Voy a ser directo: si un proyecto de IA no puede demostrar un retorno en tres años dibujado en una pizarra, no debería salir de la sala de reuniones. En los últimos dos años he visto más de una docena de proyectos de IA en almacenes desde la barrera, y muy pocos dueños hicieron los números del ROI antes de firmar. La mayoría compró primero la tecnología y luego manipuló las cifras para que cuadraran. Invierte el orden y todos los finales riman: el sistema entra en producción, los datos nunca se ponen al día, la plantilla se queda y el dinero se quema en silencio.
La encuesta global de IA de 2025 de McKinsey trae un par de cifras aleccionadoras. Solo el 39% de las empresas afirma que la IA ha tenido un impacto atribuible en sus resultados. Y, sin embargo, entre los empleados que usan IA a diario, ocho de cada diez dicen que les hace más productivos. Juntando ambas cosas, la lección es clara: ser útil para el individuo y dar dinero a la empresa son dos cosas distintas. Un proyecto de IA en almacén tiene que apostar por la segunda.
En qué se va realmente el dinero
Empieza por el coste total, no por la cotización del proveedor. La mayoría de los presupuestos que reviso incluyen la licencia de software y el hardware, y se saltan discretamente las tres partidas que acaban dominando el gasto.
Preparación de datos. La IA funciona con datos limpios, y los datos de un almacén rara vez están limpios. Códigos de ubicación que no se han estandarizado en una década, diferencias de inventario cíclico ajustadas a mano, registros de olas repartidos entre tres sistemas. En 2024 visité un centro de fulfillment de comercio electrónico en el sur de California donde un piloto de clasificación por visión se pasó la mayor parte de medio año etiquetando imágenes históricas de pedidos: dos temporales, casi a jornada completa. Esa partida nunca apareció en la propuesta del proyecto.
Personas. No las que vas a ahorrar, sino las que vas a sumar. Todo proyecto de IA necesita un champion interno dedicándole casi jornada completa durante meses: alguien que conozca la operación, alguien que afine el modelo, alguien que discuta con el proveedor. El salario de ese champion, más el trabajo que deja de hacer mientras está en el proyecto, forma parte del coste.
La curva de aprendizaje. Todo sistema de IA pasa sus primeros meses aprendiendo a andar, y en esa ventana su tasa de error puede ser peor que la del proceso manual que reemplazó. El coste de esos errores —retrabajos, abonos, envíos urgentes— pertenece al presupuesto. La demo del proveedor te enseña la versión afinada; tu nave recibe la versión del primer día.
El lado del retorno exige la misma honestidad. El ahorro laboral es lo más fácil de inflar: en la mayoría de los almacenes la plantilla 'ahorrada' no se va, simplemente se reasigna, y la nómina no se reduce ni un dólar. Las ganancias de throughput solo cuentan si la capacidad es de verdad tu cuello de botella, convirtiendo velocidad extra en pedidos extra. La partida más honesta es la reducción de errores: envíos equivocados, defectos no detectados, contracargos. Esos números vienen con factura adjunta.
Tres proyectos de IA que te diría que te saltes
Voy a ser tajante. A estas alturas de 2026, hay tres categorías que desaconsejaría a la mayoría de los almacenes medianos.
Previsión de demanda para SKUs de larga cola. Funciona de maravilla para los gigantes que planifican reposición entre decenas de miles de SKUs. Pero si tu nave despacha unos miles de pedidos al día y tienes menos de dos años de historial limpio, el modelo se muere de hambre. Su previsión no va a batir el instinto de tu planificador veterano. Sin datos suficientes, la IA es astrología.
El bot de atención que lo hace todo. El warehousing es B2B y las preguntas son dolorosamente específicas: una excepción en un pallet, una cita de muelle reprogramada. Los clientes quieren a alguien que pueda tomar una decisión, no un bot con guiones pulidos. Vi a un 3PL desplegar un mostrador de servicio con IA y devolver discretamente los teléfonos a los humanos tres meses después.
Cambios de equipo por la IA en sí misma. Los AGV y la inspección por visión son tecnología genuinamente impresionante. Pero si tu tasa de error de picking ya está en fracciones bajas de un punto porcentual, gastar mucho para rascar un decimal más nunca se amortiza. Elimina primero el desperdicio del proceso, actualiza el equipo después. El orden importa.
Los números rápidos, antes que los números del proveedor. Así es como compruebo una propuesta en unos veinte minutos. Anualiza todo: licencias, amortización del hardware, la limpieza de datos, el coste total del champion y una reserva para la curva de aprendizaje. Luego divide por el beneficio neto anual, y cuenta solo los beneficios que defenderías delante de tu CFO.
La fórmula es simple: el periodo de retorno es el coste total de tres años dividido por el beneficio neto anual. Si la respuesta supera los tres años, espera. La tecnología se abarata cada año; el proyecto que no sale hoy en números a menudo sí sale en dieciocho meses, y para entonces lo comprarás con mejores datos.
Otro filtro que aplico: el proyecto debe resolver exactamente un problema. 'Mejorar la eficiencia' no es un problema. 'La inspección de devoluciones consume cuatro horas-hombre al día y los defectos no detectados nos cuestan miles al mes' es un problema. Los proyectos que prometen arreglar tres cosas suelen no arreglar ninguna.
La lista de verificación previa a la aprobación. ¿Cómo es un proyecto de IA financiable? Esta es la lista que repaso antes de cualquier reunión de arranque.
Puedes citar tu línea base de memoria. El pick rate de hoy, la tasa de error, el coste laboral por unidad: si esos tres datos te salen solos, tu base de datos probablemente es sólida. Si no puedes producirlos, haz primero gobernanza de datos, no IA.
El dolor es grande y específico, medido en dólares y horas, no en adjetivos.
El camino del retorno es singular: un proyecto, un problema, una métrica que se mueve.
Hay una cláusula de salida. El contrato dice que si el piloto no alcanza sus objetivos acordados en unos meses, te marchas o te devuelven el dinero. Los proveedores dispuestos a firmar esa apuesta suelen tener la tecnología que la respalda.
Los números de tres años salen, con todas las partidas de coste incluidas: software, hardware, datos, personas y la curva de aprendizaje.
Así que mi pregunta para ti: si tu almacén no puede sacar ahora mismo la tasa de error de picking de ayer, ¿qué te hace pensar que los datos se van a limpiar por arte de magia el día que llegue la IA?
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
