El mes pasado apareció en mi almacén un vendedor de IA ofreciéndome instalar un "cerebro inteligente" para mi operación. Le pregunté qué comía ese cerebro. "Datos", dijo. ¿Cuántos? "Cuantos más, mejor", dijo. Le dije: tengo un almacén de 3,000 metros cuadrados y lo más que te puedo dar es una hoja de Excel. Tómalo o déjalo.
La cara que puso fue como la de una cita a ciegas, donde te preguntan cuántas casas tienes y respondes que tienes un scooter eléctrico.
Esa conversación se me quedó grabada, así que déjame responder la pregunta con honestidad: ¿cuántos datos necesita la IA en un almacén? No con teoría, sino con lo que realmente nos pasó a nosotros, los pequeños propietarios de almacenes. Nos asustó la barrera de datos, y sobrevivimos con soluciones caseras.
Nuestra situación: los datos que quieren los vendedores de IA son datos que yo nunca tendré
Déjame empezar con la historia de mi vecino Wang, como advertencia para todos.
Wang tiene un almacén de autopartes, más pequeño que el mío, unas 20 personas. El año pasado un vendedor le propuso reconocimiento visual para conteo e inspección automáticos: "Instalamos unas cámaras y en tres meses funciona". Wang pensó que estaba hecho para él. Firmó en el acto.
Luego llegaron los requisitos: instalar 6 cámaras, grabar 8 horas al día, recolectar 3 meses de video y pagar a alguien para etiquetar cada imagen antes de poder empezar a entrenar. Wang apretó los dientes y lo hizo: casi 100,000 yuanes en cámaras e instalación, decenas de miles más en etiquetado. Tres meses después el vendedor volvió, echó un vistazo a los datos y dijo: mala iluminación, ángulos insuficientes, háganlo de nuevo.
Wang estalló. Más de 100,000 yuanes gastados, ni rastro de IA. Las cámaras ahora cuelgan de la pared como monitores de seguridad muy caros.
La mayor lección del desastre de Wang: lo que un vendedor de IA llama "pocos datos" puede ser una cantidad astronómica para un almacén pequeño. Quieren datos limpios, etiquetados y que cubran todos los escenarios. Nosotros los almacenes pequeños apenas sabemos deletrear "datos": entradas y salidas registradas en papelitos escritos a mano, inventario viviendo en la cabeza del viejo contador, rutas de picking viviendo en las piernas de los trabajadores veteranos.
Así que aquí va la incómoda verdad de entrada: cuántos datos necesita la IA en un almacén depende por completo de qué IA estemos hablando. La tabla de abajo es lo que armé después de ser "educado" por ronda tras ronda de vendedores. Cada cifra de origen vendedor está marcada como tal: no las tomen como palabra santa.
Tres sabores de IA en almacén, tres barreras de datos muy distintas
| Tipo de IA | Cuántos datos (según los vendedores, solo como referencia) | Lo que mi pequeño almacén realmente tiene | Mi veredicto |
|---|---|---|---|
| Visión por computadora (conteo / inspección / detección de anomalías) | Cientos de imágenes etiquetadas por SKU para empezar; un representante de un vendedor me dijo "prepara 5,000 imágenes etiquetadas para calentar" | Menos de 800 SKUs en total, y ni una sola imagen etiquetada entre ellos | La barrera más alta con diferencia. Los costos de etiquetado dan miedo. Los almacenes pequeños abstenerse. |
| Previsión de demanda (sugerencias de reposición) | De 12 a 18 meses de historial de líneas de pedido, según el white paper de un vendedor de previsión | Los datos de pedidos existen —en Excel—, pero devoluciones, promociones y marcas de faltantes son un desastre | Los datos existen pero están sucios. Limpiarlos cuesta más esfuerzo que recolectarlos. |
| Programación de mano de obra / optimización de oleadas | De 3 a 6 meses de registros de tareas de picking con marcas de tiempo, personal y volúmenes | Tengo hojas de asistencia. No tengo registros a nivel de tarea. | No hay suficientes dimensiones. Ni la IA puede cocinar sin ingredientes. |
¿Ven el patrón? No hay una única respuesta a cuántos datos necesita la IA en un almacén. La visión por computadora es un pozo sin fondo, la previsión es una quema lenta, la optimización es una maniática del detalle. Cuando un vendedor dice "cuantos más, mejor", la traducción es "lo que tienes ahora, no alcanza".
Pero eso no significa que los almacenes pequeños estén excluidos de la IA. De hecho, tropecé con una conclusión contraintuitiva.
La parte contraintuitiva: a los almacenes pequeños no les falta volumen de datos — les falta limpieza de datos
El año pasado hice algo profundamente poco glamoroso: no compré ninguna IA y le di a cada picker un escáner de códigos de barras, exigiendo 100% de escaneo en entradas y salidas. Las quejas fueron inmediatas: "esto es burocracia inútil", dijeron. Escribir a mano tomaba 10 segundos; escanear tomaba 15.
Tres meses después, nuestra tasa de escaneo pasó de 60% a 98%. Luego ocurrió algo mágico: corrí un análisis ABC de velocidad sobre tres meses de datos de escaneo en Excel y moví nuestros SKUs de clase A (el 20% de SKUs detrás del 70% del volumen de salida) a las ubicaciones más cercanas a las estaciones de empaque. Los pickers caminaron en promedio 1.5 kilómetros menos al día. La eficiencia de picking subió de forma visible.
Eso me enseñó la verdadera lección: la IA no come "big data" — come datos pequeños y limpios. Nosotros los almacenes pequeños nunca acumularemos 18 meses de datos, pero tres meses de datos limpios de escaneo están totalmente a nuestro alcance. Y tres meses de datos limpios valen más que tres años de papelitos desordenados escritos a mano.
El ingeniero de un vendedor me dijo una vez algo honesto en confianza: "Para almacenes de tu tamaño, el volumen de datos nunca es el problema. El problema es que tus datos están todos mal. Alimenta datos malos a la IA y se equivoca más rápido y con más confianza". Crudo, pero cierto.
Nuestro manual casero: tres pasos, primero digital, la IA después
Experiencia ganada con esfuerzo, compartida con los colegas pequeños propietarios de almacenes. Tres pasos — no se salten ninguno:
Paso uno: lleven su tasa de escaneo por encima del 95%. No compren IA. Compren escáneres de códigos de barras. Unos cientos de yuanes cada uno; equipar todo el almacén cuesta menos de 10,000. Esta es la base de todo. Por debajo del 95% de tasa de escaneo, sus datos de inventario son stock de Schrödinger: existen y no existen a la vez.
Paso dos: usen reglas en vez de IA. Clasificación ABC, puntos de reposición, loteo de oleadas: fórmulas de Excel y reglas fijas manejan todo eso. No se necesita machine learning. Nuestra reposición ahora corre con una regla tosca: stock de seguridad igual a tres días de salida promedio. Los faltantes bajaron de siete u ocho al mes a uno o dos. Tosco, pero funciona, y es gratis.
Paso tres: una vez que tengan 12 meses de datos limpios, entonces hablen de IA de previsión. Noten la palabra "limpios". Nuestro plan es que el año que viene por estas fechas, armados con un año completo de datos de pedidos con 98% de tasa de escaneo, seremos nosotros quienes elijamos a los vendedores — no al revés.
Inversión total de los tres pasos: menos de 20,000 yuanes. Compárenlo con el proyecto de reconocimiento visual de Wang de más de 100,000 yuanes que se fue al desagüe. Díganme ustedes cuál fue mejor negocio.
Tres palabras honestas sobre cuántos datos necesita realmente la IA en un almacén
Primero, no se asusten por el "volumen de datos" ni se deslumbren por la "IA". Cuántos datos necesita la IA en un almacén no tiene una respuesta universal: visión y previsión difieren en un orden de magnitud. Claven primero el problema específico, luego pregunten por la barrera de datos.
Segundo, resuelvan "¿tenemos datos?" antes de "¿tenemos suficientes datos?". Escáneres, PDAs, incluso una plantilla decente de Excel superan a cualquier software de IA. La digitalización es la tarea previa obligatoria para la IA. Reprobar esa tarea y la IA llega a la nada.
Tercero, los datos sucios son peores que la falta de datos. Doce meses de datos sucios pierden contra tres meses de datos limpios. La IA no va a limpiar sus datos por ustedes: aprenderá sus errores a la perfección y luego se equivocará con total confianza.
Y un cierre autocrítico: nosotros los almacenes pequeños no podemos permitirnos quemar dinero, así que cada yuan tiene que aterrizar donde cuenta. Las grandes empresas pueden quemar efectivo recolectando datos primero y preocuparse por los resultados después. Nosotros no. Nosotros necesitamos resultados primero, luego datos, luego IA.
Los almacenes pequeños tienen su propia forma de sobrevivir. Comeremos esta comida de datos bocado a bocado — y un día nos sentaremos también a la mesa de la IA. Con nuestra propia invitación, no con la caridad de otro.
Por Xiao Ma, Pequeño Propietario de Almacén
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
