Un balance de la realidad sobre la adopción de la IA en los almacenes ya era necesario. Hace tres años, casi todos los lanzamientos de IA para almacenes prometían lo mismo: preparar pedidos sin personas, previsiones lo bastante precisas como para programar por horas, e inspección de calidad a cargo de una sola cámara. La forma honesta de juzgar esas promesas no es volver a ver los vídeos de lanzamiento, sino mirar lo que realmente funciona hoy en los almacenes, y clasificar las afirmaciones en tres grupos: cumplido, cumplido a medias y todavía una demostración.

Los datos de las encuestas marcan el contexto. Según el informe anual de la industria de MHI, alrededor del 28% de los encuestados ya usaban IA a finales de 2024, mientras que otro 54% decía que planeaba adoptarla en los próximos cinco años. En otras palabras, la mayoría de los almacenes seguían observando o haciendo pilotos. Un informe de 2026 de PitchBook añade contexto útil: solo alrededor de una cuarta parte de los almacenes del mundo ha implantado alguna forma significativa de automatización. La inversión en robótica con IA se acelera y las cifras de financiación se ven impresionantes, pero la proporción de almacenes con sistemas realmente funcionando día a día es mucho menor de lo que sugiere el entusiasmo. Esa brecha entre el entusiasmo y la implantación es, en sí misma, la historia de los últimos tres años.

Balance de la realidad sobre la adopción de la IA en almacenes: lo que se cumplió

Dos aplicaciones han cumplido de forma más convincente. La primera es la inspección por visión. Una cámara que lee el código de barras de un palé, verifica la etiqueta de una caja o marca un paquete dañado es una tarea bien delimitada: la entrada es una imagen, la salida es un juicio, y si es correcto o no se puede verificar en el acto. En un centro de distribución de comercio electrónico que he seguido, el control de calidad solía depender del muestreo manual, y los errores normalmente solo salían a la luz cuando un cliente se quejaba. Después de instalar un sistema de visión, las excepciones se detectaban antes del envío. La plantilla de inspección no desapareció, pero el trabajo cambió de apagar incendios a posteriori a interceptar antes de que ocurriera. Esa es la señal de una aplicación que cumplió: la IA no sustituyó a las personas, las trasladó del juicio repetitivo a gestionar las excepciones que las máquinas no pueden juzgar.

La segunda es la previsión de la demanda y el slotting. La previsión nunca fue adivinación. Su valor real es acotar la volatilidad a un rango con el que la programación de turnos y el reaprovisionamiento puedan trabajar. Los expertos citados en el informe de MHI dicen lo mismo: la IA ayuda sobre todo a predecir los cambios de la demanda y a apoyar las decisiones de slotting, en particular para las categorías estacionales. La lógica es sencilla. Los datos históricos ya están en el WMS; cuanto más limpios sean, más útil será la previsión. Un almacén con datos maestros desordenados sacará poco incluso de un modelo de previsión caro. Ambas aplicaciones que cumplieron comparten tres rasgos: un límite claro de la tarea, resultados que se pueden revisar semanalmente y un coste del fallo que se mantiene contenido.

Programación de AMR: cumplido a medias, y la escala cambia el problema

La programación de AMR está en el grupo de lo cumplido a medias. Poner en marcha un AMR no es difícil. Poner a docenas o cientos de ellos compartiendo pasillos, cargadores y cruces con cintas transportadoras sin atascos es un problema completamente distinto. Un análisis del sector de 2026 lo expresó claramente: una vez que una flota llega a los cientos, lo que determina el rendimiento ya no es la capacidad de un solo robot, sino la calidad del enrutado y de la prevención de congestiones. El valor de la IA de los AMR, en otras palabras, está en el software de la flota, no en el vehículo, y la calidad de ese software no se puede juzgar a partir de una demostración. Solo se ve después de dos semanas a plena carga de temporada alta.

Seguí a un 3PL de tamaño medio en exactamente esta transición. Una zona piloto con una docena de robots funcionaba de maravilla, la distancia a pie de los preparadores bajó y la dirección aprobó un despliegue en todo el centro con esa evidencia. Una vez que la flota superó las cien unidades, las colas de carga y el tiempo de espera en los cruces se comieron los ahorros de mano de obra, y el equipo del proyecto pasó meses reajustando parámetros y redibujando los carriles de circulación antes de que el rendimiento se estabilizara. La lección no es que los AMR no funcionen. Es que la escala cambia el problema: una solución validada a pequeña escala tiene que volver a validarse cuando crece. Cualquier proveedor que te enseñe diez robots funcionando sin problemas pero que no quiera hablar de estrategia de programación, planificación de carga y comportamiento ante la congestión con cien unidades merece una pregunta más, y difícil.

Todavía mayormente una demostración: la preparación general de pedidos y el almacén sin personal

El grupo de lo que sigue siendo una demostración está dominado por la preparación de pedidos de propósito general y la narrativa del «almacén sin personal». Los brazos de preparación guiados por visión han mejorado de verdad y ahora pueden manejar una gama más amplia de formas de producto y embalajes que los sistemas antiguos basados en reglas. Pero la diversidad de SKU del comercio electrónico es brutal: formas irregulares, embalajes blandos y superficies reflectantes siguen devolviendo grandes volúmenes a los preparadores humanos. Más importante es la economía. La mano de obra que ahorra un brazo robótico hay que ponderarla frente a la depreciación, el mantenimiento y el tiempo de inactividad, y la mayoría de las demostraciones solo cuentan el primero de esos tres.

La escala también convierte el riesgo técnico en riesgo financiero. El mismo informe de 2026 de PitchBook señala que un gran minorista sufrió un deterioro de varios miles de millones de dólares vinculado a un programa de automatización. Eso no prueba que la automatización esté mal; prueba que cuando un proyecto es lo bastante grande, el riesgo deja de ser una nota técnica y se convierte en un hecho del balance. Hay otro obstáculo que rara vez aparece en el material comercial: la seguridad y la certificación. Los sistemas de IA probabilísticos que trabajan junto a personas son mucho más difíciles de certificar que las máquinas deterministas gobernadas por reglas explícitas. Cuando algo sale mal con un sistema basado en reglas, se puede rastrear hasta una línea de lógica. Con un sistema estadístico, la cadena de responsabilidad y el camino de certificación tienen que renegociarse. Hasta que se supere esa barrera, lo «sin personal» queda confinado a entornos cerrados.

La lista de comprobación antes de comprar IA para almacenes

Lo que necesitan quienes toman decisiones no es otro documento técnico de un proveedor, sino una lista corta de preguntas que se pueden responder con evidencia. Este balance de la realidad sobre la adopción de la IA en los almacenes se reduce a cinco de ellas.

Pregunta Cómo verificarla Si la respuesta es no
¿Están limpios los datos? Toma una muestra de un mes de datos maestros y comprueba la tasa de errores Arregla la gobernanza de datos antes de comprar un modelo
¿Se pueden revisar los resultados semanalmente? Acuerda una métrica de control por adelantado: tasa de interceptación, error de previsión, minutos por pedido Sin grupo de control, no hay gran contrato; primero un piloto
¿Sigue funcionando al triple de la escala del piloto? Pide un centro de referencia de igual escala que haya sobrevivido a una temporada alta Trata la demostración como no probada a tu escala
¿Quién gestiona las excepciones? Pon precio al respaldo manual, no solo a la mano de obra ahorrada Incluye el coste del respaldo dentro del ROI, no fuera
¿Cuánto cuesta parar? Revisa la salida: ¿puedes reducirlo con elegancia si los resultados decepcionan? Prefiere la expansión por etapas y los precios basados en el uso

Hay una conclusión contraintuitiva escondida en los últimos tres años. Los mayores ganadores de la IA en almacenes quizá no sean los compradores de los sistemas más caros, sino los operadores que hicieron primero el trabajo previo poco glamuroso. Un slotting preciso, datos maestros limpios, procesos estandarizados: nada de esto lleva una etiqueta de IA, pero son ellos los que deciden si la IA amplifica las ganancias o amplifica el desorden. Un almacén que nunca ha hecho una clasificación ABC adecuada y espera que la IA ordene su slotting es como alguien que espera que una aplicación de navegación elija el destino. La ruta puede estar perfectamente calculada y aun así terminar en el lugar equivocado.

Tres años después, el patrón es razonablemente claro. La parte cumplida de la IA en almacenes es la menos glamurosa: detectar defectos, reducir el error de previsión, evitar que los robots se estorben entre sí. La parte cumplida a medias está atascada en la escala y la gestión de excepciones. La parte de demostración está atascada en la economía y la certificación. Es poco probable que ese patrón se invierta drásticamente en el próximo año o dos; es más probable que converja lentamente, con menos demostraciones y más revisiones semanales.

Queda una pregunta abierta en lugar de una conclusión. A medida que la IA se vuelve más barata y más capaz, ¿cambiará primero la organización del almacén? La programación de turnos, la medición del rendimiento, las rutinas de gestión de excepciones: son más difíciles de cambiar que cualquier modelo, y quizá sean en última instancia las que decidan cuánto de la promesa se cumple. La tecnología se puede comprar. La capacidad organizativa hay que cultivarla.

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