Empiezo por el principio, porque aquí es donde la mayoría de los almacenes se equivoca. Las etapas de adopción de la IA que realmente siguen los equipos de almacén pueden pensarse como tres capas. La primera capa son los ojos: la visión por computadora. La segunda es el cerebro: la previsión y la optimización. La tercera son las manos: los robots que hacen el trabajo. Demasiados almacenes intentan comprar primero las manos, antes de instalar los ojos y antes de que el cerebro tenga datos que procesar. Entonces las manos solo funcionan en el video de demostración del proveedor. Es como intentar correr antes de saber caminar. La caída está garantizada.
Un estudio global de 2025 realizado por MIT y Mecalux encuestó a más de 2,000 profesionales de la cadena de suministro y el almacenamiento, y los resultados merecen una pausa: el 92.1 por ciento de las empresas ya está implementando IA, y solo el 1.7 por ciento no tiene ningún plan. El periodo típico de retorno de la inversión es de apenas dos a tres años, y el 87 por ciento de las empresas espera aumentar sus presupuestos de IA en los próximos dos a tres años. Así que la pregunta ya no es si adoptar la IA. Es en qué etapa estás. Estas son las tres etapas. Búscate en ellas.
Etapa uno: piloto de adopción de la IA — demuestra primero un solo número
El objetivo de la etapa uno es exactamente una cosa: demostrar que la IA genera dinero en tu almacén, con un número que puedas medir. No una presentación. No una demostración. Un caso de uso, una métrica, 90 días. Observa si el número se mueve o no.
La previsión de la demanda es el lugar más seguro para empezar. La experiencia de implementación en la industria sitúa un piloto de previsión de tamaño medio en 6 a 10 semanas: de 3 a 4 semanas para la preparación y limpieza de datos, de 2 a 3 semanas para el entrenamiento y la validación del modelo, y de 2 a 3 semanas para la integración y las pruebas. El costo ronda entre 20,000 y 50,000 dólares estadounidenses para un piloto que cubra tus 20 a 50 SKU o categorías de producto principales. Puedo citar esas cifras porque son referencias públicas de implementación, no la lista de precios de un proveedor. La visión por computadora es el otro buen punto de partida. Una cámara en el muelle de recepción fotografía cada palé entrante, lee la etiqueta y la coteja con el ASN. Una discrepancia se marca en segundos en lugar de horas. En despliegues de la industria, un sistema de drones o cámaras cenitales puede contar las ubicaciones de palés en un almacén de 200,000 pies cuadrados en menos de una hora. El conteo cíclico manual le lleva a un equipo de tres personas dos días.
Los criterios de salida de la etapa uno son concretos: la métrica del piloto alcanza su objetivo, el flujo de datos funciona sin supervisión constante y al menos una persona de tu equipo puede leer la salida del modelo y explicarla. Si no superas esos umbrales, no avances. Sigue pilotando o elige otro caso de uso. Muchos almacenes mueren en la etapa uno, y la causa suele ser una mala elección de alcance: empiezan con «programación inteligente para todo el almacén» y después de 90 días no hay ningún número que mostrar. El jefe mira eso, y la IA queda descartada en ese edificio durante años.
Etapa dos: escalado de la adopción de la IA — donde mueren la mayoría de los proyectos
La etapa dos toma un punto probado y lo extiende por una línea y luego por una superficie: la previsión pasa de 50 SKU a todo el catálogo, la visión pasa de la recepción al control de calidad y al conteo cíclico, la planificación de la mano de obra y la asignación de ubicaciones se conectan a la rutina diaria del WMS. De las etapas de adopción de la IA que realmente siguen los equipos de almacén, esta es la más difícil, y es donde mueren más proyectos.
¿Por qué? La etapa uno la puede llevar un solo equipo de proyecto trabajando duro. La etapa dos pone a prueba tus datos y tus fundamentos de proceso. Un número de ese mismo estudio de MIT y Mecalux merece reflexión: el 57.5 por ciento de las organizaciones se califica en un nivel de madurez de automatización avanzado o completo, mientras que solo el 11.7 por ciento sigue siendo en gran medida manual. En otras palabras, la mayoría de los almacenes no carece de equipos. Carece de datos limpios. ¿Están tus datos de pedidos repartidos en tres sistemas distintos? ¿Llevan los nombres de los clientes dos años sin conciliarse? Si es así, el modelo se alimenta de datos sucios y produce conclusiones sucias. El consenso de la industria es tajante: una previsión solo es tan buena como sus datos históricos, y si los datos están sucios, necesitas una fase de higiene de datos antes de que la IA haga algo útil.
Luego está el requisito falso. He visto almacenes gastar mucho en programación de mano de obra con IA, solo para que los turnos generados fueran peores que los que el supervisor de turno escribía a mano. El supervisor siguió programando por experiencia, y el sistema se convirtió en un mueble. Eso es un requisito falso de manual: el problema nunca fue un problema de algoritmo, fue un problema de proceso, y ningún algoritmo lo arregla. Mi prueba es sencilla. Quita la IA de la ecuación. ¿Puede la mejora de procesos por sí sola resolver la mitad del problema? Si la respuesta es sí, arregla primero el proceso y reserva la IA para los lugares que realmente la necesitan.
La etapa dos tiene su propia prueba de aceptación: después de escalar, el costo por pedido o las horas de mano de obra por pedido deben ser mejores que la proyección del piloto, no peores. Si escalar eleva los costos, tu flujo de datos o tu integración están rotos. Deja de expandirte y arregla las tuberías.
Etapa tres: ejecución autónoma — no te apresures a llamarla luces apagadas
La etapa tres es donde la IA deja de asesorar y empieza a actuar. El equipo de producto de Dematic lo describe como gatear, caminar, correr. En la fase de gatear, la IA brinda apoyo a la decisión con humanos en el circuito. En la fase de caminar, la IA propone acciones con puntuaciones de confianza, y todo lo que supere un umbral, digamos el 90 por ciento, se ejecuta automáticamente, mientras que los elementos de menor confianza pasan a revisión humana, y la retroalimentación entrena el modelo. En la fase de correr, varios agentes especializados colaboran, toman decisiones y las ejecutan, mientras los humanos fijan la estrategia y los límites. La hoja de ruta de IA para almacenes de Gartner, publicada en septiembre de 2025, sigue la misma lógica en cuatro niveles: optimización tradicional, IA generativa, agentes semiautónomos e IA física, cada nivel asumiendo la disciplina del nivel inferior.
Dicho claramente, la etapa tres no es un sistema más caro. Es la confianza que has acumulado en las dos primeras etapas por fin siendo suficiente. El modelo ha pronosticado con precisión durante varios trimestres seguidos, la tasa de falsas alarmas del sistema de visión se ha mantenido baja y el equipo está acostumbrado a decidir a partir de los datos. Solo entonces es seguro entregar la ejecución. Nunca he visto a nadie saltarse la etapa dos y triunfar en la etapa tres.
Y una palabra honesta: el almacén totalmente autónomo con las luces apagadas no es algo de 2027, ni tampoco de 2030. La preparación de pedidos de piezas de uso general en entornos no estructurados aún no está ahí, y cualquiera que te diga «sin personal para el próximo año» te está vendiendo algo.
Esta es la tabla comparativa de las tres etapas. Úsala para ubicarte:
| Etapa uno: piloto | Etapa dos: escalado | Etapa tres: ejecución autónoma | |
|---|---|---|---|
| Objetivo | Demostrar un número | Extenderse de un punto a una superficie | La IA ejecuta directamente |
| Casos de uso típicos | Previsión de la demanda, visión en recepción | Previsión de todo el catálogo, control de calidad, conteo, planificación de mano de obra | Autoejecución basada en confianza, colaboración multiagente |
| Referencia de tiempo | 6 a 10 semanas | Ampliar escenario por escenario | Tras varios trimestres de validación |
| Criterios de salida | Métrica alcanzada, flujo en marcha | Mejora el costo por pedido | Confianza acumulada, falsas alarmas estables y bajas |
| Forma más común de morir | Alcance demasiado grande | Datos sucios, proceso roto | Saltarse la etapa dos |
Entonces, ¿vale la pena el dinero? Mira un número: después del piloto de 90 días, ¿bajó tu costo por pedido? Si la respuesta es sí, pasa a la etapa dos. Si es no, no compres nada nuevo. Vuelve y revisa los datos y el proceso. En las etapas de adopción de la IA que realmente siguen los equipos de almacén, la parte más difícil nunca fue el algoritmo. Es si estás dispuesto a hacer bien los fundamentos primero.
Por Da Liu, ingeniero de automatización Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







