Mi respuesta, de entrada: la optimización de rutas de picking con IA en el almacén vale la pena, pero no esperes que por sí sola reduzca tu coste de picking. Dicho sin rodeos, el algoritmo ahorra caminata, no picking. Que esa caminata ahorrada se convierta en dinero depende de tu perfil de pedidos, de tu slotting y de que tus operarios sigan de verdad la ruta. Si falla uno de los tres, los pasos ahorrados solo existen en el papel.

Esto tiene dos caras. Quienes defienden el algoritmo te mostrarán un número: un desglose muy citado del tiempo de picking sitúa el desplazamiento en torno al 55 por ciento, la búsqueda en el 15 por ciento y la extracción del producto en el 10 por ciento, y el resto se va en otras tareas. Esa división procede de una estimación de un profesional citada en un manual de almacenaje, no de una medición controlada, pero la dirección es correcta. Los operarios pasan la mayor parte del día caminando. Quienes dudan del algoritmo dirán que la ruta más bonita no sirve de nada si los operarios no la siguen, o si el slotting en sí es un desastre. Ambas partes dicen la verdad.

He visto demasiados almacenes pagar la novatada con esto. En 2019, visité un 3PL en Ontario, de 80,000 pies cuadrados, con unos 4,000 pedidos al día. El dueño acababa de comprar un módulo de picking con optimización de rutas, y la demo se veía preciosa. Las rutas en la pantalla fluían como dibujadas a mano. Luego caminé un turno con un operario y vi el problema: la ruta del sistema pasaba por un pasillo donde estaba aparcado un carro de reposición, así que los operarios lo rodeaban en cada viaje. El rodeo costaba más caminata de lo que el algoritmo ahorraba. El dueño miraba unos «ahorros teóricos» en un informe. Yo miraba un rodeo que ocurría todos los días.

Optimización de rutas de picking con IA en el almacén: primero averigua qué ahorra de verdad

El algoritmo ahorra tres cosas. La primera es la distancia recorrida, porque la ruta deja de seguir la secuencia de ubicaciones y empieza a seguir el camino más corto. La segunda son los viajes repetidos por el mismo pasillo, porque el picking por lotes agrupa varios pedidos en una sola pasada. La tercera es el camino de vuelta vacío, porque el sistema incorpora el regreso a la ruta y recoge pedidos por el camino.

Las tres dependen de datos limpios. Una ubicación equivocada y el algoritmo manda a una persona al lugar equivocado. Un recuento de inventario erróneo y el operario llega a una ubicación vacía y vuelve caminando, perdiendo todo lo que la ruta había ahorrado. Hay un problema más común: productos de alta rotación ubicados en el extremo más alejado del edificio. El algoritmo más inteligente solo puede encontrar el camino más corto dentro de un mal diseño. Una buena navegación no arregla una carretera construida en el lugar equivocado.

En 2023, un cliente de artículos para el hogar me dijo que llevaba seis meses con la optimización de rutas y que la productividad de picking había subido menos del 5 por ciento. Recorrí la planta, y el problema no era el algoritmo, era el slotting. Sus productos de clase A, los de mayor rotación, estaban repartidos en seis pasillos, dos de ellos en el extremo más alejado del edificio. Hicimos primero una ronda de re-slotting, moviendo los productos de clase A a los dos pasillos más cercanos al packing, sin cambiar nada más. Dos semanas después, la distancia media recorrida por pedido había bajado casi un 30 por ciento, y solo entonces el algoritmo empezó a dar rendimiento. El orden no se puede invertir: primero arregla el slotting y luego habla de optimización de rutas.

El camino más corto no es el camino más rápido

Este es el compromiso que más se ignora en la optimización de rutas de picking con IA en el almacén. El algoritmo optimiza la distancia total más corta. La planta optimiza la mayor cantidad de pedidos despachados por hora. Esos dos objetivos coinciden la mayor parte del tiempo, y el resto del tiempo se enfrentan.

Tomemos un caso sencillo. La ruta más corta puede pedirle a un operario que cambie de sentido dos veces en un mismo pasillo, porque dos pedidos distintos tienen artículos en ese pasillo a pocas ubicaciones de distancia. En distancia, eso es óptimo. Desde el punto de vista humano, el operario tiene que dar la vuelta dos veces y parar y arrancar el carro dos veces. Un operario experimentado preferiría caminar 20 metros más y despejar todo el pasillo de una pasada. El algoritmo no sabe eso. Solo conoce metros.

La congestión es el otro punto ciego. El sistema da a diez operarios diez rutas óptimas. En hora punta, los diez acaban en el mismo pasillo, esperándose unos a otros, esperando a una carretilla, esperando la reposición, y la distancia ahorrada se gasta parado. Un buen sistema tiene en cuenta la congestión en vivo en el pasillo. Uno débil solo dibuja líneas rectas. Por eso siempre les digo a los compradores que antes de firmar le hagan al proveedor una pregunta: ¿su algoritmo ve el estado en vivo de la planta, o solo un mapa estático de ubicaciones? Si solo ve el mapa, piénsalo dos veces por muy bajo que sea el precio.

¿Vale la pena la optimización de rutas de picking con IA en el almacén? Comprueba tres números

Ignora el folleto del proveedor y mide tú mismo tres números. El primero es la distancia recorrida por pedido, medida durante dos semanas antes y dos semanas después de la puesta en marcha. Mide el mismo perfil de pedidos; los números de hora punta y de hora valle no se pueden comparar directamente. El segundo son las líneas de pedido preparadas por operario y por hora. Si ese número sube, la mejora es real. El tercero es la precisión de picking. Las rutas cambian, los ritmos cambian, y si la precisión baja, ninguna caminata ahorrada lo compensa.

Así es como suelo hacer las cuentas. Estos números son un ejemplo ilustrativo para mostrar cómo funciona el cálculo:

Concepto Ejemplo ilustrativo
Operarios 20
Distancia recorrida por operario y por día 8 km
Distancia recorrida ahorrada tras la optimización 20%
Tiempo de caminata ahorrado por día (a 4 km por hora) 20 personas × 1.6 km ÷ 4 km por hora = 8 horas
A qué equivale en mano de obra Aproximadamente un turno completo

Ocho horas suenan a mucho, pero que se conviertan en una persona menos en el horario depende de que el tiempo ahorrado llegue en un solo bloque. Si veinte personas ahorran cada una 24 minutos repartidos por todo el día, no puedes recortar un turno. Esas ocho horas solo se convierten en ahorro de mano de obra cuando los pedidos llegan en oleadas concentradas. Así que cuando hagas las cuentas, no te limites a sumar las horas. Pregúntate si el tiempo ahorrado se puede reunir en un turno completo.

Hay otro punto contraintuitivo: los almacenes pequeños suelen sacar menos provecho de la optimización de rutas de picking con IA que los grandes. No porque el algoritmo sea malo, sino porque las rutas en un almacén pequeño nunca fueron complicadas. Los operarios experimentados ya caminan cerca del camino óptimo, así que queda poco que exprimir. El valor aparece en almacenes medianos que mueven miles de pedidos al día entre decenas de miles de ubicaciones, donde una ruta enredada cuesta dinero de verdad. Si envías menos de 50,000 pedidos al mes, haz tu análisis ABC y arregla primero tu slotting. La optimización de rutas puede esperar.

Todo vuelve a una pregunta: ¿estás comprando una ruta más corta, o pedidos que salen más rápido por la puerta? Si la respuesta es la segunda, no te quedes mirando la demo. Camina primero un turno con un operario y mira qué es lo que realmente está rodeando todos los días.

Por Lao Mi, Veterano de la cadena de suministro (20 años) Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.