Los operarios dedican el 70% de su tiempo a caminar, no a recoger
Los estudios de tiempos en almacenes tradicionales cuentan siempre la misma historia: en un turno de 8 horas, un operario dedica menos del 30% a recoger — el 60–70% se va en empujar el carro de un lado a otro por los pasillos. Pagas 8 horas y obtienes 2,5 horas de trabajo efectivo. La robótica bin-to-person (goods-to-person) ataca exactamente este desperdicio: la persona se queda quieta, la mercancía se mueve — los robots llevan los cajones de producto a las estaciones de picking, y los humanos solo tienen que "coger".
Conocidos en China como robots de cajones, con proveedores como HAI Robotics, Geek+ y Quicktron, el concepto es siempre el mismo: estanterías altas y densas llenas de cajones estándar; decenas de robots pequeños se desplazan por debajo, levantan los cajones objetivo y los entregan en los puestos de trabajo; los operarios toman las cantidades necesarias guiados por luces; los robots devuelven los cajones.
Cuatro dimensiones de la revolución
1. Throughput: de 100 a 400 picks/hora
El picking tradicional person-to-goods: un operario experimentado logra 80–120 picks/hora incluyendo desplazamientos. En goods-to-person, el cuello de botella es la estación — resultados medidos:
- Por estación: 300–450 picks/hora (piezas pequeñas, con guía luminosa y put walls).
- Una estación se combina con 8–12 robots; una utilización de los robots superior al 70% es saludable.
- ¿Temporada alta? Solo hay que añadir robots — la capacidad se compra por unidades, sin el ciclo de contratación y formación del personal temporal.
2. Densidad: 1,5–2 veces el almacenamiento en la misma superficie
Las estanterías tradicionales necesitan pasillos para personas de 2,5–3 m; las mallas de robots de cajones empaquetan las estanterías en una matriz con pasillos de solo ~1 m para robots, y las estanterías alcanzan 4–6 m. La misma superficie alberga 1,5–2 veces las ubicaciones de almacenamiento de las estanterías convencionales. Con rentas de almacén en EE. UU. de $8–12/m²/año, la renta evitada ya es por sí sola mucho dinero.
3. Precisión: guía luminosa más control por peso
Las estaciones usan pick-to-light: qué cajón se ilumina, cuántas unidades tomar — todo en pantalla. Si se añade el control por peso (pesar tras la recogida, alarma en caso de discrepancia), la precisión de picking alcanza el 99,9%+, frente al 97–98% del picking manual. Los costes de devoluciones y reclamaciones se reducen a menos de la mitad.
4. Mano de obra: no menos empleos, empleos diferentes
| Person-to-goods tradicional | Goods-to-person con robots de cajones | |
|---|---|---|
| Tasa de picking | 80–120/hora/persona | 300–450/hora/estación |
| Densidad de almacenamiento | Base | 1,5–2x |
| Precisión | 97–98% | 99,9%+ |
| Personal | Muchos operarios, alta rotación | Menos operarios de estación + mantenimiento |
| Inversión | Baja | $2M–$5M (DC mediano) |
| SKUs adecuados | Todas las categorías | Piezas pequeñas (<5 kg) |
Los operarios no desaparecen — se convierten en operarios de estación. El trabajo es más llevadero (sin caminar, sin subirse a escaleras), lo que paradójicamente facilita la contratación. En los proyectos en los que he participado, la rotación de personal bajó del 40% al 15% — un ahorro real en un almacén de EE. UU.
5. Diseño de la estación: la última milla del throughput
Los robots pueden entregar cajones todo el día, pero si la persona en la estación no puede seguir el ritmo, es en vano. En el diseño de la estación importan tres cifras:
- Altura ergonómica: cajones presentados a 75–110 cm — sin agacharse ni estirarse por encima del hombro durante un turno de 8 horas. Una altura incorrecta cuesta un 15% de throughput y duplica el riesgo de lesiones.
- Luces + pantalla: tiras pick-to-light más una pantalla que muestra cantidades e información del pedido — los operarios memorizan cero SKUs; los nuevos son productivos tras 2 horas de formación.
- Doble posición: dos ranuras de cajón por estación para que el robot prepare de antemano el siguiente cajón — cero espera del operario. Las estaciones de doble posición son un 25–30% más rápidas que las simples.
Las estaciones son la parte más barata del sistema (decenas de miles cada una) y sin embargo fijan el techo de throughput. He visto demasiados proyectos volcarlo todo en los robots y montar dos mesas para las estaciones — y entonces el cuello de botella está en manos humanas. Prioridades al revés. Los robots entregan rápido; las estaciones deben coger rápido — ambos extremos importan por igual.
Caso real: retorno en 22 meses en un DC de accesorios 3C
Un DC de comercio electrónico de accesorios 3C en California: 12.000 SKUs, todos por debajo de 500 g, 30.000 pedidos/día. Antes, 45 operarios más 20 temporales en temporada alta, 2% de errores de envío.
La solución: un sistema de cajones estilo HAI — 2.000 m² de malla, 60 robots, 6 estaciones, $3,2M invertidos. Tras la puesta en marcha: operarios reducidos de 45 a 12 (operarios de estación), tasa por estación de 380 picks/hora frente a 100 antes, 99,92% de precisión.
Las cuentas: ~$1,3M/año en ahorro de mano de obra (33 personas × $40K), ~$80K en renta evitada (las ganancias de densidad liberaron 800 m²), ~$250K/año en pérdidas por errores evitadas. Retorno en 22 meses. Lo que dice el CEO: «La temporada alta antes me aterraba — contratar. Ahora es lo que menos me preocupa.»
Trampas: cuatro errores
- Meter a la fuerza SKUs sobredimensionados en los cajones: los cajones estándar rondan los 600×400×300 mm; los SKUs más grandes se quedan en zonas convencionales. Hay que hacer primero el análisis dimensional de SKUs — por debajo del 70% de SKUs compatibles con cajón, piénsalo dos veces.
- Desequilibrio robots-estación: demasiados robots, pocas estaciones, y los robots hacen cola esperando para presentar — dinero desperdiciado. Regla práctica: 8–12 robots por estación, dimensionados por simulación.
- El código contra incendios como ocurrencia tardía: las mallas densas más robots pueden activar requisitos más duros de rociadores o detección de humos — habla con el jefe de bomberos en el primer mes, o retrabajarás después.
- Contar el ahorro laboral pero no la renta: muchos modelos de ROI pasan por alto el dividendo de densidad — en EE. UU. suele representar el 20–30% del beneficio total.
Resumen
La revolución de los robots de cajones se reduce a una cosa: eliminar el desperdicio más caro del almacén — el tiempo que los humanos pasan caminando. Throughput multiplicado por 3–5, densidad duplicada, 99,9% de precisión, a cambio de una inversión de $2–5M y más del 70% de SKUs compatibles con cajón. Para operaciones dominadas por piezas pequeñas por encima de ~20.000 pedidos/día con dificultades para contratar, las cuentas merecen un análisis serio. Goods-to-person no es el futuro — es el presente, ya está ocurriendo.
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
