Tu primer piloto de IA no debería ser el proyecto más llamativo de la presentación del proveedor. Ese es mi veredicto, y viene de ver a almacenes aprenderlo por las malas. El trabajo de un primer piloto no es demostrar que la IA es potente. Es demostrar, al personal de planta y al jefe al mismo tiempo, que esto puede funcionar en nuestro almacén sin hacer el día más difícil. Un primer piloto de IA que fracasa en la confianza cuesta más que el software. Cuesta también el segundo y el tercer piloto, porque nadie los financiará.
He visto esto desarrollarse en ambos sentidos. Primero la versión mala. Hace unos años, un almacén de fulfillment de comercio electrónico eligió la optimización inteligente de oleadas como su primer proyecto de IA. Sonaba impresionante: el sistema construiría oleadas, planificaría rutas y programaría la mano de obra automáticamente. En la primera semana, una promoción cambió la mezcla de pedidos y el algoritmo dividió varios SKU de alta rotación entre oleadas distintas. Los preparadores caminaron distancias adicionales, los supervisores anularon el plan a mano y, tras dos anulaciones, la planta simplemente dejó de seguir las sugerencias del sistema. El proyecto seguía nominalmente en marcha, pero en la práctica había quedado archivado. El algoritmo no era tonto. El piloto había elegido un escenario con casi ninguna tolerancia al error: equivócate una vez en una oleada y todo el almacén lo siente.
La versión buena vino de un almacén de tamaño similar en el mismo periodo. Su primer piloto hacía exactamente una cosa: leer los documentos de entrega entrantes. Antes del piloto, el personal de recepción copiaba a mano nombres de productos, cantidades y números de lote de la documentación del proveedor al sistema, fácilmente un cuarto de hora por entrega, con frecuentes errores de líneas copiadas. El piloto fotografiaba el documento, reconocía los campos y mostraba el resultado a una persona para confirmarlo antes de escribir nada. En dos semanas, el tiempo de registro de documentos había caído bruscamente y, lo que es más importante, el equipo de recepción quería usarlo, porque cuando el sistema se equivocaba en algo, podían corregirlo en el acto sin retrabajo. El dinero ahorrado fue modesto. La confianza ganada no lo fue. Por primera vez, todo el almacén sintió que la IA estaba ahí para ayudar, no para añadir trabajo.
No empieces por el primer piloto más llamativo
Un primer piloto tiene que superar tres pruebas exigentes, y si falla en alguna de ellas, elige otro tema. Primero, los errores deben ser recuperables: si el sistema sugiere algo incorrecto, una persona puede detectarlo y corregirlo en el acto, sin un envío incorrecto ni una reserva incorrecta. Segundo, debe situarse junto al proceso principal, no exigir reconstruir todo el proceso del almacén primero. Tercero, el cambio debe ser visible en dos semanas: menos tiempo, menos errores o menos viajes desperdiciados, expresado en términos concretos por las personas que hacen el trabajo. Un proyecto que no supera estas pruebas no es un mal proyecto. Es un mal primer proyecto.
Con ese criterio, varias categorías deberían esperar. Cualquier cosa en la que el sistema decida directamente —rutas de picking, asignación automática de tareas, cambios automáticos de precios— debería esperar. Cualquier gran proyecto de previsión que necesite limpiar primero los datos de todo el almacén debería esperar. Cualquier cosa que toque promesas al cliente, plazos de envío o liquidación financiera debería esperar. El problema no es que estos escenarios carezcan de valor. Es que un error cuesta demasiado para ser el lugar donde se construye la confianza.
Tres candidatos de bajo riesgo y alta visibilidad para un primer piloto
Tres tipos de escenario cumplen el estándar de bajo riesgo y alta visibilidad, en el orden en que yo los consideraría. El primero es la lectura de documentos e información: fotografiar albaranes, etiquetas de cartón y albaranes de devolución, reconocer los campos y dejar que una persona confirme antes de escribir nada. La tecnología es madura, los errores se interceptan antes de que lleguen a efecto y recepción y devoluciones la usan todos los días, así que la planta nota la diferencia de inmediato.
El segundo son las alertas de anomalías: stock bajo, un SKU sin movimientos durante días, un lote próximo a caducar, una ubicación en la que el stock contable y el físico llevan semanas sin coincidir. El sistema solo alerta. No actúa. Una alerta errónea cuesta una mirada. Una alerta acertada evita que un supervisor tenga que mirar informes sin parar. La ventaja de esta categoría es que no quita el trabajo a nadie. Se encarga de parte de su vigilancia.
El tercero es la verificación de previsiones a pequeña escala: comparar el volumen de salida previsto por el sistema para mañana con el plan de personal elaborado manualmente, solo como referencia, nunca como el programa en sí. Cuando la previsión acierta, el supervisor empieza a consultarla voluntariamente. Cuando se equivoca, nadie envía un pedido incorrecto por su culpa. Esta categoría permite a la dirección ver el juicio del sistema sin tener que pagar por sus errores.
Cuál de los tres elegir depende de dónde más le duela al almacén. Si la recepción está atascada por el papeleo, elige el primero. Si los supervisores pasan el día persiguiendo informes, elige el segundo. Si la dotación de personal y la preparación siguen haciéndose por intuición, elige el tercero. Y aquí está el juicio contraintuitivo: el primer piloto más valioso a menudo no es el que más dinero ahorra. Es el que la planta más quiere seguir usando. Un piloto que ahorra mucho pero que nadie usa te costará una segunda ronda de persuasión cuando intentes escalarlo. Un piloto que la planta pide conservar ya está a medio escalar.
Evaluar el piloto en 30, 60 y 90 días
Un primer piloto de IA debe evaluarse en tres etapas, no en una única revisión después de tres meses. A los 30 días, pregunta si es utilizable: ¿el sistema es estable, la planta lo usa realmente y las personas pueden corregir sus errores rápidamente? Si alguna de estas tres falla, haz una pausa y corrígela en lugar de presionar más. A los 60 días, pregunta si es útil: en comparación con antes del piloto, al menos uno entre el tiempo de registro de documentos, el tiempo de detección de anomalías o el número de errores debe haber mejorado de verdad, en una cantidad que puedas expresar como un número, aunque el número sea modesto. A los 90 días, pregunta si puede ampliarse: ¿puede el mismo escenario funcionar en otra familia de productos, otro turno u otro almacén sin una reelaboración importante? Un piloto que no puede ampliarse, por buenos que parezcan sus números, es una pieza de exhibición, no una base.
Escribe los criterios de éxito antes de firmar nada con un proveedor, y escríbelos como criterios que una persona pueda verificar: qué tasa de precisión de reconocimiento, qué proporción de alertas resultan realmente útiles, cuántas veces al día la planta usa realmente el sistema. Los números mostrados en una demostración del proveedor deben volver a probarse con tus documentos, tu iluminación y tu mezcla de productos. La precisión en un entorno de demostración suele caer en un almacén real, y eso no es engaño. Los almacenes reales son simplemente más desordenados que las demostraciones.
Así que aquí está la pregunta que debes llevarte a tu almacén: si solo pudieras elegir un escenario para tu primer piloto de IA, ¿elegirías el que queda bien en el informe del jefe o el que hace que el equipo de recepción llegue a casa media hora antes? En mi experiencia, los almacenes que eligen lo segundo llegan a tener un segundo y un tercer piloto. Los almacenes que eligen lo primero a menudo descubren que el primer piloto fue también el último. Gana primero la confianza de la planta y luego muestra los números al jefe. No inviertas ese orden.
Por Lao Mi, Veterano de la cadena de suministro (20 años) Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.








