Una escena recurrente en las autopsias de IA de almacén tiene poco que ver con los algoritmos. El sistema de visión pasa las pruebas de aceptación, los AMR corren sus rutas — y tres meses después, la operación apenas usa nada de eso. Pregunta por qué, y las respuestas nunca son sobre la precisión del modelo. Son sobre el SOP que nadie reescribió, la excepción que nadie asumió, y el KPI que aún mide la vieja forma de trabajar. El proyecto no falló en tecnología. Se estancó en la gestión del cambio — la línea de presupuesto que suele leer cero.
El patrón se mantiene entre tecnologías. Kotter planteó esto hace décadas en Leading Change: las transformaciones rara vez colapsan por la herramienta, sino porque la organización nunca rediseña el trabajo a su alrededor. La IA de almacén está repitiendo esa lógica, solo que más rápido y con muchos más trabajadores de línea afectados.
Los puntos de fricción se agrupan en tres áreas: proceso, organización y KPIs. Cada una parece manejable sola; la dificultad es que las tres deben moverse al unísono.
La gestión del cambio empieza con el SOP, no con el software
La primera pregunta cuando la IA entra a un almacén no es qué equipo instalar, sino: qué pasos posee la IA, cuáles quedan humanos, y quién gana cuando los dos discrepan. Esas respuestas son el nuevo SOP.
A finales de 2024, un 3PL de devoluciones de ropa cerca de Ontario, California, desplegó inspección por visión de IA para unidades dañadas y mal empacadas. La tecnología pasó la aceptación al primer intento, pero el SOP seguía siendo la versión manual: los auditores trabajaban como antes, ahora con una cámara levantando alarmas sobre la estación. En días surgió el conflicto — la IA marcaba «daño sospechoso» en unidades de buen aspecto, y sin ruta de escalamiento, los auditores enviaban cada unidad marcada a revisión manual detallada en vez de arriesgarse. El área de inspección se atascó. Dos semanas después, el sitio apagó la IA.
El fallo no fue la tasa de reconocimiento; fue un proceso nunca rediseñado para la división humano-máquina del trabajo. El SOP reescrito detallaba cuatro cosas: la IA hace el cribado de primera pasada con niveles de confianza, y las unidades de baja confianza van a humanos; los auditores trabajan solo desde la lista de traspaso de la IA; los desacuerdos escalan al líder de turno para un fallo, registrado; los casos disputados fluyen de vuelta como muestras de entrenamiento. Solo entonces el sistema volvió en vivo — el momento en que realmente aterrizó.
Una expectativa más para la gerencia antes del go-live: la eficiencia del piloto sigue una curva J. Brynjolfsson y colegas describieron la curva J de productividad — tras la llegada de una nueva tecnología, la organización necesita tiempo para construir intangibles complementarios, y la eficiencia medida cae bajo la línea base antes de superarla. En términos de almacén: durante las primeras semanas, la entrada de mano de obra puede subir a volumen constante mientras la gente aprende los nuevos movimientos. Sin esa expectativa, el liderazgo fácilmente declara «esto no funciona» en el fondo de la curva — donde la inversión está hundida y el retorno no ha llegado. Así que el piloto necesita una rampa definida con metas por etapas, haciendo «primero abajo, luego arriba» planificado, no una sorpresa.
Alguien tiene que ser dueño de la IA en el piso
El proceso responde «cómo»; el organigrama debe responder «quién es responsable». El primer mes tras el go-live garantiza situaciones no planificadas: el tasking de AMR se porta mal en pico, la precisión de visión cae con nuevo empaque, los pronósticos fallan durante promociones. Tradicionalmente estos problemas no tienen dueño — TI dice que es operaciones, operaciones dice que es sistemas, y se convierte en problema de todos, lo que significa de nadie.
A principios de 2025, un centro de fulfillment cerca de Dallas vivió exactamente esto con una nueva flota AMR goods-to-person. El motor de tasking ocasionalmente emitía rutas visiblemente ineficientes; los pickers esperaban ociosos, el líder de turno decía que no podía anular el sistema, TI decía que el algoritmo pertenecía al proveedor. La confianza se drenó desde ese punto. Algunos pickers empezaron a eludir el sistema para recoger manualmente — cuanto más se eludía, peores se volvían sus datos, y peor su tasking. Un ciclo negativo de manual.
El giro fue un cambio organizacional: el sitio nombró un «superusuario AMR» — un picker veterano de seis años, destacado dos semanas para afinar reglas de tasking con el proveedor, luego estacionado permanentemente en el piso. Los problemas de línea iban primero a él; los solucionables los arreglaba en el acto, el resto los llevaba al proveedor con datos de campo. El rol hizo tres cosas: le dio al sistema de IA una cara en el piso, para que los problemas tuvieran un punto de entrada; un veterano probando y afinando el sistema fue el mayor ejercicio de entrenamiento del sitio; y lo más sutil, cuando la persona más experimentada del piso respalda públicamente el nuevo sistema, la mayoría observadora sigue. En el modelo ADKAR de Prosci — conciencia, deseo, conocimiento, habilidad, refuerzo — el deseo es lo más difícil de producir para los mandatos de arriba hacia abajo. Un superusuario lo fabrica desde dentro de la línea.
La pieza organizacional no es sobre headcount. Son dos decisiones explícitas: quién es dueño del sistema de IA en el piso, y en qué capacidad participan los veteranos. Etiquetar datos, unirse a pruebas, definir reglas de excepción — ese trabajo convierte al personal senior de objetos del cambio en diseñadores del mismo.
Los KPIs son el volante: mide a la vieja manera, obtén el viejo comportamiento
La gente sigue la métrica — una de las regularidades más estables del comportamiento organizacional. Cuando la IA cambia cómo se hace el trabajo pero los KPIs aún describen la vieja forma, los empleados votan racionalmente con los pies.
La colisión clásica es unidades por hora. Tras el go-live de AMR, el trabajo del picker cambia de caminar pasillos a esperar en una estación, y el tiempo de espera depende de la eficiencia de despacho de la flota — fuera del control del picker. Mantén el KPI en picks individuales por hora y cada tropiezo de despacho come la puntuación del trabajador; la respuesta racional es resistir el sistema y volver al modo manual. Las métricas de calidad se distorsionan igual: tras el go-live de inspección por visión, el denominador de la «tasa de error de inspección» cambia de todo lo que un humano inspeccionó a las unidades de baja confianza que la IA traspasó — numerador y denominador se mueven a la vez, y las comparaciones históricas se rompen de la noche a la mañana.
La solución es rediseñar los KPIs con el trabajo mismo: de unidades individuales por hora hacia la producción de la célula humano-máquina — throughput por célula de estación, con el tiempo de espera del sistema rastreado por separado y excluido de la puntuación individual; tasas de error rebaselizadas. Una doble vía de uno a dos meses vale el costo contable: corre ambos KPIs en paralelo para que los empleados vean que la nueva fórmula no los penaliza, luego cambia por completo. La doble vía cuesta horas de contabilidad, pero es barata junto a la distorsión conductual de un corte duro. El KPI es el volante — la tripulación va adonde apunta.
La propuesta contraintuitiva: dale a la gestión del cambio su propia línea de presupuesto
Todo lo anterior — reescribir SOPs, dotar un superusuario, rediseñar KPIs, entrenamiento, acompañar el piloto — cuesta mano de obra real y tiempo real. Sin embargo, en la mayoría de presupuestos de proyectos de IA está enterrado dentro de una línea de «entrenamiento» o ausente por completo, asumido como absorbido por «los departamentos cooperando». El juicio a corregir: la gestión del cambio pertenece junto a las licencias de software y el hardware como categoría presupuestaria de primera clase, con una participación explícita del presupuesto total del proyecto. No cero.
La base es directa: los tres flujos de trabajo se mapean a esfuerzo medible — ciclos de reescritura de SOP, destacamento de superusuario, turnos de entrenamiento, un colchón de capacidad de rampa, mano de obra contable de doble vía. Sumado, un marco utilizable (las participaciones son los rangos de planificación recomendados por el autor):
| Línea de presupuesto | Cubre | Participación sugerida |
|---|---|---|
| Rediseño de procesos | Reescritura de SOP, diseño de escalamiento, plan de rampa | 3%–5% |
| Habilitación organizacional | Destacamento de superusuario, equipo semilla, participación de línea | 2%–4% |
| Transición de KPIs | Rediseño de KPIs, contabilidad de doble vía, comunicación | 1%–3% |
| Entrenamiento y soporte en piso | Entrenamiento por niveles, coaching en piso, manuales | 2%–4% |
| Colchón de piloto | Pérdida de capacidad de rampa, contingencia de reversión | 2%–4% |
Eso suma aproximadamente 10%–15% — y el otro lado es un trade-off: sáltalo y ahorras un número de hoja de presupuesto pero pagas en retraso, retrabajo y posiblemente un sistema ocioso. El retrabajo por gestión del cambio subinvertida cuesta consistentemente más que financiarla bien. Y el momento importa — este dinero debe gastarse temprano: SOPs y KPIs finales antes del go-live, ya que la remediación posterior es exponencialmente más cara.
Sin rodeos: juzga un proyecto de IA de almacén por la línea de gestión del cambio en su hoja de presupuesto. Un proyecto sin una no está cargando riesgo tecnológico. Está cargando riesgo de preparación organizacional.
De actividad de proyecto a capacidad organizacional: una pregunta abierta
Ampliando, la pregunta misma está cambiando. La gestión del cambio solía ser un ejercicio único atado a un despliegue. El rasgo definitorio de la IA es la iteración continua — los modelos se reentrenan, las reglas se ajustan con cambios de surtido, el límite humano-máquina sigue moviéndose. El «cambio» se está convirtiendo en el estado estable: SOPs versionados, un rol permanente de superusuario, KPIs que se mueven con el trabajo.
La pregunta que vale la pena observar: a medida que la IA pasa de «proyecto» a infraestructura cotidiana de almacén, ¿la gestión del cambio se gradúa de actividad de proyecto a capacidad organizacional? Las empresas que aciertan el trío proceso-organización-KPI pueden simplemente moverse más rápido el próximo ciclo — sus organizaciones han aprendido a aprender. Eso, podría argumentarse, es el verdadero retorno de largo plazo de la adopción de IA en almacenes.
Por Dr. Chen, Investigador de la cadena de suministro
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
