En octubre de 2026, en una reunión de revisión de conteo cíclico en un almacén logístico de terceros en Ontario, California, un sistema de conteo cíclico por visión de IA en almacenes marcó una varianza que dejó en silencio la sala: la cámara informó de dos cajas de pequeños electrodomésticos que faltaban en una ubicación alta, mientras que el registro del sistema mostraba la ubicación en equilibrio. Ese momento resume el verdadero problema de las implantaciones de conteo cíclico por visión de IA en almacenes. La máquina puede contar existencias. No puede decidir qué significa una varianza, si las cajas realmente han desaparecido, si el registro está desactualizado o si la cámara simplemente leyó mal la escena. Ese veredicto tiene que venir de un conjunto de reglas acordadas antes de que las cámaras entren en funcionamiento, y el almacén de Ontario terminó reescribiendo su proceso de varianzas en lugar de discutir sobre la precisión de la cámara.
El patrón detrás de esa reunión merece una pausa. Según mis visitas de campo de los últimos dos años, el conteo basado en visión se ha extendido por los almacenes 3PL y de comercio electrónico de Norteamérica más rápido que oleadas anteriores de automatización, porque exige muy poco del edificio. Las cámaras se montan sobre las estanterías, los modelos empiezan a funcionar y el conteo pasa de personas que trepan para llegar a las ubicaciones altas a máquinas que escanean según un programa. La parte cara del conteo cíclico nunca fue el acto de contar en sí. Está más adelante, en la cadena de investigación, re-verificación, ajuste y asignación de responsabilidades que sigue a cada varianza.
La cámara cuenta las existencias: los errores del conteo cíclico por visión de IA rara vez son un solo número
El caso de Ontario merece una mirada más atenta. La instalación cubre aproximadamente 90,000 pies cuadrados y maneja pequeños electrodomésticos y artículos para el hogar. En septiembre de 2026 instaló cámaras fijas sobre dos pasillos de estanterías altas, escaneando por la noche cuando no había picking en curso. En el primer mes, el sistema marcó 31 varianzas en 240 ubicaciones muestreadas. Las re-verificaciones manuales las clasificaron en 19 lecturas erróneas de la cámara, 7 registros desactualizados y solo 5 discrepancias reales de existencias. Lo que preocupó al gerente del almacén fue la carga de trabajo de re-verificación: cada ubicación marcada tenía que ser verificada por alguien que subiera hasta la ubicación, y una gran parte de las horas de conteo que las cámaras habían ahorrado se fue directamente a re-verificar.
Un segundo almacén, cerca de Dallas, Texas, cuenta una historia casi espejo. Este sitio de comercio electrónico que maneja repuestos de automóvil montó cámaras en las carretillas elevadoras, escaneando ubicaciones mientras los conductores hacían sus rutas normales. Durante tres meses escaneó más de 4,000 ubicaciones, y más del sesenta por ciento de sus varianzas marcadas se concentraron en tres tipos de lugar: ubicaciones a nivel de suelo medio ocultas detrás de palés, bahías de esquina pegadas a los montantes y artículos cuyo embalaje había cambiado de modo que las cajas ya no coincidían con las fotos de referencia archivadas. La debilidad no era el algoritmo sino el mundo físico: las cajas se ocultan, las etiquetas miran hacia dentro y el embalaje cambia.
Ambos casos apuntan al mismo diagnóstico. Los errores del conteo por visión se dividen en tres capas, y llegan mezclados dentro de una sola cifra de varianza. La capa superficial es el error de reconocimiento, donde la oclusión, el deslumbramiento y los cambios en la forma de las cajas distorsionan el conteo. La capa intermedia es el tiempo: las existencias acaban de moverse y el registro aún no se ha puesto al día, así que la cámara y el sistema describen dos momentos distintos. La capa más profunda es el error de proceso, una caja guardada en la bahía equivocada en la recepción o recogida del nivel equivocado, que la cámara simplemente expone. Por tanto, la precisión de reconocimiento citada por el proveedor debe tratarse solo como un punto de referencia, y el rendimiento real debe juzgarse con el piloto propio de cada almacén.
Las varianzas del conteo cíclico por visión de IA en almacenes necesitan tres cubos antes de hablar de culpas
El almacén de Ontario acabó adoptando un método de estructura sencilla: clasificar primero y actuar después. El primer cubo es una lectura errónea, demostrada conjuntamente por la captura de pantalla del sistema y la foto de la re-verificación, por ejemplo cuando la cámara cuenta cajas de la bahía vecina o confunde la sombra de un palé vacío con una caja. Las lecturas erróneas no provocan ningún ajuste. Van a un registro de problemas de reconocimiento que alimenta el ajuste del modelo y los ángulos de cámara. El segundo cubo es un registro desactualizado, donde la documentación del movimiento va por detrás de la marca de tiempo de la cámara y la re-verificación confirma las existencias frente a las transacciones de entrada y salida. Estas varianzas llevan a corregir el registro, no a culpar, y el seguimiento apunta a la puntualidad del proceso. Solo el tercer cubo, una discrepancia confirmada en la que una persona en la bahía verifica que las existencias realmente no coinciden con el registro, inicia un ajuste y una investigación de causa raíz, graduada por valor y categoría de producto.
El valor de la clasificación está en dónde traza las líneas de responsabilidad. Las lecturas erróneas pertenecen al equipo y al modelo, los registros desactualizados pertenecen al proceso y a la integración del sistema, y solo las discrepancias confirmadas pertenecen a las operaciones y a la dirección. Sin esas líneas, una varianza se convierte rápidamente en una ronda de acusaciones, mientras nadie corrige el problema subyacente. La clasificación tiene que apoyarse en pruebas. Cada varianza debe conservar al menos tres elementos: el fotograma de la cámara del momento del escaneo, una fotografía tomada durante la re-verificación y una instantánea del registro del sistema en ese mismo momento. Si falta alguno de ellos, es difícil reconstruir la escena después, y la clasificación se convierte en conjetura.
Una tabla de decisión para saber si una implantación de conteo cíclico por visión de IA en almacenes se gana su lugar
Que el conteo por visión merezca la pena adoptarse no puede responderse desde las especificaciones técnicas. Depende de la forma de cada almacén, y la tabla siguiente recorre las cuatro dimensiones que más importan.
| Dimensión | Conteo cíclico manual | Instalación de cámaras fijas | Instalación de patrulla móvil |
|---|---|---|---|
| Cobertura | Muestreo planificado, alcance limitado | Escaneos completos programados, continuos | Escanea a lo largo de las rutas de trabajo, la cobertura sigue la ruta |
| Puntos ciegos | Las ubicaciones altas y las esquinas son lo más difícil de contar | Las posiciones profundas y las cajas ocultas son lo más difícil de ver | Las zonas por las que los conductores nunca pasan quedan sin escanear |
| Pruebas de una varianza | La memoria y las notas del re-verificador | Capturas de pantalla con marcas de tiempo, revisables después | Imágenes a lo largo de la ruta, pero los ángulos varían |
| Mejor ajuste | SKU mixtos, embalaje que cambia a menudo | Formas de caja estables, ubicaciones fijas | Pasillos largos, rutas de desplazamiento fijas |
El cálculo de costes de un proyecto de conteo cíclico por visión de IA en almacenes tiene que hacerse sobre la misma base, usando los números propios de cada almacén. El coste mensual de conteo equivale a las horas de re-verificación multiplicadas por el coste laboral, más las horas dedicadas a rastrear y ajustar varianzas, más las pérdidas por paradas relacionadas con el conteo o envíos erróneos. El conteo por visión cambia la mezcla en lugar de simplemente recortarla: elimina las horas dedicadas a contar ubicaciones una por una, y añade horas de re-verificación, mantenimiento de cámaras y ajuste del modelo, además de una inversión única de implantación. En el primer mes en Ontario, las horas ahorradas al no contar a mano 240 ubicaciones se consumieron en gran parte re-verificando 31 varianzas marcadas, y el beneficio neto solo aparece cuando las reglas de clasificación se asientan y las 19 lecturas erróneas caen bruscamente. Un pequeño piloto medido in situ supera cualquier modelo de costes del proveedor.
Este es el juicio contraintuitivo: cuanto más preciso se vuelve un sistema de conteo por visión, más peligroso resulta. La confianza migra más rápido de lo que se verifica la capacidad. Después de unos meses tranquilos con pocas varianzas marcadas, los re-verificadores empiezan a saltarse la verificación y a aceptar el veredicto del sistema tal cual, pero el modo de fallo al que los sistemas de visión son más propensos es el sistemático, por ejemplo un cambio de embalaje que hace que el modelo cuente de menos en todo un pasillo, que pasa desapercibido precisamente porque se están marcando menos varianzas. En la era manual, un operario que subía a una ubicación alta se fijaba de paso en cosas fuera del plan. Una cámara solo responde a la pregunta que se le hizo, y todo lo que queda fuera del plan necesita un mecanismo aparte para detectarlo. El encuadre más seguro es tratar el conteo por visión como un radar, no como el juez final de la verdad del inventario, y mantener conteos manuales periódicos de muestra como calibración de ese radar.
Mi juicio sobre la tendencia es cautelosamente optimista. El conteo por visión está saliendo de la fase de demostrar que la tecnología funciona y entrando en la fase en la que el proceso y las pruebas deciden quién gana. En los próximos dos o tres años, la línea divisoria no serán los decimales de la tasa de reconocimiento, sino de quién tiene las reglas de clasificación de varianzas más completas, de quién cierra más limpiamente la cadena de pruebas y de quién tiene la integración con el WMS más oportuna. La pregunta más interesante está al otro lado: a medida que los almacenes conservan las imágenes de conteo, ¿crecerán esas imágenes de herramienta de conteo a capa general de pruebas para la gestión de inventario, reutilizada para comprobaciones de recepción, reclamaciones y consultas de clientes? Si es así, el valor de una implantación de conteo cíclico por visión de IA en almacenes se medirá en disputas que ahora tienen pruebas detrás, no en horas de conteo ahorradas. Que eso se cumpla depende de cuántos almacenes estén dispuestos a escribir sus reglas de varianza con claridad antes de discutir cuántas cámaras comprar.
Por Dr. Chen, Investigador de cadena de suministro Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







