagar un año de licencias.

Un detalle que se repite: la frecuencia de muestreo. Un dispositivo que reporta cada minuto no ve una frenada brusca ni un pico de ralentí de 40 segundos. Si el caso de uso es estilo de conducción, hace falta segundo a segundo, al menos en los eventos. Si es seguimiento de posición para avisar al cliente, con un minuto sobra. Pagar la frecuencia alta para todo es tirar dinero; pagar la baja y esperar análisis fino es comprar frustración.

Si vienes de integraciones que se complicaron, el patrón de fuente de verdad y maestros que describimos en integrar ERP y CRM sin romper nada aplica igual aquí, con el agravante de que la matrícula se escribe de cuatro formas distintas en cuatro sistemas.

¿Se puede reducir el consumo con datos sin señalar al conductor?

El combustible es la partida más grande y la más mal analizada. Lo habitual es comparar litros por cada 100 km entre conductores y sacar conclusiones. Es injusto y además no funciona: el que hace puerto de montaña con carga completa siempre perderá contra el que hace llano en vacío.

Lo que sí funciona es normalizar antes de comparar. Un modelo decente estima el consumo esperado de cada trayecto a partir del vehículo, el peso, el perfil de altimetría, el tráfico, la climatología y el tipo de servicio. Lo interesante no es la predicción: es el residuo, la diferencia entre lo esperado y lo real. Ahí es donde aparecen cosas accionables:

• Ralentí evitable. Motor en marcha parado en cliente, en carga o en descanso. Es el ahorro más rápido y el menos conflictivo, porque casi nadie lo defiende.
• Uso del freno frente al retarder, cambios fuera del régimen óptimo, velocidad de crucero por encima de lo eficiente en tramos largos.
• Presión de neumáticos y configuración del vehículo, que explican desviaciones estables en el tiempo y no se arreglan con formación.
• Rutas que consumen de más de forma sistemática, independientemente de quién las haga. Eso es un problema de planificación, no de conducción.

La diferencia entre que esto ahorre o acabe en el cajón está en cómo se presenta. Un informe mensual con un ranking público genera picaresca —y conductores que apagan el motor en sitios donde no deben—. Un resumen semanal por conductor, privado, con dos o tres cosas concretas y comparado contra su propio histórico, se usa. Es el mismo principio que desarrollamos en gestión del cambio en proyectos de IA: la herramienta que se percibe como control se sabotea, la que ayuda a cobrar un incentivo claro se adopta.

¿Cómo funciona el mantenimiento predictivo en una flota?

Es el caso con más recorrido y también en el que más se exagera. Conviene distinguir tres niveles, porque el precio y los requisitos son muy distintos.

Nivel 1 — mantenimiento por uso real. Sustituir el calendario por kilómetros, horas de motor y condiciones de trabajo. No necesita IA, necesita el dato del cuentakilómetros conectado al GMAO. Es barato y suele dar el primer ahorro.

Nivel 2 — alertas sobre códigos y tendencias. Leer los códigos de avería del vehículo y las tendencias de parámetros (temperaturas, consumo de AdBlue, presiones) para detectar degradación antes del fallo. Es donde empieza a aportar el modelo, y funciona bien en componentes con señal clara.

Nivel 3 — predicción de fallo por componente. Estimar probabilidad de avería en una ventana de kilómetros. Exige histórico de averías codificado y suficientes casos del mismo componente. En una flota de 30 vehículos rara vez hay volumen para esto; en una de 300 con flota homogénea, sí.

El requisito que casi nadie cumple de entrada es el histórico de taller limpio. Si el motivo de la intervención está en texto libre —«ruido raro», «revisión»— no hay nada que aprender. Antes de modelar hay que codificar esas órdenes de trabajo, y ahí la extracción automática de documentos ayuda bastante: la mecánica está en extracción de datos de documentos. La lógica general, qué sensores e histórico exige cada caso y cuándo compensa frente al preventivo, la desarrollamos en mantenimiento predictivo.

Cómo medirlo sin trampas: la métrica que importa no es «averías predichas». Es inmovilizaciones no planificadas por cada 100.000 km, coste de mantenimiento por kilómetro y porcentaje de intervenciones que entran en taller programadas. Si esas tres no se mueven en seis meses, el proyecto no está funcionando por mucha alerta que genere.

¿Qué puede hacer la IA con el tacógrafo y el cumplimiento?

Aquí el valor es menos glamuroso y muy concreto: evitar sanciones y quitar trabajo administrativo. El marco legal europeo de tiempos de conducción y descanso es rígido y las inspecciones miran atrás, no adelante.

Lo que se automatiza hoy con garantías:

• Descarga y validación automática de los ficheros de tacógrafo y de las tarjetas de conductor en los plazos obligatorios, con aviso cuando una descarga falla. Suena trivial; es una de las causas más habituales de sanción.
• Revisión de infracciones sobre el histórico, clasificadas por gravedad, con el detalle del día y del conductor. Un repaso que a mano lleva horas.
• Aviso anticipado. Si un conductor va camino de agotar la conducción semanal, el sistema lo advierte a tráfico con margen para reasignar, no al día siguiente.
• Preparación de inspecciones: reunir ficheros, informes y justificantes del periodo solicitado sin bucear en carpetas.

Dos cautelas. La primera: el dato del tacógrafo identifica a una persona y describe su jornada. Es dato personal de los de verdad, con límites sobre para qué puede usarse y cuánto tiempo se conserva; conviene definirlo antes de conectar nada, con el criterio que explicamos en RGPD e IA. La segunda: la herramienta señala riesgo, no decide. La reasignación de un servicio sigue siendo del jefe de tráfico.

¿Cómo se planifican rutas y cargas con datos propios?

La planificación es donde más se nota la diferencia entre un optimizador alimentado con datos reales y uno alimentado con tiempos estándar inventados hace cinco años.

El esquema que funciona tiene dos capas. Primero, estimar bien: cuánto se tarda de verdad en cada tramo a esa hora, cuánto dura la descarga en ese cliente concreto —que no es lo mismo un muelle que una tienda de centro urbano—, cuánta probabilidad hay de espera. Esas estimaciones se aprenden del histórico propio y mejoran solas. Segundo, optimizar: asignar y secuenciar respetando capacidad, ventanas horarias, tiempos legales, requisitos del vehículo (frío, ADR, grúa) y preferencias razonables.

Dónde falla normalmente:

• Nadie registra la hora real de llegada y de salida de cliente, así que la espera no existe en los datos y el plan la ignora. Es el fallo más caro y el más fácil de corregir.
• Se optimiza el kilómetro y se olvida el servicio. Una ruta un 4% más corta que incumple dos ventanas de entrega es peor ruta.
• El plan sale a las seis de la mañana y la realidad empieza a las seis y diez. Sin replanificación en el día, el optimizador es un ejercicio teórico.

Si el problema es más de almacén que de carretera, la parte de stock y preparación la tratamos en IA en logística, y la previsión que alimenta la carga de trabajo, en previsión de demanda.

¿Por dónde empezar y en qué orden?

Un orden que funciona en flotas medianas, pensado para que cada fase pague la siguiente:

| Fase | Qué se hace | Plazo típico | Qué tienes al final | |---|---|---|---| | 0. Datos | Unir telemática, tarjetas de combustible, taller y servicios; normalizar matrícula y conductor | 3-5 semanas | Un coste por kilómetro del que fiarte | | 1. Visibilidad | Cuadro de mando de consumo, ralentí, coste por km y disponibilidad por vehículo | 2-4 semanas | Se acaba la discusión sobre qué número es el bueno | | 2. Cumplimiento | Descarga automática de tacógrafo, revisión de infracciones y avisos | 3-5 semanas | Menos sanciones y menos horas de administración | | 3. Consumo | Modelo de consumo esperado y feedback por conductor | 4-8 semanas | Margen de ahorro identificado y atribuido | | 4. Mantenimiento | Mantenimiento por uso real y alertas sobre señal del vehículo | 6-10 semanas | Menos averías en carretera | | 5. Planificación | Tiempos aprendidos del histórico y optimización de rutas | 8-12 semanas | Rutas que se cumplen |

Dos reglas sobre este calendario. La fase 0 no se salta por mucho que el proveedor diga que su plataforma «se conecta sola»: se conecta, y aprende del dato sucio que tengas. Y la fase 1, que parece poco ambiciosa, es la que más cambia las reuniones, porque es la primera vez que tráfico, taller y administración miran la misma cifra calculada igual. La higiene mínima para que eso se sostenga está en calidad de datos.

Sobre presupuesto: la horquilla depende sobre todo de cuántos sistemas hay que leer y de si la telemática tiene API. Los rangos por tipo de proyecto y lo que los infla están en cuánto cuesta un proyecto de IA, y la forma honesta de medir el retorno, en medir el ROI de la IA.

¿Qué no conviene automatizar en una flota?

Lista corta, porque equivocarse aquí se paga en rotación de conductores:

• La sanción interna automática. El sistema aporta evidencia; la conversación la tiene una persona que conoce el contexto de esa ruta.
• La decisión de inmovilizar un vehículo. La alerta propone, el jefe de taller decide. Un falso positivo que para un camión un viernes cuesta más que la revisión.
• La reasignación de servicios en caliente sin supervisión, al menos el primer trimestre. El optimizador no sabe que ese cliente concreto no acepta entregas después de las dos.
• La comunicación de incidencias al cliente final cuando hay dinero o reclamación de por medio. El aviso de retraso sí; la negociación, no.
• El control continuo del conductor fuera de su jornada. Además de ilegal en casi todos los supuestos, destruye la confianza que necesitas para que el resto funcione.

Preguntas frecuentes

¿A partir de cuántos vehículos compensa la IA en gestión de flotas?

Para visibilidad de consumo y coste por kilómetro, compensa desde 10-15 vehículos, porque el trabajo es de datos y la inversión es pequeña. Para predicción de averías por componente hacen falta bastantes más unidades del mismo modelo y un histórico de taller codificado; por debajo de unas decenas de vehículos homogéneos no hay volumen para aprender.

¿Hace falta cambiar de proveedor de telemática?

Casi nunca al principio. Lo que sí hay que comprobar es si el contrato actual permite exportar el histórico por API y con qué frecuencia de muestreo. Si la plataforma solo deja mirar informes en su portal, estás pagando por ver tus datos sin poder usarlos, y eso sí es motivo para renegociar.

¿El dato del tacógrafo se puede usar para evaluar a los conductores?

Con mucho cuidado y con reglas escritas. Es dato personal vinculado a la jornada laboral, con finalidad y plazo de conservación definidos, e información previa a la plantilla y a la representación legal. Usarlo para cumplimiento y planificación es defendible; usarlo como vigilancia continua, ni es legal ni funciona.

¿Cuánto ahorro de combustible es realista esperar?

Cualquiera que te dé una cifra sin ver tu flota está vendiendo. Lo razonable es medir primero tu línea base por ruta y vehículo durante unas semanas, cuantificar el ralentí evitable y la dispersión entre conductores en trayectos comparables, y a partir de ahí estimar el margen. Si tu dispersión normalizada ya es baja, el ahorro vendrá de rutas y mantenimiento, no de conducción.

---

Si estás valorando por dónde empezar y no quieres comprar plataforma antes de tener claro el caso, una auditoría te deja un mapa de qué telemetría tienes, qué falta y qué proyecto paga primero. Y si prefieres contrastarlo en media hora, mirando tu última factura de combustible y el histórico de taller, hablemos.