En 2026, casi todos los proveedores de software para almacenes hablan de agentes de IA. En los vídeos de demostración, el agente se comporta como un despachador incansable: llegan los pedidos y programa las oleadas; el stock baja y genera órdenes de reposición; un conductor se retrasa y reprograma la cita en el muelle. Al ver una demostración, es fácil concluir que la era de la ejecución autónoma en el almacén ya ha llegado. Pero entre esa impresión y la realidad hay varias brechas que aún no se han cruzado. Este artículo intenta algo sencillo: tomar los datos públicos, abrir esas brechas y contar cuántos pasos quedan entre los agentes de IA en el almacén que responden preguntas y los que actúan por su cuenta.
Empecemos por los datos: entusiasmo real, aterrizaje incierto
Según la previsión de Gartner de junio de 2025, más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027, debido principalmente a la escalada de costes, el valor empresarial poco claro y unos controles de riesgo inadecuados. Esto es una predicción, no un hecho consumado.
La misma previsión contiene otro conjunto de cifras que conviene colocar junto a ella. Gartner espera que para 2028 al menos el 15% de las decisiones cotidianas de trabajo se tomen de forma autónoma mediante IA agéntica, frente a casi cero en la actualidad; y que para 2030 el 60% de las empresas que usan software de gestión de la cadena de suministro habrá adoptado funciones de IA agéntica, frente al 5% en 2025. Un análisis del sector que cita a Gartner añade que para finales de 2026 el 40% de las aplicaciones empresariales integrará agentes de IA especializados en tareas, frente a menos del 5% en 2025.
Los datos de adopción del lado del almacén muestran la misma brecha. Según un estudio de 2025 del MIT y Mecalux que abarcó a más de 2,000 profesionales de la cadena de suministro, más del 60% de los almacenes ha implantado alguna forma de IA o aprendizaje automático, y casi el 90% opera con niveles de automatización más allá de lo básico. Pero «usar IA» y «dejar que un agente ejecute de forma autónoma» son dos propuestas distintas. La primera significa sobre todo predicción, reconocimiento y recomendación. La segunda exige que un sistema reescriba instrucciones reales de trabajo sin que nadie apruebe cada paso. La distancia entre ambas es exactamente los pocos pasos de los que trata este artículo.
Los despliegues reales de hoy se concentran en la capa de coordinación, no en el núcleo de ejecución. La asociación entre DHL Supply Chain y HappyRobot es un caso representativo: los agentes de IA gestionan la programación de citas, las llamadas de seguimiento a los conductores y la coordinación prioritaria del almacén por teléfono y correo electrónico: trabajo de coordinación repetitivo y sujeto a reglas. El sistema ORION de UPS analiza más de mil millones de puntos de datos al día para orquestar las rutas de entrega de paquetes, de nuevo un caso de calcular una respuesta óptima y ejecutar una acción predefinida. Amazon integra agentes de IA directamente en las operaciones de sus centros logísticos, gestionando las posiciones de inventario, la optimización del espacio en estanterías, la preparación de pedidos y la coordinación de robots. Estos casos demuestran que los agentes ya pueden trabajar donde las reglas son explícitas y los objetivos medibles. No demuestran que un agente pueda decidir solo donde las reglas son ambiguas y lo que está en juego es alto.
Una escala de madurez para los agentes de IA en el almacén: de L1 a L4
Para juzgar «cuántos pasos quedan», la autonomía primero debe dividirse en grados. Basándome en los enfoques de clasificación de uso común en el sector, aquí va un marco de cuatro niveles:
| Nivel | Forma | Qué puede hacer el agente | Dónde está la persona | Ejemplo en el almacén |
|---|---|---|---|---|
| L1 | Respuesta a preguntas | Responder preguntas, consultar datos, generar informes | La persona pregunta, la persona decide | «¿Cuál fue la tasa de errores de picking de la semana pasada?» |
| L2 | Asesor | Analizar datos, presentar recomendaciones ordenadas | La persona elige, la persona ejecuta | Tres planes de oleadas con pros y contras |
| L3 | Ejecución con confirmación | Redactar acciones, ejecutar solo tras la aprobación humana | La persona es la puerta de aprobación | Orden de reposición generada, el supervisor confirma antes de liberarla |
| L4 | Ejecución autónoma con salvaguardas | Ejecutar dentro de las reglas, escalar excepciones automáticamente | La persona supervisa, solo gestiona excepciones | Oleadas nocturnas programadas automáticamente, pedidos por encima del umbral derivados al personal |
De L1 a L2 hay un paso de capacidad: la calidad de las recomendaciones depende de la calidad de los datos. De L2 a L3 hay un paso de confianza: que la gente entregue acciones redactadas por una máquina depende de lo precisas que hayan sido las recomendaciones pasadas. De L3 a L4 hay un paso de responsabilidad: la ejecución autónoma significa que alguien asume el coste de un error, y ese alguien hoy solo puede ser una persona. La mayoría de los almacenes se sitúa hoy entre L1 y L2, unos pocos pilotos han tocado L3, y L4 solo existe en escenarios estrechos donde las reglas son extremadamente claras y los riesgos muy bajos.
Cuatro brechas antes de que los agentes de IA en el almacén puedan actuar solos
La primera brecha es la madurez técnica. Para que un agente ejecute de forma autónoma, debe hacer tres cosas a la vez: entender el objetivo, llamar a las herramientas y verificar el resultado. El objetivo se entiende a través del modelo, las herramientas se llaman a través de las interfaces del sistema, y el resultado se verifica mediante relectura y comprobaciones. El eslabón más débil de los tres son las interfaces: muchos almacenes operan con WMS, TMS y sistemas de control de equipos sin una interfaz unificada invocable por máquina entre ellos, así que un agente que quiere cambiar una oleada debe cruzar primero tres o cuatro silos de datos. El servidor MCP de Opendock, en vivo desde junio de 2026, permite que cualquier agente de IA compatible con MCP programe, modifique, cancele y consulte citas en el muelle directamente: un avance direccional, pero que cubre las citas en el muelle, no el núcleo de ejecución dentro del almacén.
La segunda brecha son los permisos y las salvaguardas. Un agente que ejecuta de forma autónoma está gastando dinero y reescribiendo planes en nombre de alguien: una reposición automática equivocada puede significar un camión lleno de stock muerto; una reprogramación de oleada equivocada puede desbaratar el ritmo de picking de todo un turno nocturno. Las salvaguardas deben construirse antes de conceder la autonomía: topes de importe, topes de cantidad, ventanas horarias, SKU en lista negra, reversión automática. Autonomía sin salvaguardas no es innovación; es pérdida de control.
La tercera brecha es el asiento del supervisor humano. L4 no elimina a las personas del almacén; las traslada a la supervisión: vigilar paneles, gestionar excepciones, auditar periódicamente los registros de decisiones del agente. Pero la supervisión misma exige una capacidad nueva: un supervisor debe poder ver por qué el agente programó una oleada de esta manera, detenerlo tras tres malas decisiones seguidas, y distinguir «el agente se equivocó» de «los datos estaban equivocados». Según una encuesta de Gartner a 782 líderes de infraestructura y operaciones a finales de 2025, entre quienes informaron de contratiempos, el 38% citó la mala calidad de los datos o la disponibilidad limitada de datos como causa directa: lo primero que un supervisor suele tener que supervisar no es el agente, sino los datos que se le alimentan.
La cuarta brecha es el libro de costes. El coste de un agente no es solo una tarifa única de implantación; incluye las llamadas continuas al modelo, el mantenimiento de las interfaces, la mano de obra de supervisión y las reservas de salvaguarda. Considere las cuentas (ejemplo ilustrativo): si un almacén de tamaño medio deja que un agente se haga cargo de la programación de oleadas nocturnas, los costes mensuales de modelo e interfaz rondan los 8,000 yuanes, mientras que la mano de obra de programación nocturna ahorrada es de aproximadamente 1.5 horas al día; a 40 yuanes la hora, eso ahorra unos 1,800 yuanes al mes: una pérdida sobre el papel. Solo cuando el mismo agente también se encarga del asesoramiento de reposición, los pedidos de excepción y la coordinación de citas puede el coste repartirse entre suficientes tareas para alcanzar el punto de equilibrio. Un agente de un solo punto rara vez se paga solo; un agente agrupado podría hacerlo.
Un juicio sobre el calendario: mi punto de vista
Poniéndolo todo junto, mi juicio es el siguiente. En 2026 y 2027, los agentes de IA asesores de nivel L2 en el almacén se convertirán en estándar en el software de almacenes, y la «ejecución con confirmación» de L3 entrará en pilotos en tres escenarios: reposición, citas y pedidos de excepción. Antes de finales de 2027, la tasa de cancelación del 40% que predijo Gartner se materializará en gran medida, y los supervivientes serán en su mayoría proyectos que redujeron su alcance y construyeron salvaguardas reales. Para 2028, es más probable que la cifra del 15% de decisiones autónomas se alcance en la capa de coordinación que en el núcleo de ejecución: citas, reprogramaciones, seguimiento de conductores, notificaciones de excepción, en lugar de la reescritura automática de los planes de picking. La auténtica ejecución autónoma de L4, creo, solo se volverá rutinaria en escenarios estrechos, con reglas claras y riesgo controlado, en torno a 2030, lo que coincide aproximadamente con la predicción de Gartner de que el 60% de las empresas que usan software de cadena de suministro habrá adoptado funciones de IA agéntica para entonces.
Este juicio deja una pregunta abierta: si las interfaces invocables por máquina entre el WMS y los sistemas de equipos se estandarizan ampliamente antes de 2027, la primera brecha colapsará más rápido de lo esperado y todo el calendario se adelantará; a la inversa, si los problemas de calidad de datos siguen arrastrando, incluso la difusión de L3 se retrasará. La historia de los agentes de IA en el almacén, en última instancia, no trata de lo ingeniosos que son los modelos, sino de si la base del almacén —datos, interfaces, reglas de salvaguarda— está lista. Si la base no está lista, por muy ingenioso que sea el agente, solo podrá quedarse en el puesto de responder preguntas y mirar cómo trabaja el almacén.
Por Dr. Chen, Investigador de la cadena de suministro Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







