Mi veredicto, por adelantado: hoy la mayoría de los almacenes debería detenerse en la etapa dos. Todavía no he visto ninguna operación que ejecute la etapa cuatro sin problemas. Eso no es una crítica a la tecnología. Es un hecho sobre los almacenes: la tolerancia al error en la planta de un almacén es mucho menor que en una oficina.

Dicho llanamente, la IA generativa en el almacén pasa de «poder hablar» a «poder decidir». Lo que hay entre esos dos puntos no son mejores algoritmos. Son los datos, la responsabilidad y un plan de contingencia. Saltarse un paso cuesta dinero real.

Etapa uno: el asistente de preguntas y respuestas con IA generativa: ¿merece la pena o no?

He visto demasiados almacenes gastar buen dinero primero en un asistente de preguntas y respuestas. Un trabajador pregunta dónde está un producto y el sistema saca la respuesta del manual de operaciones. Un empleado nuevo pregunta cómo se gestionan las devoluciones y el sistema pega el procedimiento. Suena muy bien. En la práctica va por uno de dos caminos.

El primer camino: los manuales del propio almacén son un desastre, repartidos en una docena de documentos con versiones contradictorias. El asistente aprende el desastre fielmente y responde con total confianza, y se equivoca. Un almacén de repuestos de automóvil puso en marcha un asistente de preguntas y respuestas en el verano de 2025. Un empleado nuevo siguió su respuesta y trasladó un lote de devoluciones directamente a la zona de inspección. El procedimiento en realidad exigía fotos como prueba primero. Cuando el cliente presentó una reclamación, el almacén no tenía fotos y pagó más de $20,000. La IA no era el problema. Los datos con los que se la alimentó estaban mal.

El segundo camino: la documentación está limpia y el asistente ahorra tiempo de verdad. Un 3PL que gestiona artículos para el hogar incorporó más de 40 trabajadores temporales durante la temporada alta, y el jefe de turno atendía cien preguntas repetidas al día. Después de que el asistente entrara en funcionamiento, las interrupciones del jefe se redujeron aproximadamente a la mitad, y el tiempo liberado se dedicó a vigilar los pedidos excepcionales. Esa cuenta sale.

Así que la prueba para la etapa uno es sencilla: ¿están presentables sus documentos operativos? Si son un desastre, arregle primero los documentos y sáltese la IA. Ordenar los documentos cuesta mucho menos que pagar los errores de la IA.

Etapa dos: el copiloto, donde los humanos son el freno

La etapa dos es el copiloto. El sistema no solo responde; sugiere. A qué ubicación debería ir este lote, cómo construir la siguiente oleada, qué pedido es probable que pierda su hora límite. Más útil y más peligroso.

A principios de 2026 visité un almacén de ropa cuyo sistema sugería rutas de preparación. Las sugerencias estaban bien en teoría. El problema era la responsabilidad: cuando una sugerencia era errónea, nadie era responsable de ella. El sistema sugirió una vez trasladar ropa de invierno de alta rotación a un pasillo lejano porque allí había espacio libre. Los preparadores siguieron el consejo durante dos semanas y caminaron distancia extra cada día. La mano de obra de temporada alta ya era escasa, y el supervisor desactivó la función, frustrado.

Esto tiene dos caras. Un copiloto se gana el sueldo donde ve el panorama completo: qué zonas se están llenando, cómo ha cambiado la mezcla de pedidos de una oleada. Pero no puede ver muchas cosas que importan: un envío urgente que llega mañana, un cliente que acaba de cambiar los requisitos de embalaje, una carretilla elevadora que se averió esta mañana. Si esa información no está en el sistema, la IA no puede saberla.

Así que la etapa dos necesita una regla dura: una sugerencia es solo una sugerencia. La persona que la ejecuta puede ignorarla, y cada anulación queda registrada. El registro no es para culpar. Es la forma en que el sistema aprende dónde se equivocó. Una función de sugerencias sin anulación ni ciclo de retroalimentación será ignorada por el personal de planta en tres meses.

Etapa tres: semiautónomo, con el humano en el circuito

La etapa tres es semiautónoma con un humano en el circuito. El sistema actúa por su cuenta dentro de unos límites fijados mientras una persona vigila y puede detenerlo en cualquier momento. Reordena las tareas de reposición, marca los pedidos excepcionales, redacta el plan de oleadas de mañana, y el supervisor lo revisa cada mañana y lo aprueba.

Lo más cercano a un ejemplo que funciona que he visto es un distribuidor de electrónica. La reposición dependía de la experiencia del supervisor y llevaba más de una hora cada mañana. Después de que el sistema empezara a redactar la secuencia y el supervisor la revisara, la planificación matutina bajó a menos de 20 minutos. La clave era un límite claro: el sistema solo tocaba la reposición rutinaria. Los pedidos con mercancías de alto valor o lotes especificados por el cliente seguían siendo manuales, sin excepciones.

Un almacén de alimentos no tuvo tanta suerte. Dejaron que el sistema secuenciara automáticamente las mercancías próximas a caducar para reducir el desperdicio. El sistema también sacó un lote que un cliente había especificado por número de lote. El cliente encontró el lote equivocado al recibirlo y devolvió todo el contenedor. La pérdida no fue enorme, pero la confianza se evaporó de la noche a la mañana, y el proyecto quedó parado seis meses.

Aquí está la parte contraintuitiva: en la etapa semiautónoma, lo más difícil no es la tecnología. Es escribir, con precisión, las condiciones en las que el sistema debe detenerse y preguntar a un humano. Esa lista de paradas importa diez veces más que el algoritmo. Cuanto más específica sea la lista, más lejos puede llegar el sistema. Una lista vaga garantiza un incidente grave tarde o temprano.

También hay que afrontar con honestidad una disyuntiva: ¿adónde van las horas ahorradas? Ahorrarle a un supervisor una hora de planificación matutina es una victoria. Recortar personal de control de calidad para vigilar el sistema en su lugar es un riesgo. Mi consejo es reinvertir el tiempo ahorrado en la gestión de excepciones, no en recortes de plantilla. Cuanto más autónomo es el sistema, más raras se vuelven las excepciones, y más cara es cada una.

Etapa cuatro: decisiones autónomas restringidas: lo que la IA generativa todavía no puede hacer

La etapa cuatro es la toma de decisiones autónoma restringida. Dentro de un ámbito definido, el sistema decide y ejecuta por su cuenta, dejando un rastro de auditoría, sin aprobación humana por pedido. Reposición automática de consumibles de bajo valor, liberación automática de oleadas rutinarias, gestión automática de excepciones estándar.

Hasta hoy, no he visto ningún almacén que afirme ejecutar esto por completo. Hay tres obstáculos en el camino, y ninguno se puede esquivar.

Primero, los datos. Las decisiones autónomas necesitan inventario, pedidos, ubicaciones y estado de los equipos, todo en vivo y todo preciso al mismo tiempo. Si alguno de esos cuatro no es fiable, la decisión está construida sobre arena. Muchos almacenes no pueden responder por la precisión de su propio inventario. Hablar de decisiones autónomas sobre esa base es construir en el aire.

Segundo, la responsabilidad. Cuando un envío sale mal, ¿es culpa del sistema o del supervisor? ¿Qué dice el contrato, qué reconoce el seguro, contra quién reclama el cliente? Hasta que esas preguntas se resuelvan, ningún propietario de almacén entregará la autoridad de firma a un sistema.

Tercero, el plan de contingencia. Cuando el sistema falla, ¿hay un interruptor para volver a la operación manual, cuánto tarda el cambio y qué pasa con los pedidos intermedios? Si no puede responder a esas tres preguntas, la etapa cuatro es decoración.

Mi juicio es este: en los próximos tres a cinco años, la mayoría de los almacenes acabará ejecutando bien la etapa tres, con la etapa cuatro probada solo en escenarios pequeños y cerrados: una sola categoría de producto, bajo valor, reposición altamente estandarizada. Quien espere que la IA generativa dirija el almacén el año que viene probablemente se decepcionará.

Cuatro preguntas para su propio almacén: Olvídese de lo que dicen los proveedores y hágase cuatro preguntas. Primera, ¿son sus documentos operativos y sus datos maestros lo suficientemente precisos como para poner por escrito la precisión de su inventario? Segunda, ¿quién se encarga hoy de la gestión de excepciones y a quién se llama cuando algo sale mal? Tercera, cuando la sugerencia del sistema es errónea, ¿se siente seguro el personal de planta para decir que no? Cuarta, si el sistema se cae, ¿puede la operación manual tomar el relevo en media hora?

Si puede responder a las cuatro, la etapa dos es terreno seguro y la etapa tres merece una prueba piloto. Si alguna de ellas no tiene respuesta, arregle primero ese problema. La IA generativa en el almacén no es una carrera por ver quién tiene el modelo más nuevo. Es una competición por ver quién tiene los cimientos limpios y las reglas claras.

¿Dónde está hoy su almacén y en qué pregunta está atascado?

Por Lao Mi, Veterano de la cadena de suministro (20 años)

Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.