La IA generativa entró en el almacén por la puerta lateral. En 2025, su primer trabajo estable dentro de la mayoría de las instalaciones no fue operar una línea de clasificación ni guiar un robot; fue responder preguntas. Un preparador pregunta dónde está un SKU, un supervisor pregunta qué falta en el turno de noche, y un sistema responde en lenguaje sencillo. La escena parece modesta, y esa modestia es el punto. Que la tecnología se gane un papel mayor se decidirá menos por lo que los modelos puedan decir que por lo que las organizaciones estén dispuestas a dejarles hacer.

El chatbot va primero: dónde rinde la IA generativa en el almacén

Según una encuesta de noviembre de 2025 del MIT Intelligent Logistics Systems Lab, que abarcó a más de 2,000 profesionales de 21 países, el 92.1% de las organizaciones estaba implementando o planeando implementar IA a corto plazo, y el 87% esperaba aumentar sus presupuestos de IA en los siguientes dos a tres años. Los encuestados consideraron la IA generativa el método más valioso, con un 70.3%, por delante del aprendizaje automático predictivo, con un 58.4%. El mismo estudio situó el periodo típico de retorno en dos a tres años. En otras palabras, los almacenes están comprobando si una herramienta concreta recupera su coste dentro de un ciclo presupuestario normal.

El chatbot se convirtió en la primera implementación porque sus costes de fallo se mantienen bajos. Una respuesta errónea sobre una ubicación se puede contrastar con el WMS en segundos, y el error se detiene ahí. Una decisión errónea sobre las cantidades de reposición o la secuenciación de oleadas, en cambio, viaja por pedidos, transportistas y clientes antes de que nadie lo note. Los informes de McKinsey sobre las cadenas de suministro recogen la misma asimetría desde el otro lado: la tecnología puede reducir el tiempo de documentación hasta en un 60% y disminuir la carga de trabajo de los coordinadores logísticos entre un 10% y un 20%. Los beneficios se concentran donde una persona aún puede revisar el resultado antes de que tenga consecuencias.

Amazon ofrece un punto de referencia útil para la secuencia. En julio de 2025, la empresa presentó un modelo generativo, DeepFleet, para coordinar el movimiento de los robots en su red de fulfillment, con el objetivo declarado de mejorar el tiempo de desplazamiento de la flota de robots en un 10%. En abril de 2026, Amazon informó de más de un millón de robots operando en sus centros de fulfillment. La secuencia encierra la lección: el modelo llegó primero a la coordinación y la programación, un trabajo denso en información y tolerante con los pequeños errores, mientras el movimiento físico se mantuvo bajo control determinista.

Una segunda ilustración procede de la vida cotidiana del almacén, presentada aquí como un escenario hipotético con cifras ilustrativas. Pensemos en un almacén logístico de terceros en el este de China que conectó un asistente de este tipo a su WMS en marzo de 2026. Antes de la implantación, las consultas rutinarias sobre existencias, ubicaciones y estado de pedidos consumían unas tres horas al día de cada supervisor. Después, alrededor del 70% de las consultas rutinarias se respondieron directamente, devolviendo unas dos horas al día a cada supervisor. Las cifras son hipotéticas, pero la prueba que implican es real: un chatbot debe juzgarse no por cuántas preguntas responde, sino por cuánta atención humana costosa devuelve al trabajo de juicio.

De responder preguntas a tomar decisiones: el equilibrio de la autonomía

El paso del chatbot a la toma de decisiones autónoma cambia la cadena de responsabilidad del almacén más que su pila tecnológica. Gartner predijo en mayo de 2025 que para 2030, el 50% de las soluciones de gestión de la cadena de suministro interfuncionales utilizarán agentes inteligentes para ejecutar decisiones de forma autónoma. Ese pronóstico describe lo que los proveedores podrán vender, no cuánta autoridad de decisión entregarán realmente los directivos.

La encuesta State of AI 2025 de McKinsey, basada en 1,993 encuestados de 105 países, recoge la brecha entre adopción y madurez. Alrededor del 88% de las organizaciones afirmó utilizar ya la IA con regularidad en al menos una función empresarial, frente al 78% un año antes. Dentro de ese grupo, el 62% estaba experimentando con agentes de IA y el 23% ya los estaba escalando en al menos una función. Sin embargo, solo el 1% creía que su adopción de la IA había alcanzado la madurez. La misma investigación constató que el 80% había encontrado comportamientos arriesgados de los agentes, como la exposición indebida de datos y el acceso no autorizado a sistemas. La adopción sube con fuerza mientras la madurez se mantiene casi plana, y esa divergencia señala el verdadero cuello de botella: las decisiones autónomas están limitadas menos por la capacidad del modelo que por si la organización ha construido la supervisión a la altura.

El hallazgo contraintuitivo es este: las tareas de almacén en las que la autonomía es técnicamente más fácil no son necesariamente aquellas en las que más rinde. McKinsey documentó un operador de última milla con una flota de más de 10,000 vehículos que desplegó agentes virtuales de despacho y logró ahorros de $30 million a $35 million con una inversión de unos $2 million. Esos agentes ayudaban a los despachadores con la resolución de problemas de los conductores y el apoyo en carretera en lugar de sustituir el juicio del despachador. El retorno vino de automatizar decisiones frecuentes y de bajo riesgo y mantener las decisiones raras y de alto riesgo en manos de las personas. Los proyectos que empezaron pidiendo a un modelo que fijara de forma autónoma las cantidades de reposición y el stock de seguridad a menudo tropezaron con el primer choque de demanda, porque un modelo entrenado con el historial sigue pidiendo según el historial mientras las promociones, las roturas de stock y el clima se niegan a seguirlo.

El camino viable pasa por tres niveles de permiso. En el primero, el modelo solo asesora, presentando una recomendación con su razonamiento mientras una persona decide. En el segundo, el modelo redacta un ajuste y una persona lo aprueba antes de que entre en vigor. En el tercero, el modelo ejecuta directamente dentro de límites explícitos de valor, cantidad y tiempo, escalando automáticamente cuando un caso queda fuera de ellos. Pasar de un nivel a otro debe ser una decisión conjunta de operaciones, finanzas y riesgo, no un ajuste que cambie solo un equipo técnico. El ritmo de las decisiones autónomas seguirá ese acuerdo de responsabilidad más de cerca que el tamaño del modelo.

Contar el retorno: lo que realmente devuelve la IA generativa en el almacén

Cualquier discusión honesta sobre el ROI empieza por la estructura de costes del almacén. Los benchmarks del sector sitúan habitualmente la mano de obra entre el 50% y el 70% del coste operativo total del almacén, un rango citado en distintos informes del sector, incluidas cifras atribuidas a MHI y Deloitte. Ese rango es el punto de partida de cada cálculo que sigue: una tecnología que no puede cambiar cómo se asigna el tiempo de mano de obra tendrá dificultades para mostrar retorno, por impresionantes que sean sus demostraciones. La tabla siguiente desglosa la lógica del retorno por etapa. Todas las cifras son ejemplos ilustrativos, mostrados para exponer cómo difiere la economía por etapa y no para prometer un resultado.

Etapa Inversión típica (ejemplo ilustrativo) Fuente principal de retorno (ejemplo ilustrativo) Retorno (ejemplo ilustrativo)
Asistente de respuesta a preguntas Integración con el WMS y la base de conocimiento Cae el tiempo de consulta; las excepciones se resuelven más rápido 12–18 meses
Agente asesor Añade diseño de gobernanza de datos y permisos Se adoptan los consejos sobre oleadas, reposición y programación 18–30 meses
Ejecución autónoma acotada Añade auditoría, reversión y controles de riesgo Decisiones frecuentes de bajo riesgo automatizadas 24–36 meses

Un cálculo aproximado hace concreta la restricción, usando cifras hipotéticas en todo momento. Tomemos un almacén de tamaño medio que procesa 8,000 pedidos al día, con un coste operativo anual de $5.6 million, del que la mano de obra es el 60%, es decir, unos $3.4 million. Si un asistente de respuesta a preguntas libera aproximadamente el 5% del tiempo de mano de obra de supervisores y atención al cliente, el ahorro anual es de unos $170,000. Frente a una inversión única cercana a $210,000 y unos costes operativos anuales cercanos a $40,000, el retorno estático se sitúa cerca de los 18 meses. La restricción que revela importa más que la aritmética: la etapa del chatbot está limitada por cuánta mano de obra costosa puede liberar, no por cuántas preguntas responde. Donde el trabajo de consultas ya recae en puestos de bajo coste, el mismo sistema puede tardar el doble en amortizarse.

El retorno típico de dos a tres años de la encuesta del MIT se sitúa cerca del nivel intermedio de esta tabla. El periodo de retorno de la tecnología en el almacén lo fijan tres variables operativas —la participación de la mano de obra en el coste, la densidad de consultas y la frecuencia de excepciones— más que cualquier afirmación comercial de un proveedor. Medir esas tres variables antes de la compra le dirá más a un comprador que comparar especificaciones de modelos.

Qué vigilar entre 2027 y 2030

Tres variables darán forma a lo que viene, y se mueven a velocidades distintas. La primera es la gobernanza de datos. Gran parte del conocimiento del almacén sigue viviendo en la experiencia del personal veterano, mientras los procedimientos van por detrás de la práctica y la gestión de excepciones queda sin registrar. El techo de un modelo depende en gran medida de si ese conocimiento tácito puede convertirse en activos recuperables y verificables. La segunda es la auditoría y la responsabilidad: cada paso hacia la autonomía necesita registro, revisión y reversión, sin lo cual incluso un modelo avanzado queda confinado a responder preguntas. La tercera es el mercado laboral: cuando contratar es difícil y la rotación es alta, la prima que un almacén pagará por la automatización sube en todos los frentes.

Como estas variables se mueven a velocidades distintas, es más probable que los años hasta 2030 produzcan divergencia que una curva ascendente suave. Algunos almacenes llevarán la tecnología del chatbot a la ejecución autónoma acotada; otros se quedarán en la etapa de respuesta a preguntas durante años. La distancia entre ellos reflejará quién reparó antes los datos, la responsabilidad y la capacidad de auditoría. Que la tecnología se convierta en equipamiento estándar en el almacén debería decidirse para 2030. La forma de esa respuesta puede ser más dividida de lo que sugieren los pronósticos actuales, y la propia división es el desarrollo que merece la pena vigilar.

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