2026 ya es historia, y es hora de poner nota al gasto del año en IA para almacenes. Mi veredicto: menos de tres de cada diez proyectos recuperaron su inversión, más de cuatro de cada diez fueron pura matrícula, y el resto están «en curso» — que suele ser una forma educada de no llamarlos muertos. Este año recorrí docenas de almacenes, desde 3PL de 50,000 pies cuadrados hasta centros de fulfillment de comercio electrónico de 400,000 pies cuadrados. Los proyectos que dieron resultado se parecen entre sí: pegados al dinero, alimentados con datos que ya existían, y sin nadie convocando reuniones semanales sobre ellos. Los que murieron en presentaciones comparten el mismo defecto: el dinero se gastó antes de que nadie pensara en serio en qué significaría que «funcionara». Este repaso no es para burlarse de la IA — es para no pagar dos veces la misma matrícula en 2027.
Tres apuestas que dieron resultado
Control de calidad por visión. La inspección de entrada y salida resultó ser el retorno de IA más fiable de 2026. La lógica es brutal: la inspección es mano de obra pura donde un defecto no detectado cuesta dinero real, así que cada hora que la cámara sustituye aparece directamente en menos reclamaciones y devoluciones — sin contabilidad creativa. Un 3PL de 120,000 pies cuadrados en Ontario, California instaló inspección visual de salida a finales de 2025, con cámaras verificando etiquetas de envío y sellos de cajas. Unos $80,000 invertidos (cifra observada, aproximada); en seis meses la tasa de envíos erróneos bajó de alrededor del 0.4% a menos del 0.1% (cifras observadas, aproximadas). Solo las reclamaciones y reentregas evitadas pagaron el sistema. El matiz también importa: funciona donde los SKU cambian despacio y las excepciones se pueden enumerar. Si tus SKU rotan cada pocas semanas y las cajas llegan con formas raras, el modelo se pasa la vida persiguiendo apariencias nuevas, y el ahorro se filtra por la grieta.
Previsión de mano de obra y programación. Usar el historial de pedidos para prever necesidades de personal con semanas de antelación, de modo que la programación deje de depender del instinto de un supervisor. Un almacén de comercio electrónico en Dallas que procesa unos 30,000 pedidos al día la usa desde hace dos años; su gasto en mano de obra temporal en la temporada alta de 2026 quedó aproximadamente un 20% por debajo del año anterior (cifra observada, aproximada). No le des el mérito al brillo del modelo — dáselo al aviso de dos semanas. Saber que «nos faltarán 40 personas el martes por la tarde, dentro de dos semanas» le da al supervisor tiempo para ajustar turnos y negociar tarifas temporales en lugar de improvisar el día D. También hubo una ventaja inesperada: con programas más cercanos a la realidad, bajaron las quejas por horas extra de los fijos, y con ellas la rotación en temporada alta — el gerente de RR. HH. me dijo que esa fue su mayor sorpresa de 2026. Una advertencia antes: si tus datos de presencia y asistencia del WMS son un desastre, la previsión también lo será. Dedica dos o tres meses a limpiar los registros de mano de obra antes de comprar predicción, o estarás haciendo astrología con datos sucios.
Picking por voz, renovado. El picking dirigido por voz es tecnología vieja, pero 2026 fue el año en que los mejores modelos de voz le dieron una segunda vida en entornos ruidosos. Un centro de distribución de alimentos de 200,000 pies cuadrados a las afueras de Phoenix sustituyó a principios de año un sistema de voz de ocho años; la precisión de picking pasó del 99.2% al 99.7% (cifras observadas, aproximadas). No te encojas de hombros ante medio punto: en distribución alimentaria un error de picking significa reconstruir el pedido entero, y unas pocas docenas de errores menos al día en temporada alta pagan la actualización solo en mano de obra y embalaje. Mi conclusión: si ya usas voz, esta actualización es una cuenta fácil con un ciclo de implantación corto. Si partes de cero, mete en el ROI los costes ocultos — cascos rotos, tiempo de formación, fallos de reconocimiento en pasillos ruidosos — no solo la cifra de la cotización del proveedor.
Dos que quemaron dinero
Gemelos digitales. La peor categoría de 2026, y por goleada. Vi a tres almacenes construir gemelos: cuatro a seis meses de modelado, un panel precioso el día de la entrega, y después nadie lo volvió a abrir. La tecnología no es el problema — la pregunta que responde («¿y si convertimos la Zona A a estantería dinámica?») sale unas pocas veces al año, mientras que la gente que mantiene el modelo cobra cada mes. Una instalación de 80,000 pies cuadrados gastó unos $150,000 (cifra observada, aproximada) en un gemelo; un año después se abría una vez al mes (cifra observada, aproximada). El detalle más demoledor: antes de construirlo, nadie había escrito qué pregunta se suponía que debía responder el gemelo. Mi juicio: para un almacén cuyo layout lleva años quieto y cuya mezcla de SKU es estable, un gemelo es un salvapantallas caro. Solo las operaciones que corren simulaciones de layout constantemente tienen derecho a hablar de esto.
Asistentes de IA genéricos. Los chatbots para consultas de inventario y preguntas sobre el estado de pedidos suenan a ahorro de mano de obra; en la práctica fallan por los dos extremos. Las preguntas que tienen respuesta ya están a tres clics en el WMS; las que no tienen respuesta reciben una contestada con más confianza de la que ningún humano se atrevería. Un 3PL desplegó una IA de atención al cliente y ahorró aproximadamente cero mano de obra en el año (cifra observada, aproximada) — mientras añadía un rol nuevo: alguien alimentando la base de conocimiento todos los días, salario incluido. La regla: si tu base de conocimiento interna no está organizada, un asistente de IA solo acelera el caos. Pon primero tus SOP y tu base de conocimiento en forma de que un humano pueda seguirlos, y luego hablamos de IA. Si no, no estás comprando un asistente; estás comprando una máquina de excusas muy elocuente.
Por qué la misma tecnología tuvo destinos opuestos
La línea divisoria se ve clara en retrospectiva. Cada proyecto que se pagó solo cumplía tres condiciones: sustituyó un coste de mano de obra que ya existía en lugar de inventar una necesidad nueva; sus datos estaban listos desde el día uno, sin «recolectemos seis meses y veamos»; y el éxito era medible — tasa de envíos erróneos, horas de mano de obra, precisión — así que el día de la aceptación no hubo discusiones. Falla una de las tres y estás pagando matrícula. La mayoría de los fracasos de 2026 siguió el mismo guion: el proveedor pintó la visión, el almacén pagó primero, y los criterios de aceptación quedaron en un anexo del contrato que nadie volvió a leer tras el lanzamiento. Hay un patrón más que vale la pena nombrar: los proyectos de IA que exigían que todo el mundo adoptara hábitos nuevos murieron rápido; los que se instalaron en silencio e hicieron el trabajo sin molestar a nadie vivieron largo. Esa regla seguirá valiendo en 2027.
Dónde pondría yo el dinero en 2027
Sin grandes proclamas — tres movimientos que puedes empezar mañana. Primero, audita tus datos antes de comprar IA: saca los registros de transacciones del WMS, las horas de mano de obra y las reclamaciones de excepciones. Si no puedes producir 12 meses continuos sin lagunas ni contradicciones, aún no calificas para la IA predictiva; dedica primero el presupuesto de 2027 a la higiene de datos — rinde más que cualquier compra de modelos. Segundo, la única línea en la que apostaría de verdad en 2027 es «detección de excepciones más revisión humana»: el control de calidad por visión demostró el patrón, y la próxima aplicación madura es la interceptación automatizada de excepciones de entrada — daños, descuadres de cantidad, etiquetas erróneas — la cámara lo marca, un humano lo confirma. La tecnología está lista y las cuentas salen. Tercero, dale a cada proyecto de IA una línea de aceptación de 90 días: si la métrica central no se ha movido 90 días después del arranque, mátalo. Sin renovaciones, sin «una ronda más de optimización». La matrícula de 2026 se paga una vez; no te matricules otra vez en 2027.
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
