El año pasado asistí a una presentación de un sistema de inspección visual con IA en un 3PL de Fresno. La cotización era de $280,000. El CTO se volvió hacia mí y me preguntó si valía la pena.
Mi respuesta: aún no firmes.
No porque el proveedor fuera malo, sino porque el 3PL no había pensado bien su propio lado de la ecuación: qué problema estaba resolviendo en realidad, si sus datos estaban listos y quién mantendría el sistema después del lanzamiento. En mis veinte años en el sector del almacenamiento, he visto salir demasiado dinero por la puerta en IA que nunca se usó. Este artículo presenta el cálculo de comprar frente a crear, una tarjeta de puntuación de proveedores que uso de verdad con mis clientes y tres historias reales de advertencia.
Cómo funcionan realmente los números
Aquí va mi veredicto por adelantado: si tu presupuesto anual de TI es inferior a $500,000, desarrollar tu propia IA es básicamente quemar dinero. No me creas a mí: haz los números.
Desarrollar una función de IA de nivel productivo para almacén (inspección visual, planificación inteligente de oleadas, alertas de anomalías) cuesta realmente esto: un ingeniero de ML ($180K–$250K de salario) más un ingeniero de datos ($150K–$200K), más gasto en GPU o nube ($30K–$80K al año), más datos etiquetados (el etiquetado externalizado cuesta $0.50–$2.00 por artículo, y un modelo de inspección fiable necesita al menos 50,000–100,000 muestras etiquetadas). Solo el primer año cuesta $400K–$600K antes de haber lanzado nada, y eso sin contar 6–12 meses de prueba y error. Lo peor es la rotación: los almacenes medianos no pueden retener talento de ML. Tu ingeniero líder se va, nadie puede ajustar el modelo y está muerto en tres meses.
¿Comprar ya hecho? En papel parece caro: SaaS a $80K–$200K al año en suscripciones, o $150K–$400K por un proyecto fijo. Pero el proveedor absorbe el etiquetado, el entrenamiento y la iteración. Pagas anualmente y, si no funciona, simplemente no renuevas. El riesgo está contenido.
Entonces, ¿cuándo vale la pena crear? Solo reconozco tres casos. Primero, tu escenario es tan inusual que no existe ningún producto comercial — por ejemplo, una lógica de clasificación peculiar para una instalación especializada de cadena de frío. Segundo, ya tienes un equipo de ingeniería maduro y el ML es solo una pieza más del rompecabezas. Tercero, la IA es tu competencia central, no una herramienta de ahorro de costos — por ejemplo, estás construyendo una plataforma tecnológica 3PL donde el algoritmo es el producto. Fuera de estos tres, compra.
Cinco preguntas que debes responder antes de hablar con proveedores
La mayoría de los fracasos en la selección no se deben a no entender la IA. Se deben a no entenderse a uno mismo. Antes de firmar nada, escribe en papel las respuestas a estas cinco preguntas:
Pregunta uno: ¿qué estás resolviendo exactamente, en términos medibles? «Mejorar la eficiencia» no es una respuesta. «Reducir la mano de obra de auditoría de salida de $24,000 al mes a $10,000» sí lo es. Los proveedores temen a los clientes que dicen «averígualo tú», porque los criterios de aceptación siempre terminan en pelea.
Pregunta dos: ¿tus datos están listos? La IA se alimenta de datos. La inspección visual necesita fotos históricas de unidades defectuosas. La planificación inteligente necesita al menos un año de historial de oleadas de pedidos. El peor caso que he visto: una empresa firmó el contrato y luego descubrió que el almacén nunca había conservado los datos históricos del WMS. El proveedor pidió datos; no tenían nada. Haz un inventario de datos antes de firmar: qué datos necesitas, cuántos tienes, su calidad y si puedes exportarlos.
Pregunta tres: ¿quién lo usa y quién es el dueño? ¿Los supervisores de planta lo usarán de verdad? Cuando el modelo marque una unidad buena como defectuosa, ¿quién es responsable? Si no resuelves estas cuestiones organizativas, la mejor tecnología del mundo no aterrizará. Involucra a los usuarios finales durante el POC — no esperes al lanzamiento para capacitarlos.
Pregunta cuatro: ¿cuánto puedes esperar? El SaaS estándar suele entrar en producción en 4–8 semanas. Los proyectos personalizados tardan 3–6 meses. El desarrollo interno tarda 9–18 meses. ¿Puede tu negocio esperar? Todos los que he visto peleando aún con la IA tres meses antes de la temporada alta se han arrepentido.
Pregunta cinco: ¿qué pasa cuando quedas atrapado? El modelo del proveedor es una caja negra, tus datos están en su nube y un día suben los precios un 50%. ¿Puedes permitirte cambiar? El contrato debe dejar claros la propiedad de los datos, los formatos de exportación y un período de transición tras la terminación. Este punto tiene el mayor peso en la tarjeta de puntuación.
La tarjeta de puntuación de proveedores (róbala)
Esta es la tarjeta real que uso con clientes. Puntúa cada dimensión de 1 a 5, aplica los pesos, total sobre 100. Menos de 65: eliminado. 65–80: negociable. Más de 80: pasa al POC.
| Dimensión | Peso | Cómo se ve un 5 | Cómo se ve un 1 |
|---|---|---|---|
| Ajuste al sector | 25% | 3+ implementaciones en vivo en almacenes/3PL similares; habla tu lenguaje operativo | Todos los casos de estudio son retail o manufactura; el almacenamiento es una idea de último momento |
| Requisitos de datos | 20% | Te dice exactamente qué datos, qué volumen y te ayuda con el inventario de datos | «Cuantos más datos mejor», sin estándares concretos |
| Entrega e integración | 15% | APIs estándar, se integra con las principales plataformas WMS, en vivo en 4–8 semanas | Quiere que modifiques tu WMS; el cronograma es vago |
| Transparencia del TCO | 15% | Cotización detallada: suscripción, implementación, cargos por excedente, cláusulas de escalada | Solo precio del primer año; la renovación «ya se verá» |
| Términos de salida y propiedad de datos | 15% | El contrato dice que los datos son tuyos, exportables, 90 días de transición tras la terminación | El proveedor es dueño de los datos; la terminación significa eliminación |
| Soporte e iteración | 10% | Gerente de éxito dedicado, actualizaciones trimestrales del modelo | Desaparece tras la venta; las mejoras cuestan extra |
Un consejo para puntuar: haz que los proveedores respondan por escrito. No confíes en promesas verbales. Lo que un vendedor dice como «podemos hacerlo todo» tiende a encogerse cuando le pides que lo ponga en el contrato — nueve de cada diez veces.
Tres historias reales de advertencia (marcas anonimizadas)
Trampa uno: un sistema de inspección visual de $280,000, derrotado por la iluminación. Ese es el 3PL de Fresno del inicio. La demo del proveedor era preciosa — 99.2% de precisión. La primera semana del POC en sitio, la precisión cayó al 81%. ¿Por qué? La demo funcionaba con la iluminación de laboratorio del proveedor. El almacén real mezclaba luces de gran altura con luz natural, y cada cambio de sombra cegaba al modelo. La solución — iluminación dedicada más reetiquetado — costaría otros $90,000. El 3PL canceló el proyecto y dio por perdido el depósito de $280,000. Lección: el POC debe ejecutarse en tu entorno real, con tu iluminación real, en tus productos reales. Los números de laboratorio no cuentan.
Trampa dos: un sistema de planificación inteligente, derrotado por los trabajadores veteranos. Un almacén de comercio electrónico en el sur de California gastó $160,000 en planificación con IA. Los turnos del algoritmo ahorraban genuinamente un 12% en mano de obra frente a la planificación manual. Pero el personal veterano lo rechazó — «una máquina programó mis turnos, ¿por qué no puedo tener libres los fines de semana?» La rotación subió 8 puntos en tres meses, y el ahorro en mano de obra se evaporó en costos de reclutamiento y capacitación. El sistema quedó archivado; la planificación volvió a los supervisores. Lección: la IA cambia cómo trabaja la gente. Involucra al personal de planta durante el POC y deja margen para la intervención humana. Los problemas técnicos tienen solución; los problemas de personas, no.
Trampa tres: un desarrollo interno «para ahorrar» que quemó $700,000. Un 3PL mediano con un CTO técnico decidió que crear superaba a comprar y armó un equipo de cuatro personas para pronóstico de demanda. Dieciocho meses y $700,000 después (salarios más nube), la precisión del modelo aún estaba cinco puntos por debajo de los productos comerciales. Entonces el ingeniero líder de ML fue fichado por una gran tecnológica y el proyecto murió de golpe. Volvieron a comprar ya hecho — otros $220,000. Lección: el desarrollo interno no ahorra dinero; convierte un costo de compra predecible en una quema impredecible de I+D. A menos que la IA sea tu negocio central, ni lo toques.
Tres cosas que puedes hacer mañana
Si estás considerando la IA para tu almacén, no corras a reunirte con proveedores. Haz primero estas tres cosas:
Primero, tómate una semana para cuantificar tu proceso más doloroso: personal actual, costo actual, tasa de error actual. Si no puedes escribir ese número, no lo has pensado bien, y cualquier reunión con un proveedor terminará con ellos llevándote por la nariz.
Segundo, haz inventario de tus datos. Pide a TI que extraiga un año de historial de pedidos, registros de inspección y registros de equipos. Revisa el volumen, la completitud de los campos y si es utilizable. Esta es la base de la selección — construir sobre arena y todo se derrumba.
Tercero, toma la tarjeta de puntuación de arriba, invita a tres proveedores y dales a cada uno cuatro semanas de POC con un tope de $10K–$20K. Una regla dura: un POC que no se ejecute en tu almacén real no cuenta.
La IA crea valor genuino en los almacenes — inspección visual, oleadas inteligentes, alertas de anomalías. He visto el ROI volverse positivo en los tres. Pero el valor solo pertenece a quienes han hecho el trabajo de pensar. La presentación de cada proveedor se ve genial. Tu almacén es la única sala de examen que importa.
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
