Un martes a las 6:40 se para el sorter, el clasificador automático que distribuye los pedidos por el muelle. La avería dura once minutos. Sin embargo, el impacto real suele extenderse mucho más: alguien tiene que localizar el procedimiento correcto, revisar si la incidencia ya ocurrió antes, llamar al integrador, decidir si parte del trabajo debe hacerse manualmente y comunicar el retraso al resto de la operación.
Ese trabajo alrededor de la máquina es uno de los espacios donde la inteligencia artificial empieza a tener una utilidad muy concreta. No hace falta pensar todavía en almacenes autónomos o robots humanoides. En muchas operaciones hay problemas más sencillos, más frecuentes y, precisamente por eso, más rentables de resolver.
Gran parte del tiempo se pierde buscando información que ya existe. Una alarma puede estar documentada en un manual de 300 páginas; una referencia, repartida entre el ERP y una hoja de cálculo; una incidencia similar, enterrada en el histórico del sistema de mantenimiento; y el criterio para resolver una excepción, únicamente en la cabeza de la persona que lleva quince años en el almacén.
Ahí es donde un agente de IA puede aportar valor. A diferencia de un chatbot genérico, un agente está conectado a los datos y sistemas de la empresa y puede utilizarlos para responder preguntas o ejecutar determinadas tareas.
Ante una incidencia, por ejemplo, puede identificar la máquina, consultar el manual correspondiente, buscar casos similares, mostrar el procedimiento aplicable y preparar el parte para que el técnico lo valide. En una consulta comercial puede localizar una referencia, completar sus datos logísticos y preparar una respuesta utilizando la información disponible en los sistemas internos. La clave está precisamente en eso: utilizar la información interna.
Cómo obtiene la respuesta correcta
Los modelos de lenguaje son muy buenos produciendo respuestas plausibles, incluso cuando no disponen del dato correcto. En el sector se habla de alucinaciones. El problema es que en un entorno operativo una respuesta plausible no es suficiente. Un código de artículo puede tener el formato correcto y no existir; un procedimiento puede parecer adecuado y corresponder a otra versión de la máquina; un plazo de entrega puede sonar razonable y no coincidir con lo que figura en el ERP.
Por eso, al evaluar un sistema de este tipo, la pregunta más importante no debería ser qué modelo de inteligencia artificial utiliza, sino de dónde obtiene cada respuesta.
Un agente fiable debe trabajar sobre fuentes controladas: el maestro de artículos, los manuales técnicos, los procedimientos internos, el histórico de incidencias, el ERP, el WMS o las condiciones comerciales. También debe ser capaz de mostrar qué fuente utilizó para responder. Esa trazabilidad es lo que permite distinguir una respuesta correcta de una respuesta simplemente convincente.
Aquí está también la parte menos vistosa del proyecto. Conectar un modelo de lenguaje es relativamente sencillo. Lo difícil es preparar la información para que pueda utilizarse de forma fiable: detectar documentos obsoletos, resolver referencias duplicadas, decidir qué sistema prevalece cuando dos fuentes discrepan y establecer qué puede hacer el agente automáticamente y qué debe seguir validando una persona.
Áreas para generar valor inmediato
En la práctica, hay varias áreas donde este enfoque puede generar valor inmediato. Una es la gestión de incidencias y mantenimiento, donde el objetivo es reducir el tiempo que se tarda en reunir la información necesaria para actuar. Otra son las consultas repetitivas sobre productos, pedidos o documentación logística, que a menudo obligan a recorrer varios sistemas. Y una tercera es el trabajo administrativo entre aplicaciones: leer un correo, identificar una referencia, consultar un sistema, completar un formulario y registrar el resultado en otro.
Son casos menos espectaculares que muchas de las promesas que rodean hoy a la inteligencia artificial, pero tienen una ventaja importante: se pueden medir. Tiempo de respuesta, horas ahorradas, errores evitados, consultas resueltas sin escalado o incidencias cerradas son indicadores mucho más útiles que lo bien que funcione una demostración preparada.
La oportunidad inmediata de la inteligencia artificial en un almacén no está necesariamente en sustituir la automatización existente ni en transformar toda la operación de una vez
Para quien esté evaluando proveedores, hay dos pruebas especialmente sencillas. La primera es pedir que la demo se haga con datos propios. No con un catálogo de ejemplo, sino con una muestra real del maestro de artículos, manuales o incidencias. Es en ese momento cuando aparecen los problemas que determinan si el sistema funcionará después en producción: nombres inconsistentes, documentos antiguos, referencias duplicadas o información contradictoria.
La segunda es pedir que el sistema muestre la fuente de sus respuestas. Si afirma que una referencia tiene determinadas dimensiones, debería poder señalar dónde está ese dato. Si recomienda un procedimiento, debería identificar el manual y la sección correspondiente. Si no puede hacerlo, será difícil saber cuándo confiar en él y cuándo no.
También conviene medir el retorno de forma sencilla. Si varias personas dedican cada día horas a buscar información, copiar datos entre sistemas o reconstruir el contexto de una incidencia, ése es el coste contra el que debe compararse el proyecto.
La oportunidad inmediata de la inteligencia artificial en un almacén no está necesariamente en sustituir la automatización existente ni en transformar toda la operación de una vez. Muchas veces está en algo mucho más prosaico: conseguir que, cuando el sorter vuelva a pararse a las 6:40, encontrar la información correcta no lleve otros cincuenta minutos.