La apertura: ¿cómo llega a pasar que "en el sistema aparece, pero en el estante no está"?
Un almacén de electrónica de consumo con 50,000 ubicaciones hacía dos conteos totales al año — 40 personas, 3 días cada vez — y aun así la exactitud del inventario se estancaba en 96.5%. Ese 3.5% restante significaba pedidos cancelados todos los días: "el sistema dice que hay stock, pero el piso no lo encuentra". El conteo manual tiene un techo duro: la gente se cansa, lee mal y no alcanza los niveles altos. La visión por IA existe para automatizar y estandarizar el acto de "mirar".
El marco central: cuatro puntos
1. Auditorías de ubicaciones: que las cámaras recorran los pasillos
La configuración: AGVs o drones con cámaras patrullan los pasillos mientras el OCR lee códigos de ubicación y etiquetas de producto, conciliando línea por línea contra el inventario contable del WMS. Un almacén lo midió: un barrido completo de 50,000 ubicaciones en 4 horas con más del 99% de detección de discrepancias — más allá de lo que logran tres días de trabajo manual.
Parámetros clave: las cámaras deben resolver códigos de barras a 3 metros; la velocidad de patrulla se mantiene por debajo de 1.5 m/s, más allá de la cual la precisión del OCR cae por debajo del 95%.
2. Detección de anomalías: primero los cinco escenarios de alta frecuencia
| Escenario | Colocación de cámaras | Tasa de detección medida |
|---|---|---|
| Ubicación vacía con stock / ubicación con stock vacía | Patrulla de pasillos | 99%+ |
| Etiquetas de ubicación tapadas o dañadas | Patrulla de pasillos | 97% |
| Mercancía dañada, embalaje deformado | Cámaras fijas en recepción | 95% |
| Pallets inclinados, apilado con exceso de altura | Cámaras fijas en expedición | 96% |
| Pasillos de incendios bloqueados | Cámaras fijas en pasillos | 98% |
Estos cinco cubren el 80% de las anomalías diarias del almacén. No empieces con el reconocimiento fino de "SKU equivocado en la ubicación": la discriminación visual entre SKUs necesita conjuntos de muestras enormes y su ROI es menor.
3. Despliegue en tres pasos: de cámaras fijas a automatización total
Paso uno, pilotos de cámaras fijas en recepción y en la zona de alto valor: valida las tasas de detección en dos semanas. Paso dos, patrullas móviles: AGVs o drones cubriendo todo el edificio. Paso tres, generación automática de tareas de conteo en el WMS: las discrepancias se despachan directo a los investigadores. El ciclo solo se cierra en el paso tres.
Cada paso necesita una métrica de aceptación clara antes de avanzar. Demasiados proyectos cubren el edificio de cámaras mientras el paso uno aún rinde por debajo: la escala nunca arregla un piloto roto.
4. Los datos son la base: 500 imágenes etiquetadas por tipo de anomalía
La calidad del modelo equivale a la calidad de los datos. Experiencia de campo: al menos 500 muestras etiquetadas por clase de anomalía, y el conjunto de entrenamiento debe cubrir los cambios de iluminación entre turnos: la mayor trampa. Un modelo afinado de día puede perder 10 puntos de precisión con la iluminación nocturna. Las etiquetas reflectantes son la otra trampa clásica; los filtros polarizantes o ángulos de toma ajustados resuelven la mayor parte.
Caso de campo: exactitud del inventario de 96.5% a 99.2%
Un almacén 3C, un año después de que el conteo por visión entró en vivo: la exactitud del inventario subió de 96.5% a 99.2%, la mano de obra anual de conteo cayó de 40 días-persona a 6, y las cancelaciones de pedidos por "no lo encuentro" bajaron 70%. La inversión total rondó los $900K (40 cámaras fijas más 2 AGVs de patrulla): se pagó en menos de un año.
Trampas que evitar
- No cubras el edificio el primer día. Piloto, valida, luego escala: nunca uses la escala para esconder una detección deficiente.
- La privacidad primero. Las cámaras ven rostros; el diseño debe incluir difuminado de rostros, con aviso a los empleados y políticas en vigor antes del arranque.
- Las anomalías deben cerrar el ciclo en el WMS. Las alertas sin tareas despachadas son teatro. Las detecciones tienen que crear automáticamente tareas de conteo o investigación con responsables claros.
A dónde va el dinero: estructura de costos
Para un almacén de 50,000 ubicaciones, el despliegue de visión se divide más o menos en cuatro bloques:
| Partida | Proporción | Notas |
|---|---|---|
| Hardware (cámaras, AGVs/drones, servidores) | 50% | Compra cámaras de grado industrial; no escatimes |
| Software (licenciamiento/desarrollo de algoritmos) | 20% | Licencia por sitio o anual |
| Implementación (instalación, ajuste, etiquetado) | 20% | Etiquetar muestras es el devorador de mano de obra |
| Operaciones anuales | 10%/año | Iteración del modelo, mantenimiento de equipos |
Consejos para ahorrar: alquila los AGVs de patrulla durante el piloto en vez de comprarlos; pre-entrena con datasets públicos y luego afina con tus propias imágenes para reducir a la mitad los requisitos de muestras; pon las cámaras fijas primero en las zonas de alto valor y alto error: el 20% de posiciones con el mejor ROI.
Recuerda: el hardware es gasto único; los datos y las operaciones son continuos. Un proyecto presupuestado para equipos pero no para operaciones no debería arrancar.
Del piloto a todo el edificio: tres puertas de aceptación
Métricas duras en cada paso: avanza solo si pasas:
- Puerta del piloto (mes 1): 10 posiciones de cámaras fijas, los cinco tipos de anomalía con detección ≥93%, tasa de falsos positivos <5%. Si fallas, afinas datos y modelos: sin posiciones nuevas.
- Puerta de expansión (meses 2–3): AGVs de patrulla en vivo, 50% de ubicaciones cubiertas, detección de discrepancias ≥98%, un barrido completo en menos de 8 horas.
- Puerta de edificio completo (meses 4–6): las detecciones crean automáticamente tareas de conteo en el WMS, tasa de cierre de ciclo (detectar → resolver) ≥95%, exactitud del inventario ≥99%.
Negocio e IT co-firman el informe de aceptación de cada puerta. El patrón clásico de muerte es saltarse la puerta del piloto y escalar igual: con detección débil, más cámaras solo ahogan los problemas reales en falsas alarmas más rápido.
La conclusión
El mejor punto de entrada de la visión por IA en el almacén son las auditorías de ubicaciones más las cinco anomalías de alta frecuencia: empieza con pilotos de cámaras fijas, entrena con distintas condiciones de iluminación y conecta las detecciones directo al despacho de tareas del WMS. Con exactitud del inventario por encima del 99%, el conteo deja de ser una campaña y se convierte en una patrulla diaria.
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
