Déjame contarte algo. El invierno pasado estuve cuatro horas sentado fuera de un almacén en Texas esperando a descargar. No era un problema de tráfico, y es la razón por la que me importa la selección de proyectos piloto de IA para almacenes. Dentro, todo el lugar se había venido abajo. El sistema decía 300 cajas. El muelle contó 287. Trece cajas menos, y todo el almacén pasó la tarde registrando el lugar de arriba abajo. Al final era una línea duplicada en un documento de recepción, un envío etiquetado dos veces. Yo estaba sentado en mi camión quemando combustible y dinero mientras la gente de dentro quemaba la luz del día. Y no dejaba de pensar: si algo hubiera revisado primero ese papeleo, ¿habría pasado algo de esto?

Llevo quince años conduciendo, y he visto a los almacenes perseguir cada novedad brillante. La IA es la más candente ahora mismo, y la gente no para de decirme: Shifu, tu almacén necesita IA. Así que hago una pregunta: ¿IA para qué? Nueve de cada diez no saben responder. O es "inteligencia total del almacén" o "un gran panel para mirar". ¿Cuánto dinero es eso, cuánto tiempo? Si te equivocas en la primera decisión de selección de un proyecto piloto de IA para almacenes, quemas seis meses, y nadie en el edificio vuelve a creer en la IA. No intento asustarte. Eso es lo que te enseñan quince años en la carretera.

Selección de pilotos de IA: elige trabajo que se pueda ver, que te puedas permitir que salga mal y que tenga un responsable

Mi prueba sencilla para un piloto de IA tiene tres partes: puedes verlo funcionar, puedes permitirte que se equivoque y alguien es responsable de él. Que puedes verlo funcionar significa que la gente de la planta nota la diferencia con sus propios ojos, no solo un número flotando en un informe. Que puedes permitirte que se equivoque significa que cuando la IA toma una mala decisión, una persona la detecta antes de que salga un envío equivocado por la puerta. Que alguien es responsable significa que una persona con nombre y apellido revisa los resultados todos los días, y cuando algo se tuerce, todo el mundo sabe a quién le suena el teléfono.

Según esa prueba, el peor primer piloto es cualquier cosa que toque directamente la preparación de pedidos y el envío. Eliges la caja equivocada y te llevas una reclamación, una devolución, un reenvío, y tu flamante IA carga con todo eso el primer día. El trabajo adecuado se repite todos los días, en volumen, donde un error aparece de inmediato y cuesta casi nada corregirlo.

Déjame contar unos cuantos. Primero, el reconocimiento de documentos. Albaranes, listas de empaque, facturas, un empleado tecleándolos en el sistema uno a uno hasta que se le cruzan los ojos. La IA lee los documentos, una persona echa un vistazo al resultado y corrige lo que está mal. El volumen está ahí todos los días, los errores aparecen en el acto, y corregirlos no perjudica a nadie. Segundo, la detección de excepciones. Recuentos de existencias que no cuadran, entregas cortas, una ubicación que no se ha movido en tres días. Los veteranos solían detectar estas cosas por intuición. Ahora deja que la IA barra los datos a diario y entregue al supervisor una lista corta de lo que parece estar mal. Tercero, una versión ligera de la previsión de la demanda. No las ventas del año que viene, solo aproximadamente cuántas cajas salen mañana, para saber si hay que llamar a dos temporales extra. Si te equivocas, el coste es pequeño.

Aquí está la parte contraintuitiva: el escenario más llamativo suele ser el peor primer piloto. La preparación de pedidos totalmente automatizada, la programación de robots, un almacén sin luces, todo suena emocionante, pero esos trabajos son el corazón palpitante de todo el edificio. Tócalos y todo se mueve. Un primer piloto no necesita emoción. Necesita estabilidad. Cuanto más aburrido parezca el trabajo, mejor para ir primero. El reconocimiento de documentos suena aburrido como la tierra, pero las horas que ahorra cada día son visibles para todos en la planta.

Antes de gastar un dólar en un piloto de IA, completa esta tabla

Quince años conduciendo me enseñaron una cosa: si no revisas la carretera antes de salir, acabarás volviendo sobre tus pasos a mitad de camino. Lo mismo con un piloto de IA. Antes de que nadie firme un cheque, completa esta tabla. Si no puedes completarla, no empieces.

Pregunta a responder Cómo se ve lo bueno
Cuánto volumen al día El mismo trabajo se repite decenas o cientos de veces al día; demasiado pequeño no vale la pena
Con qué frecuencia falla ahora Errores que se pueden contar, con causas que se pueden nombrar
¿Están los datos? Al menos un año de historial decente, documentos completos
Quién detecta los errores Alguien revisa los resultados a diario y corrige las malas decisiones rápido
Cómo se ve el éxito Escrito antes de empezar: horas ahorradas, errores reducidos, en números claros

No inventé esas filas. Cualquiera que haga este trabajo te dirá lo mismo: volumen suficientemente grande, errores medibles, datos en su sitio, responsabilidad con nombre, éxito en números. Si falta una, el piloto se desvía. La última fila es la más importante. Escribe cómo se ve el éxito antes de empezar, en papel, en la pared. Cuando termine el piloto, compáralo con esos números. Si los alcanzas, sigue adelante. Si no, para y averigua si los datos eran malos, el escenario era equivocado o el proveedor vendió de más. Lo que nunca quieres es que, a los tres meses, el proveedor diga que funciona de maravilla y nadie pueda decir maravilla en qué.

Un consejo más ganado a pulso: primero funciona en modo sombra. Eso significa que la IA observa desde un lado y no toca nada. Cada día comparas sus decisiones con las de tu gente. Después de unas semanas, si es precisa, déjala tomar el control. Si no, sigue entrenándola. Llámalo un período de prueba. Un nuevo empleado tiene uno, así que ¿por qué la IA debería tener las llaves el primer día? Durante el modo sombra, el almacén funciona exactamente como antes, cero riesgo, solo el trabajo extra de comparar resultados.

Los números siguientes son un ejemplo hipotético trabajado. Los inventé para mostrar las cuentas, no para describir ningún almacén real. Supón que un almacén maneja 200 lotes de documentos al día, entrada manual de 6 minutos por lote. Son 200 por 6, o 1,200 minutos, 20 horas, aproximadamente dos empleados y medio durante un día completo. Con la IA leyendo más una revisión humana a un supuesto de 1 minuto por lote, son 200 minutos, unas 3.3 horas. El ahorro es de 1,000 minutos al día, unas 16.7 horas. En 22 días laborables en un mes, son unas 367 horas ahorradas. Las cuentas no tienen que ser precisas al minuto. Tienen que estar sobre la mesa donde la persona que controla el dinero pueda leerlas.

Equivocarse al elegir cuesta más que el software

Aquí va otra historia de la carretera. En el otoño de 2024, entregué en un almacén donde el supervisor se quejaba de un sistema de programación con IA comprado esa primavera. Costó dinero de verdad, y sus horarios dejaban los turnos de noche vacíos y los de día abarrotados. El supervisor tenía que corregirlos a mano todos los días. Después de dos meses, el sistema quedó en un rincón acumulando polvo, y todo el mundo en el edificio negaba con la cabeza cada vez que salía la IA. El dinero se había ido, el tiempo se había ido, y la confianza se había ido. Ese es el coste más caro de un mal piloto: no el software, sino la confianza de todo el almacén. La confianza tarda seis meses en construirse y un mal despliegue en destruirse.

Así que mi consejo se resume en un viejo dicho: despacio se va deprisa. Haz el primer piloto pequeño, hazlo sencillo y haz que tenga éxito. Cuando tiene éxito, todo el mundo lo ve, y el segundo y el tercer piloto se venden solos. Cuando el primero fracasa, pasas los seis meses siguientes recuperando la confianza antes de poder intentarlo de nuevo.

Este es el orden práctico que yo seguiría. Elige un escenario, solo uno. Pon el nombre de una persona en él. Fija una fecha de revisión, digamos seis semanas después, y júzgalo contra los números que escribiste en la pared. Si pasa, amplías un poco. Si falla, paras y preguntas si los datos eran escasos, el escenario era equivocado o el proveedor habló demasiado.

Después de quince años en la carretera, he aprendido esto: lo que vale dinero en un almacén nunca fue lo más de moda. Es el trabajo que se hace de forma constante, todos los días. La IA no es diferente. Elige el primer escenario adecuado y se convierte en un buen ayudante que hace trabajo de verdad. Así es como se ve una buena práctica de selección de proyectos piloto de IA para almacenes: una pequeña victoria, y luego la siguiente. Elige mal y se convierte en una gran pantalla en la pared, bonita de mirar y buena para nada.

Como dice el viejo refrán, afilar el hacha no retrasa la tala. No te saltes el trabajo de elegir.

Por Shifu Zhao, Veterano del transporte por carretera (15 años) Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.