El teléfono sonó a las 2 a.m., con el tipo de alerta que llena toda conversación sobre detección de anomalías de inventario con IA en almacenes. Un supervisor nocturno de un almacén tercerizado en el este de China contestó para enterarse de que el stock contable de una categoría de producto ya no coincidía con el stock disponible para picking, y la diferencia no era pequeña. Su primer instinto fue vestirse e ir hasta allí. Su segundo instinto fue mejor: preguntó cuántas veces se había disparado esa misma alerta esa semana. Era la tercera. Las dos primeras veces, alguien había ido y había encontrado la misma historia en ambas ocasiones: documentación en tránsito que aún no se había contabilizado. Se quedó en casa y, para la mañana, los números se habían conciliado solos. Esa brecha entre el primer instinto y el segundo es donde vive todo este tema. Un sistema de alertas que grita «¡que viene el lobo!» cada noche no hace más seguro un almacén. Enseña a la gente a ignorar las alertas, lo cual es peor que no tener alertas en absoluto.

Este patrón se ha vuelto más común por una razón estructural, no misteriosa. Los almacenes ahora operan más sistemas que antes: un sistema de gestión de almacenes, un sistema de pedidos, un sistema de transporte y, a menudo, el propio sistema del cliente, cada uno con sus propios libros. Cada traspaso entre sistemas es una oportunidad para un desfase de sincronización. Al mismo tiempo, los modelos de detección realmente han mejorado. Pueden detectar patrones en millones de movimientos, como una ubicación con faltantes de unas pocas unidades cada miércoles. El problema es que un modelo entrega una probabilidad y una clasificación, no un veredicto. Tratar una probabilidad como un veredicto multiplica las llamadas telefónicas a las 2 a.m.

Las alertas de detección de anomalías de inventario con IA en almacenes se dividen en tres grupos

Antes de hablar de modelos, conviene clasificar las discrepancias en tres grupos. El primero es la pérdida o el daño real: las unidades están físicamente perdidas, rotas, vencidas o mezcladas con otro producto. El segundo es una discrepancia falsa: la mercancía está bien y los libros están mal, por un error de digitación, un código de barras intercambiado o una ubicación mal escrita. El tercero es un desfase de sincronización: ni la mercancía ni los libros tienen nada malo, pero dos sistemas tomaron instantáneas en momentos distintos, de modo que el stock en tránsito, la documentación sin contabilizar, los cambios de lote o una ventana de congelamiento de conteo los hacen discrepar temporalmente.

La distinción importa porque el costo de gestionar cada grupo es completamente distinto. La pérdida real exige precintar las ubicaciones afectadas, revisar las grabaciones de cámara y extraer los registros de movimientos. Una discrepancia falsa exige corregir el paso de ingreso de datos y su revisión. Un desfase de sincronización exige la respuesta más barata disponible: esperar hasta el siguiente punto de conciliación, cuando normalmente se resuelve solo. Una gran parte de la fatiga por alertas proviene de tratar el tercer grupo como si fuera el primero, enviando gente de noche a investigar algo que se habría resuelto para el desayuno. El error inverso es igual de costoso. Tratar una pérdida real como un desfase de sincronización hace que aflore en el inventario de fin de mes como un número grande y difícil de explicar, con una responsabilidad imposible de rastrear.

Un almacén de fulfillment de bienes de consumo compartió una revisión que ilustra el punto. Durante un mes de alertas nocturnas, más de la mitad se había resuelto para la mañana siguiente sin intervención, y solo una pequeña fracción requirió la presencia de alguien en el lugar. Su solución no fue un modelo nuevo. Agregaron dos preguntas de filtro antes de que cualquier alerta llegara a una persona: ¿con qué frecuencia ha aparecido esta diferencia recientemente y siguen sin terminar los documentos relacionados? Esas dos preguntas filtraron la mayoría de los desfases de sincronización, y los supervisores empezaron a tomar en serio las alertas restantes.

Lo que los datos de detección de anomalías de inventario con IA en almacenes realmente dicen

El monto es la forma obvia de clasificar las alertas, pero el monto por sí solo pasa por alto dos tipos peligrosos. El primero es la discrepancia de alta frecuencia: cada caso es pequeño, pero la misma diferencia se repite, lo que suele señalar una fuga de proceso, como un paso en el que habitualmente se registran cantidades menores y se acumulan en silencio. El segundo es la discrepancia de propagación rápida: una ubicación hoy, tres mañana, toda una categoría para el fin de semana. Ese patrón suele significar que algo cambió aguas arriba, por ejemplo, un proveedor cambió las dimensiones del embalaje mientras la regla de lectura del código de barras siguió igual.

Un marco de triaje más estable califica tres dimensiones: monto, recurrencia y propagación. Si dos de las tres superan sus umbrales, la alerta escala a investigación en el lugar. Si solo una es alta, pasa a una lista de vigilancia con una revisión programada, y el sistema la recalcula automáticamente en ese momento. Los umbrales no necesitan ser precisos. Lo que importa es que cada nivel se corresponda con una acción concreta. Un elemento en lista de vigilancia recibe una revisión programada. Un elemento escalado recibe una investigación y, cuando corresponde, un congelamiento de las ubicaciones afectadas. Una vez que existe esa correspondencia, una alerta deja de ser una notificación y se convierte en una orden de trabajo con un destino.

Este es el juicio contraintuitivo que confunde a muchos equipos: una caída en el número de alertas no es necesariamente una buena noticia. Si se relajan los umbrales, o si el personal empieza a corregir los libros a mano fuera del sistema, el número de alertas se ve maravilloso mientras las discrepancias reales se acumulan fuera de los libros. La salud de un sistema de detección no puede juzgarse solo por el volumen de alertas. Dos métricas juntas cuentan una historia más verdadera: la proporción de alertas que resultan ser discrepancias reales y el tiempo promedio desde la alerta hasta la confirmación. Cuando ambas se mueven en la dirección correcta, el sistema está mejorando de verdad. Cuando solo una se ve bien, normalmente alguien ajustó las definiciones en lugar de la operación.

De una discrepancia al paso roto

Los modelos pueden localizar anomalías, pero la atribución sigue perteneciendo a las personas. Una cadena de razonamiento útil funciona así: primero confirmar el estado físico, si la mercancía está presente y en la condición correcta; luego examinar los registros recientes de entradas, salidas y traslados para ver si la diferencia apareció de repente o se acumuló gradualmente; luego verificar si el mismo producto, zona o turno muestra diferencias similares, para distinguir un caso aislado de un patrón; luego llegar al paso del proceso más probablemente responsable: recepción, inspección de calidad, ubicación, picking, verificación o envío.

El paso que más a menudo se omite es la pregunta de aparición repentina versus gradual, y cambia la solución por completo. Una diferencia repentina suele remontarse a un evento específico, como un cambio de sistema o una importación masiva. Una diferencia gradual suele remontarse al desgaste del proceso, como un paso de verificación que la gente ha dejado de realizar en silencio. Los equipos que solo reparan el caso individual terminan jugando al juego del topo: este producto arreglado hoy, otro producto mañana, con la misma causa raíz intacta. Distinguir los dos tipos de aparición es lo que convierte la lucha contra incendios en reparación.

La economía pertenece a la misma conversación. Gestionar una alerta cuesta tiempo de respuesta del supervisor, verificación en el lugar, revisión de documentos y, a veces, espera ociosa mientras las ubicaciones están congeladas. Multiplique eso por el volumen de alertas y tendrá el costo operativo del sistema de alertas. Del otro lado está el costo de una discrepancia real no detectada: mercancía perdida, compensaciones y confianza del cliente dañada. Hay un punto de equilibrio entre ambos. Las alertas demasiado sensibles ahogan al equipo en costos operativos; las alertas demasiado laxas dejan que las pérdidas no detectadas detonen a fin de mes. Los umbrales de cada almacén deben situarse cerca de su propio punto de equilibrio, no copiarse de la configuración de otro operador.

Nivel de triaje Disparador Acción
Lista de vigilancia Una dimensión alta Revisión programada, sin visita al lugar
Escalada Dos dimensiones altas Verificación en el lugar, congelar las ubicaciones afectadas
Crítica Pérdida real confirmada o propagación rápida Investigación completa, notificación al cliente si corresponde

La tendencia: las alertas se afinan, el juicio humano se vuelve más difícil

Mirando hacia adelante, la detección evolucionará en dos líneas. Primero, los modelos recurrirán a más fuentes de datos, combinando registros de stock con oleadas de pedidos, seguimiento de transporte y resultados de inspección, de modo que los desfases de sincronización se identifiquen con mayor precisión y las falsas alarmas se reduzcan. Segundo, las alertas se acercarán a la acción misma, llegando no como una simple advertencia sino con un siguiente paso sugerido, como qué documentos revisar primero o qué ubicaciones congelar.

Pero hay un juicio que vale la pena conservar: cuanto más preciso el modelo, mayor la responsabilidad que cargan las pocas alertas que aún llegan a una persona. Las discrepancias rutinarias se gestionan automáticamente, dejando a las personas los casos que el propio modelo no pudo resolver, que tienden a ser grandes y complejos. El supervisor nocturno de mañana puede recibir menos llamadas, pero cada llamada será más difícil de responder.

Volviendo a esa llamada telefónica de las 2 a.m. Si merecía respuesta nunca dependió de la alerta en sí. Dependió de si un sistema de triaje ya la había clasificado, puntuado y filtrado antes de que llegara a una persona. Sin ese sistema, incluso el mejor modelo solo produce más llamadas telefónicas. Con él, el modelo finalmente empieza a ahorrar tiempo a las personas. Cómo debería verse ese sistema en su almacén es algo que solo surge de revisar sus propias discrepancias, un caso a la vez.

Por Dr. Chen, Investigador de la cadena de suministro Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.