La clasificación de devoluciones por inspección visual con IA es la promesa más reciente de la logística inversa. Según la encuesta de 2025 de la National Retail Federation y Happy Returns, alrededor del 19.3% de las ventas en línea se devuelven, lo que suma aproximadamente $849.9 billion en mercancía devuelta al año, y alrededor del 9% de las devoluciones se marcan como fraudulentas. La clasificación de devoluciones se encuentra en el punto de la cadena que más mano de obra exige: cada artículo que vuelve necesita que una persona lo mire, juzgue si está como nuevo, ligeramente usado o dañado, y decida si vuelve al estante, a un canal de descuento o a su eliminación. La IA de visión quiere ahora hacerse cargo de ese par de ojos. La pregunta no es si puede ver. Es con qué precisión ve, y qué precisión necesita antes de que la inversión se amortice.

Inspección visual con IA en devoluciones: qué cambia con la era de las cámaras

El cambio está llegando primero donde el volumen es mayor. Las tasas de devolución de ropa lideran todas las categorías, y los analistas del sector las sitúan en torno al 24% al 30%. En 2025, el muelle de devoluciones de una marca de ropa procesaba más de mil prendas devueltas al día. Cada artículo le llevaba a un inspector de 45 a 90 segundos: revisar las etiquetas, palpar la tela, buscar desgaste en puños y cuello. Cuando llegaba la temporada alta, la cola se extendía hasta el día siguiente, los tiempos de reembolso se alargaban y las quejas de los clientes crecían con ellos.

El enfoque de la IA de visión es fotografiar primero y juzgar después. Una prenda pasa bajo una cámara en el banco de clasificación, el modelo la ordena por estado, los artículos como nuevos vuelven directamente al stock, los dañados van directos a eliminación y solo los dudosos llegan a una persona. La lógica de triaje en sí no es polémica. La discusión está en dónde cae el límite. Un proveedor de verificación de devoluciones publica cifras de referencia que afirman que la IA de visión reduce el tiempo de revisión manual entre un 60% y un 80%, reduce las aprobaciones fraudulentas entre un 15% y un 25%, y mejora la precisión de reposición entre un 30% y un 40%. Esas cifras proceden de las propias pruebas de referencia del proveedor, y deben citarse con esa etiqueta, no tratarse como consenso del sector.

Inspección visual con IA en devoluciones y la cuestión de la precisión

Empecemos por el techo humano. La investigación de Sandia National Laboratories muestra que los inspectores humanos pasan por alto entre el 20% y el 30% de los defectos en condiciones reales de producción. Un inspector entrenado, en máxima concentración, detecta aproximadamente entre el 80% y el 87%, y esa cifra cae aún más después de unas horas en la línea. Dos inspectores que se contrastan entre sí pueden elevar la detección hasta alrededor del 96%. La debilidad humana no es la vista. Es la atención y la constancia: el criterio del mismo inspector varía de la mañana a la tarde, y distintos inspectores discrepan mucho más.

Miremos ahora el techo de la máquina. En entornos controlados de producción, los sistemas modernos de visión artificial suelen detectar entre el 97% y el 99.5% de los defectos. Esa cifra procede de la inspección en línea, donde la iluminación es fija, los ángulos son fijos y los tipos de defecto son limitados. La clasificación de devoluciones es considerablemente más difícil que la inspección en línea, por tres razones.

La primera dificultad son los casos límite. La línea entre ligeramente usado y como nuevo puede depender de una arruga apenas visible, o de una esquina de caja aplastada. El mismo arañazo se ve evidente con luz cálida y desaparece con luz fría, así que un estándar aprendido bajo una luz puede fallar bajo otra. Los arañazos son difíciles de fotografiar en prendas oscuras, las abolladuras son difíciles de ver en embalajes claros, y el tipo de producto más escaso en los datos de entrenamiento es el que más probablemente se juzgue mal.

La segunda dificultad es lo que la cámara no puede ver. Un teléfono puede parecer nuevo y aun así tener la batería hinchada. Un pequeño electrodoméstico puede llegar en un embalaje perfecto y aun así no encenderse. La IA de visión solo juzga la apariencia; los fallos funcionales quedan fuera del encuadre. Un muelle de devoluciones de electrónica de consumo que instala cámaras sin añadir una prueba de encendido deja sus errores más caros para la posventa: un artículo clasificado como nuevo vuelve a la venta, el cliente recibe un dispositivo que no se enciende, y la segunda devolución cuesta más que la primera.

La tercera dificultad es que el propio estándar cambia. No existe una escala universal de clasificación por estado; el límite entre como nuevo, ligeramente usado y dañado lo fija cada comerciante. Un modelo aprende de los juicios pasados de tus inspectores, y los juicios pasados de tus inspectores nunca fueron consistentes para empezar. Entrena con un historial sesgado y el modelo aprende el sesgo más a fondo y lo aplica con más constancia que cualquier humano. Se equivocará de forma más sistemática que las personas a las que reemplazó.

Las cuentas del ROI: error de juicio frente a mano de obra

Las cuentas del ROI de la inspección visual con IA en devoluciones tienen dos lados. En el lado de la mano de obra, las estimaciones del sector sitúan el coste de procesar una sola devolución entre $20 y $30, y la clasificación se lleva la mayor parte. Tomemos un ejemplo trabajado: un muelle de devoluciones que maneja 6,000 artículos al mes, con clasificación manual a 90 segundos por artículo, dedica 150 horas al mes a clasificar, casi un puesto a tiempo completo. Si la IA de visión resuelve automáticamente el 70% de los artículos claros y las personas revisan solo los 1,800 restantes, las horas de clasificación caen a 45, ahorrando unas 105 horas.

En el lado del error de juicio, el coste es la brecha de valor entre grados. La convención estándar de clasificación del sector recupera entre el 85% y el 100% del precio original para los artículos como nuevos, entre el 30% y el 50% a través de canales de descuento para los artículos visiblemente desgastados, y entre el 5% y el 15% en valor de salvamento para los dañados. Tomemos un artículo de $100: clasificar un artículo como nuevo en el nivel de usado pierde entre $35 y $70 de golpe. Clasificar un artículo usado como nuevo y ponerlo de nuevo a la venta arriesga una segunda devolución y una mala reseña, que suele costar más. El error de juicio no es simétrico. Degradar buen stock pierde dinero; mejorar mal stock pierde confianza.

Enfoque Horas mensuales de clasificación Riesgo de error de juicio Mejor ajuste
Totalmente manual Unas 150 horas Los estándares varían, peor cuando hay prisa Bajo volumen de devoluciones, productos variados
IA de visión más revisión humana de casos límite Unas 45 horas Errores en casos límite, necesita datos de entrenamiento continuos Alto volumen de devoluciones, categorías concentradas
IA de visión totalmente automatizada Casi cero Los errores se vuelven sistemáticos, nadie los detecta Aún no recomendado para ninguna categoría

El punto contraintuitivo es que el mayor valor de la IA de visión no es reemplazar a los inspectores. Es permitir que los inspectores miren solo el 20% al 30% más difícil de los artículos. Un sistema con un 99% de precisión sobre datos de entrenamiento sesgados se equivocará de forma más sistemática que las personas a las que reemplazó. Y el verdadero cuello de botella en la clasificación de devoluciones a menudo no es el juicio en sí, sino lo que ocurre después: si el stock con descuento tiene un canal por el que venderse, y si el stock dañado tiene una ruta de eliminación conforme. Una clasificación perfecta sigue perdiendo dinero si la mercancía no puede moverse.

Qué ocurre cuando el juicio se abarata

Si damos un paso atrás y miramos la línea de tiempo más larga, la pregunta más interesante no es el banco de clasificación, sino la política de devoluciones que hay detrás. Los datos de 2025 ya muestran que las tasas de devolución en línea siguen subiendo, con la ropa acercándose a tres de cada diez pedidos. Una razón por la que los comerciantes han dudado en flexibilizar las políticas de devolución es que clasificar es caro: cada artículo devuelto necesita que una persona lo mire. Si la IA de visión empuja el coste de juzgar un artículo hacia cero, la política de devoluciones podría pasar de ser una línea de coste a una herramienta de captación de clientes: devoluciones más fáciles a cambio de una mayor conversión, y la clasificación pasaría de ser un centro de coste a un instrumento de fijación de precios.

Ese juicio necesita dos o tres años más de datos para verificarse. Las preguntas abiertas son si la precisión de la IA de visión en entornos reales de devoluciones puede mantenerse por encima del 95%, si el coste de los errores en casos límite se reduce con la escala, y si los comerciantes están dispuestos a convertir los estándares de estado, de experiencia, en datos auditables. La tecnología ya puede ver una arruga con claridad. La pregunta más difícil es si los comerciantes están listos para ponerle a esa arruga un precio que todos acepten.

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