Durante la semana del Black Friday de 2024, el director de operaciones de un 3PL del medio oeste de Estados Unidos dijo algo en el análisis post mortem que se me quedó grabado: "Fuimos derrotados por nuestro propio plan de olas". El volumen diario de pedidos era más del triple de lo normal. El WES liberaba una ola cada 90 minutos como un reloj, seis olas perfectamente alineadas; sin embargo, durante la tercera y la cuarta ola, los preparadores hacían cola en la entrada de la Zona A mientras los contenedores (totes) se acumulaban frente al put wall esperando verificación. Los datos mostraron después que la distancia recorrida a pie solo había aumentado cerca de un diez por ciento; el verdadero problema fue la superposición de olas y la congestión aguas abajo. Por eso la optimización de olas con IA sigue apareciendo en las conversaciones del sector: el problema nunca fue solo "cómo agrupar pedidos", sino un conjunto de decisiones mutuamente condicionadas que deben tomarse bajo restricciones estrictas.
Por qué importa la optimización de olas con IA: la preparación de pedidos es donde va el dinero
Un caso de estudio de almacenamiento de 2025 publicado en Applied Sciences sitúa la preparación de pedidos (order picking) entre el 50 y el 75 por ciento de los costos operativos totales del almacén y aproximadamente el 55 por ciento del tiempo total de mano de obra. Las cifras varían según el estudio, pero la conclusión se mantiene: el picking es la actividad más cara del edificio, y la planificación de olas determina su estructura.
La optimización de olas, en otras palabras, actúa sobre el bloque más grande de la estructura de costos del almacén, por eso casi todos los grandes proveedores de WES han añadido la "planificación inteligente de olas" a su hoja de ruta en los últimos tres años. Pero entre la hoja de ruta y los resultados está la complejidad de las restricciones.
La lógica algorítmica de la optimización de olas con IA: tres generaciones
Para ver lo que la IA realmente hace aquí, reformulemos la planificación de olas como un problema de optimización. Entrada: un conjunto de pedidos pendientes de preparación. Salida: un conjunto de olas, cada una un grupo de pedidos más un momento de liberación. El objetivo suele ser minimizar el recorrido total de picking o las horas de mano de obra sin incumplir las horas límite de los transportistas, sujeto a al menos cuatro familias de restricciones: ventanas de corte y de recogida, distribución de ubicaciones y congestión de zonas calientes, disponibilidad de mano de obra y mezcla de habilidades, y el takt time de los equipos.
La primera generación fueron los motores de reglas: cortes rígidos por hora límite, agrupación por transportista, tipo de pedido y prioridad. Era la práctica estándar de los WMS antes de 2015: experiencia humana codificada: explicable, controlable y completamente inelástica cuando el perfil de pedidos cambiaba.
La segunda generación trajo heurísticas y clustering: los pedidos con ubicaciones de picking cercanas se agrupan, las rutas se aproximan con heurísticas del problema del viajante, y el recocido simulado o los algoritmos genéticos buscan un equilibrio casi óptimo entre tamaño de ola y cadencia de liberación. Esta es la corriente principal de los WES comerciales actuales y el verdadero núcleo de la mayoría de los productos de "planificación de olas con IA": el nombre dice IA, pero el motor suele ser investigación de operaciones.
La tercera generación usa aprendizaje automático y aprendizaje por refuerzo: predice patrones de llegada y tiempos de picking por pedido a partir del historial, y luego decide dinámicamente si liberar ahora o esperar diez minutos. Muchos artículos, pocas implementaciones en producción.
Un hallazgo contraintuitivo: el momento importa más que la agrupación
La mayoría de las discusiones sobre la optimización de olas con IA se centran en agrupar pedidos de forma más ingeniosa: clusters más finos, rutas más cortas. Pero un 3PL que estudié a finales de 2024 — una instalación de unos 50,000 metros cuadrados en el medio oeste, especializada en artículos para el hogar — apuntaba a una conclusión diferente.
Después de olas fijas de 90 minutos en el pico de 2023, el sitio añadió en 2024 un módulo de olas con predicción de llegadas. La mayor mejora no fue la "agrupación más inteligente": fue que el sistema respondiera dinámicamente cuándo liberar cada ola. Cuando el modelo predecía una gran llegada de pedidos del mismo transportista en 30 minutos, retrasaba deliberadamente la liberación, fusionando lo que habrían sido dos viajes de picking en uno. Según el responsable de operaciones que entrevisté, la distancia media recorrida a pie por los preparadores cayó aproximadamente un veinte por ciento durante el pico, y más de la mitad de esa ganancia provino de las decisiones de momento de liberación, no de la lógica de agrupación.
La lógica es sencilla: la planificación de olas es fundamentalmente una decisión en la dimensión del tiempo, y toda optimización de agrupación descansa en un juicio previo: ¿esperar al siguiente lote o no? Esperar compra consolidación pero comprime el tiempo de cumplimiento; liberar ahora protege los niveles de servicio pero puede desperdiciar un viaje. El valor de la IA es convertir ese equilibrio de la intuición en algo computable: dada la previsión de llegadas y la capacidad restante, encontrar el punto de liberación con el menor costo esperado.
La otra cara del equilibrio: cuanto más rápido preparas, más se atasca el sistema
Hay una realidad más dura. Un almacén de comercio electrónico transfronterizo en el este de China intensificó la agrupación antes del pico de 2024: duplicó el tamaño de las olas y la productividad de los preparadores mejoró de verdad. Dos semanas después, el cuello de botella se desplazó aguas abajo: las colas de verificación en el put wall superaron los 40 minutos y los totes de staging invadieron espacio prestado de los pasillos. El sitio retrocedió a "olas más sueltas más preclasificación", y el tiempo total de muelle a embarque (dock-to-ship) terminó siendo mejor que en la fase agresiva.
La lección que los proveedores rara vez reconocen: una función objetivo que solo minimiza el recorrido de picking puede producir fácilmente una solución sistémicamente subóptima. Las restricciones reales están aguas abajo: capacidad de verificación, empaque, staging y carga. Un modelo de agrupación con IA debe incorporar el takt time aguas abajo como restricción dura; de lo contrario, cada minuto ahorrado en picking se paga con intereses en la zona de staging. Este es también el modo de falla más común de las implementaciones de segunda generación: hermosas en simulación, reprobadas por la teoría de colas en la planta de producción.
Antes de implementar: ¿su almacén califica?
No todos los almacenes merecen la optimización de olas con IA. El marco siguiente sintetiza casos de proveedores e investigación publicada; las cifras son estimaciones de orden de magnitud:
| Perfil del almacén | Volumen diario de pedidos | Enfoque recomendado | Ganancia esperada (orden de magnitud) | Requisito previo de datos |
|---|---|---|---|---|
| Microalmacén, una sola zona, <5,000 SKU | Menos de 2,000 pedidos | Olas fijas más criterio del operador | La inversión en IA probablemente sea netamente negativa | Ninguno |
| Mediano, una sola zona | 2,000–10,000 pedidos | Motor de reglas más clustering simple | 5–15% menos distancia recorrida | 6+ meses de historial de pedidos |
| Grande, multizona | Más de 10,000 pedidos | Optimización heurística más liberación dinámica | 15–25% menos distancia recorrida | Datos de pedidos, slotting y mano de obra completos |
| Automatizado (AMR, sorters) | Cualquiera | Optimización conjunta con la programación de equipos | Ganancia de rendimiento a nivel de sistema | Flujos de datos de equipos en tiempo real |
Nótese la primera fila: con menos de unos miles de pedidos al día, el ROI muy probablemente sea negativo, no por el algoritmo, sino por el denominador. La limpieza de datos, la integración y el ajuste tienen costos fijos, mientras que un conjunto pequeño de pedidos ofrece un margen limitado. Hacer bien el slotting ABC y la disciplina de olas rinde más. Ese es el primer límite de una contabilidad honesta del ROI de la IA.
Preparación de datos para la optimización de olas con IA: tres conjuntos de datos, ninguno opcional
Esto repite un punto anterior: la preparación de datos determina si la IA en el almacén tiene éxito o fracasa. La optimización de olas necesita tres conjuntos de datos; si falta uno, el modelo se degrada a un motor de reglas:
Primero, el historial de pedidos: al menos 6 a 12 meses de detalle a nivel de pedido, incluidas marcas de tiempo, composición del pedido, transportista y prioridad. Esto alimenta la previsión de llegadas, pero en muchos almacenes está dividido entre el OMS y el WMS con marcas de tiempo inconsistentes, la trampa más común.
Segundo, datos de slotting y velocidad: coordenadas de ubicación, frecuencia histórica de picking y registros de almacenamiento (putaway) para cada SKU. Sin datos maestros de ubicación precisos, las "zonas calientes" que produce el clustering simplemente están mal. Los datos de slotting deficientes son la causa número uno de los proyectos fallidos de optimización de olas.
Tercero, datos de mano de obra y takt: estándares de ingeniería por paso de proceso, históricos de reales y etiquetas de habilidades de los trabajadores. Sin ellos, la "ola óptima" que produce el modelo puede ser un plan que el equipo actual físicamente no puede ejecutar.
Los tres deben ser en tiempo real, reproducibles y definidos de forma consistente. La reproducibilidad es la crítica: tome un flujo real de pedidos de hace tres meses, ejecútelo de nuevo con el nuevo modelo y compárelo con lo que realmente sucedió. Sin eso, cualquier afirmación de que "la IA mejora X en un Y%" es inverificable.
Perspectiva de tendencias, 2025–2027: tres cambios
Mi lectura de los próximos dos o tres años:
Primero, las técnicas de segunda generación — heurísticas, clustering, liberación dinámica — se convertirán en funciones estándar de los WES en lugar de módulos de IA vendidos por separado. La inteligencia de olas está pasando de diferenciador a requisito básico, probablemente alrededor de 2026.
Segundo, los enfoques de tercera generación como el aprendizaje por refuerzo para la liberación dinámica verán pilotos limitados en 3PL de primer nivel y redes cautivas de cumplimiento de comercio electrónico, pero el uso comercial amplio esperará a que la infraestructura de datos alcance el nivel necesario. El algoritmo ya no es el cuello de botella; las tuberías de datos en tiempo real, limpias y reproducibles sí lo son, y eso es exactamente lo que a la mayoría de los almacenes les falta.
Tercero, la optimización de olas se fusionará con la programación aguas abajo — verificación, empaque, carga con cita — en un problema de optimización conjunta más amplio. La era de optimizar el picking de forma aislada está terminando; la optimización a nivel de sistema es el tema de la próxima década.
Una pregunta abierta
Quizá la pregunta correcta no sea "si la IA puede agrupar pedidos mejor" — matemáticamente, casi con seguridad sí. Es si su almacén ha convertido cada liberación de ola y cada decisión de agrupación en datos estructurados. Si no, por muchas generaciones que avancen los algoritmos, dentro de cinco años enfrentará el mismo Black Friday: agrupando por instinto, sobreviviendo al pico por suerte.
Por Dr. Chen, investigador de la cadena de suministro
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
