Durante los últimos dos años he entrevistado a más de veinte profesionales que ejecutaron pilotos de IA en almacenes: directores de operaciones de 3PL, responsables de TI en centros de fulfillment de comercio electrónico, ingenieros de preventa en proveedores de automatización. Cuando les pregunté cómo fue el piloto, más de la mitad no respondió con éxito o fracaso. Respondieron con una fecha: "duró unos dos meses", "lo cerramos en el tercer mes", "murió en la revisión de los 90 días". El piloto de IA en almacenes se ha convertido en el objeto más extraño de la digitalización de almacenes: los proveedores anuncian historias de éxito sobre el escenario mientras un número mucho mayor de proyectos muere en silencio antes del día 90. Este artículo no trata sobre cómo elegir un escenario piloto ni sobre cómo calcular el ROI. Es la autopsia de tres fracasos reales: dónde murió exactamente cada uno, y por qué la tecnología no fue la causa de la muerte.
Tres pilotos de IA en almacenes, tres causas de muerte
Caso 1: Un sistema de clasificación por visión, muerto por la deriva de datos.
En enero de 2025, un almacén 3PL en el medio oeste estadounidense que gestiona pedidos de ropa puso en marcha un piloto de inspección de calidad por visión: dos cámaras industriales sobre la cinta transportadora, un modelo de IA que señalaba paquetes dañados y etiquetas de envío ilegibles, con el objetivo de sustituir a dos inspectores de control de calidad a tiempo completo. El calendario era de manual. Semanas 1–4: instalación e integración. Semanas 5–8: ajuste del modelo. Semana 9: operación de prueba, con una precisión que alcanzaba el 98% prometido por el proveedor — medido, cabe señalar, sobre perfiles de cajas estándar de temporada alta. El giro llegó después de la semana 10. Llegó el surtido de temporada baja: los paquetes irregulares y los SKU de lotes pequeños sustituyeron a las cajas estándar, y las formas, los colores de cinta y las posiciones de etiquetas que el modelo había aprendido ya no coincidían con la realidad. La tasa de falsas alarmas subió del 2% a más del 15%. Los inspectores volvieron a revisar cada paquete a mano, y el sistema se convirtió en algo decorativo. En la revisión de la semana 12, el director de operaciones desconectó el enchufe. El jefe de proyecto me dijo, textualmente: "El modelo no se estropeó. El almacén cambió primero". La lección es precisa: la distribución de entrenamiento solo cubría la temporada alta, mientras que las pruebas de aceptación cayeron en temporada baja. La deriva de datos no era un problema tecnológico. Era un problema de calendario.
Caso 2: Optimización de picking con AMR, muerto por una organización que nunca quiso que tuviera éxito.
En junio de 2025, un almacén de comercio electrónico de ropa en el este de China desplegó seis AMR para la asignación de tareas de picking impulsada por IA. Técnicamente funcionó: en las tres primeras semanas, la distancia media recorrida por los operarios de picking cayó aproximadamente un veinte por ciento, una cifra verificable en los registros del WMS del almacén. Luego, en la semana 4, empezaron las cosas extrañas. Los operarios empezaron a "olvidar" cargar los robots. Alguien apiló totes vacíos atravesados en un carril de tránsito de los AMR. Una jefa de equipo de picking lo dijo sin rodeos en nuestra entrevista: "El sistema asigna cada tarea y lo registra todo. Quién sabe si esos datos se usarán en nuestra contra en la evaluación de fin de año". Los KPI del piloto pertenecían al departamento de TI; operaciones no tenía responsabilidad sobre el resultado. No había ningún responsable de negocio: nadie cuyo trabajo dependiera de que el piloto tuviera éxito. En la semana 8, cuatro de los seis AMR estaban aparcados de forma permanente en la zona de carga. El proyecto murió por abandono. La tecnología entregó el 100%. La organización entregó cero.
Caso 3: Reposición por previsión de demanda, muerto por la promesa de un proveedor.
En noviembre de 2024, un almacén europeo de repuestos de automoción firmó con un proveedor SaaS de previsión con IA cuyo argumento era "listo para usar, en marcha en dos semanas". La integración con el WMS en realidad llevó nueve semanas: los datos históricos de salidas hubo que rehacerlos calibre por calibre, unidad por unidad y valor faltante por valor faltante, artículo por artículo. Peor fue el contrato: el piloto se consideraba exitoso con la puesta en marcha, sin línea base de calidad de datos ni cláusula de salida si la precisión de la previsión no alcanzaba el objetivo. El sistema finalmente entró en producción en febrero de 2025. Sus sugerencias de reposición contradecían una y otra vez a un planificador con quince años de experiencia. Ninguno de los dos lados confiaba en el otro. En la semana 6 el planificador ya estaba anulando el sistema por experiencia, y nadie volvió a abrir los informes del sistema. El piloto quedó congelado alrededor del día 60. El pago final se hizo íntegro: el contrato decía que la puesta en marcha equivalía a aceptación.
Un marco de atribución: cuatro categorías de mortalidad de los pilotos de IA
Puestos lado a lado, las tres muertes se ordenan en cuatro categorías:
| Categoría | Síntoma típico | Caso | Cuándo ataca |
|---|---|---|---|
| Datos | La distribución de entrenamiento se desvía de las operaciones reales; no hay línea base de calidad de datos | Caso 1 | Fase de prueba (semanas 8–12) |
| Escenario | Se elige el escenario "más doloroso pero más difícil"; KPI no medibles o no atribuibles | — | Configuración del proyecto |
| Organización | Sin responsable de negocio; los incentivos de primera línea entran en conflicto con los objetivos del piloto | Caso 2 | Durante todo el proyecto |
| Proveedor | Brecha promesa-entrega; integración subestimada; sin cláusula de salida en el contrato | Caso 3 | Adquisición y puesta en marcha |
La categoría de escenario no golpeó en estos tres casos, pero en mis otras entrevistas es la trampa más común de la fase de configuración: aplicar la IA a la gestión de excepciones de cola larga, donde las muestras son escasas y las reglas son confusas, hace que un piloto de tres meses sea imposible de evaluar desde el principio.
Un veredicto contraintuitivo: la tecnología nunca fue la causa principal
En los tres casos, los equipos de algoritmos entregaron modelos funcionales a tiempo, y las cifras de precisión "pasaron" en sus respectivos conjuntos de prueba. Lo que mató a los pilotos fue el propio diseño del piloto: datos sin preparar, escenarios demasiado difíciles, nadie siendo responsable del resultado, contratos que dejaban todo el riesgo en manos del comprador. En otras palabras, los pilotos de IA rara vez fracasan porque "la IA no funciona". Fracasan porque el acto organizativo de pilotar nunca fue diseñado. Según una encuesta de 2025 sobre tecnología logística de una consultora internacional, las empresas clasificaron la "preparación insuficiente de datos" y la "dificultad de coordinación interna" como las dos principales barreras para la adopción de la IA, con la madurez tecnológica por detrás — un ranking coherente con lo que encontraron mis entrevistas.
Juicio de tendencia: la lógica del piloto está cambiando en 2026
En la línea de tiempo, los pilotos de 2024–2025 seguían mayormente una lógica de "validación tecnológica": comprar primero la tecnología, resolver el caso de uso después. Desde 2026, los nuevos proyectos que he conocido siguen cada vez más una lógica de "validación organizativa": una evaluación de preparación para la IA (puntuada en datos, procesos y personas) llega antes incluso de que se apruebe el piloto, y los contratos están pasando de la compra de licencias al pago por hitos — un tramo cuando se completa la integración de datos, otro cuando se alcanza la precisión acordada. El significado de este cambio: el mercado está redefiniendo el piloto, de una compra de tecnología a un proyecto de cambio organizativo. La tecnología seguirá abaratándose. La organización siempre fue la parte difícil.
Sigo volviendo a una pregunta al revisar estos tres casos: ¿qué pasaría si los 90 días se ordenaran al revés — 30 días preparando datos y la organización, 30 días validando a pequeña escala, y solo entonces 30 días hablando de expansión? ¿Seguirían muriendo tantos proyectos el día 90? No hay una respuesta estándar. Pero puede que sea la pregunta más valiosa que cualquiera que esté considerando un piloto de IA en almacenes en 2026 debería hacerse antes de firmar.
Por Dr. Chen, Investigador de Cadena de Suministro
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
