Desde 2024, en las flotas de reparto regional ha aparecido una división interesante. Por un lado, los sistemas de optimización de rutas con IA se extienden rápidamente, y las páginas de los proveedores prometen menos kilómetros y menos tiempo en carretera. Por otro, los despachadores con una década o más de oficio miran las rutas que produce el sistema y niegan con la cabeza: la ruta parece más corta sobre el papel, dicen, pero no necesariamente se recorre más rápido. El desacuerdo merece tomarse en serio, porque la verdadera pregunta no es si la tecnología funciona. Es qué ahorra en realidad la optimización de rutas, y el dinero de quién ahorra.

Empecemos con un cálculo aproximado basado en supuestos declarados. Tomemos una flota regional que realiza 40 entregas al día con 12 camiones, cada camión con un promedio de 180 kilómetros diarios. Si la optimización de rutas con IA redujera de verdad el kilometraje un 8 por ciento, la flota ahorraría unos 173 kilómetros al día, o unos 4,500 kilómetros al mes con un calendario de 26 días. Con un coste operativo aproximado por kilómetro, eso suma varios miles de dólares al mes, una cantidad considerable a lo largo de un año. El problema es que la cifra del 8 por ciento procede de proveedores que miden en condiciones ideales. En cuanto entran en juego las variables del mundo real —esperas de descarga, ventanas de recepción de los clientes, pedidos de última hora—, las cuentas salen mucho menos favorables.

La optimización de rutas sobre el papel no siempre es la más rápida en carretera

En la segunda mitad de 2024, un distribuidor regional del este de China implantó un sistema de despacho con IA. Las rutas que producía eran efectivamente más cortas sobre el papel: bajó el kilometraje total y también el tiempo teórico de conducción. Pero al cabo de tres meses, la puntualidad de la flota había empeorado. El análisis posterior fue instructivo. El sistema optimizaba la distancia en el mapa, pero nunca tenía en cuenta las esperas de descarga. El almacén del cliente A solo aceptaba dos camiones por la mañana, y el sistema programó tres en la misma ventana: el tercer camión esperó más de una hora en la puerta. La ventana de recepción del cliente B era de 2 a 3 p.m., pero el sistema envió un camión por la mañana para ahorrar kilometraje, y el conductor simplemente tuvo que esperar.

Esto apunta a una distinción clave. La optimización de rutas con IA optimiza la distancia en el mapa. Un despachador veterano optimiza la certeza dentro de las ventanas horarias. Lo que el despachador lleva en la cabeza no es un mapa: es qué cliente puede descargar a qué hora, qué puerta de almacén se atasca, qué carretera queda intransitable después de las 3 p.m. Ningún sistema genera ese conocimiento por sí solo. Todo tiene que alimentarlo, entrada a entrada, una persona. Hasta que eso ocurre, cuanto más «óptimas» parezcan las rutas del sistema, más tiempo de espera pueden crear en la práctica.

Otro caso ilustra el punto aún mejor. Un despachador con 12 años de oficio intercambió una vez el orden de dos clientes cuyas ventanas de recepción entraban en conflicto. El sistema marcó la nueva ruta como un desvío: una docena de kilómetros extra. Pero tras el cambio, ningún camión tuvo que esperar en la puerta de un cliente, lo que ahorró 40 minutos de tiempo parado entre ambos. El kilometraje subió, el tiempo bajó, y un conductor incluso logró hacer una entrega extra ese día. Por kilometraje, la decisión perdía dinero. Por tiempo, lo ganaba. El problema es que muchos cuadros de mando de optimización de rutas con IA solo miden el kilometraje, no la espera.

Cómo meter la experiencia en el sistema de optimización de rutas, en tres pasos

Eso nos lleva a una pregunta práctica: ¿cómo entra realmente en un sistema de IA el conocimiento que hay en la cabeza de un despachador veterano? Por lo que he visto en las flotas que lo hacen bien, se reduce a tres pasos.

El primer paso es estructurarlo. No intenten hacerlo todo de una vez. Empiecen anotando los tres tipos de información más valiosos: cuánto tarda cada cliente en descargar, la ventana de recepción de cada cliente y qué tramos de carretera se atascan a qué horas. El despachador dedica diez minutos al final de cada día a anotar las excepciones del día. Al cabo de un mes, eso ya es una base sólida de conocimiento local.

El segundo paso es validar. No desplieguen las rutas del sistema a toda la flota de golpe. Hagan que un despachador veterano acompañe las nuevas rutas durante dos semanas, puntuándolas a diario contra lo que ocurrió realmente en carretera. Quédense con lo que el sistema acertó, marquen lo que falló, y cada marca es más datos para alimentar. El peor error en esta fase es confiar ciegamente en el sistema y tener miedo de corregirlo cuando se desvía.

El tercer paso es conservar a las personas. Cuando el sistema entra en funcionamiento, el puesto de despachador no desaparece: cambia. En lugar de planificar rutas cada día, el despachador revisa las rutas y rellena los huecos de los datos. El resultado que toda flota debería temer es este: tres años después de la puesta en marcha, el veterano se ha jubilado, el nuevo empleado solo sabe hacer clic con el ratón y nadie recuerda cómo se supone que debe recorrerse la carretera. La tecnología se puede actualizar. El criterio tiene que transmitirlo una persona.

Cuándo confiar en el sistema y cuándo confiar en el veterano

Por lo que he observado en los últimos dos años, la línea divisoria es en realidad bastante clara. Este es un marco para decidir:

Situación Al sistema de IA le va mejor A la experiencia del veterano le va mejor
Rutas Rutas fijas, alto volumen, muchas paradas Pedidos frecuentes de última hora, rutas que cambian a diario
Ventanas horarias de los clientes Ventanas flexibles, ajustables Ventanas estrictas que entran en conflicto entre sí
Complejidad vial Red sencilla, congestión predecible Obras, restricciones, congestión estacional
Base de datos Datos de clientes y tiempos de descarga ya estructurados El saber hacer sigue en la cabeza de las personas, no en el sistema

Este marco apunta a una conclusión contraintuitiva: el mayor valor de la optimización de rutas con IA quizá no sea producir rutas más óptimas, sino convertir el conocimiento del despachador veterano en un activo que posee toda la flota. Las ganancias reales aparecen cuando los despachadores introducen, entrada a entrada, ese tipo de conocimiento como «qué cliente puede descargar a qué hora». Y el mayor riesgo va en sentido contrario: no que el sistema calcule una ruta equivocada, sino que la flota pierda poco a poco la capacidad de planificar rutas. Cuando el veterano se jubila, la experiencia se va con él, y el sistema se queda con un algoritmo que nunca fue alimentado como es debido.

Entonces, ¿qué ahorra en realidad la optimización de rutas? La respuesta honesta depende de en qué punto esté su flota. Para una flota con rutas fijas y datos completos, el ahorro de kilometraje es real. Para una flota con ventanas horarias complejas y una experiencia que aún no ha entrado en el sistema, lo primero que hay que ahorrar es tiempo de espera, no kilometraje. Las cifras de ahorro que anuncian los proveedores pueden servir de referencia, pero tomarlas directamente como el rendimiento esperado es una buena forma de llevarse una decepción.

La verdadera pregunta en esta contienda no es quién gana. Los sistemas seguirán haciéndose más fuertes; eso es una tendencia. Pero que la experiencia sobreviva es una decisión de la propia flota. La optimización de rutas con IA y el despachador veterano no son una cuestión de uno u otro. Son una cuestión de cómo meter al segundo en el primero. Respondan bien a eso, y lo que ahorren no será solo dinero en combustible: será lo que una flota menos puede permitirse perder: personas que saben cómo debe recorrerse la carretera.

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