Seamos directos: en la era de la IA, lo más valioso de tu almacén no son los AMR ni las estanterías altas. Es la década de datos que duerme en tu WMS — tus activos de datos, los trates como tales o no.
Me preguntan todo el tiempo: "Lao Mi, ¿deberíamos invertir en IA?". Mi primera respuesta siempre es la misma: ¿son exactas vuestras marcas de tiempo de recepción? Nueve de cada diez veces, silencio.
La cuestión es que tiene dos caras. Por un lado, la IA funciona de verdad en los almacenes: previsión de demanda, optimización de oleadas, planificación de mano de obra, alertas de excepciones — casos de uso por todas partes. Por otro lado, todos esos casos de uso se alimentan de datos. Basura entra, basura cara sale. Más datos no son mejores datos. Los datos sucios cuestan más que no tener datos — sin datos, al menos sabes que vuelas a ciegas; los datos sucios te hacen equivocarte con total confianza.
He visto demasiados de estos fracasos. El que mejor recuerdo: un 3PL en California, una operación de tamaño decente, mayoritariamente clientes de e-commerce. En 2023 gastaron mucho dinero en un sistema de previsión de mano de obra con IA que construía automáticamente los turnos a partir del volumen histórico. Sonaba razonable. Tres meses después, los turnos empeoraron en vez de mejorar. La semana antes de la temporada alta se vino abajo por completo — tuvieron que llamar a una agencia de trabajo temporal para cubrir puestos de emergencia con un recargo doloroso.
La autopsia fue vergonzosa. El algoritmo estaba bien; los datos eran basura. Su equipo de recepción tenía la costumbre de registrar las recepciones en lote justo antes de salir, así que todas las marcas de tiempo de recepción del sistema se concentraban entre las 5 y las 6 PM. La IA aprendió exactamente lo que le enseñaron: todos los días a las 5 PM llega una oleada de volumen, así que hay que reforzar el personal. En realidad la mercancía llegaba por la mañana — las 5 PM era solo cuando alguien lo tecleaba. El modelo aprendió la lección equivocada con total confianza.
Peor aún, sus tiempos de liberación de oleadas y de finalización de picking eran todos marcas de tiempo rellenadas a posteriori del mismo estilo. Toda la dimensión temporal de su WMS era ficción. El proyecto de IA murió, el dinero se perdió, y la dirección se quedó convencida de que "la IA es un timo". Seamos directos: la IA no murió. Murieron los datos.
No fue un caso aislado. Un almacén de ropa que conozco usó durante años un único código de motivo de devolución: "otro". Cuando más tarde quisieron que la IA predijera devoluciones y agilizara el control de calidad, sacaron los datos y descubrieron que la gran mayoría de las filas decían "otro". El algoritmo no tenía nada que aprender. Culpa a quien diseñó los códigos de motivo por comodidad — y culpa a todos los que nunca trataron los datos como un activo.
¿Cuánto valen realmente tus activos de datos
Repasa la tabla de abajo. Columna izquierda: los datos. En medio: los casos de uso de IA que alimentan. Derecha: lo que probablemente te falta. Haz el ejercicio una vez y sabrás si estás sentado sobre activos o sobre pasivos.
| Dominio de datos | Casos de uso de IA que alimenta | Problemas de calidad típicos |
|---|---|---|
| Detalle de líneas de pedido (SKU, cantidad, promesa de servicio) | Previsión de demanda, estrategia de oleadas | Promociones no marcadas, historial distorsionado |
| Transacciones de inventario (recepciones, envíos, ajustes, conteos cíclicos) | Stock de seguridad, alertas de stock muerto | Ajustes sin códigos de motivo |
| Marcas de tiempo de tareas (recepción, ubicación, picking, empaque) | Previsión de mano de obra, análisis de cuellos de botella | Tiempos rellenados a posteriori o por lote |
| Velocidad de slotting (movimiento ABC, utilización) | Optimización de slotting, reposición | Clases ABC sin tocar desde hace un año |
| Horas de mano de obra (quién hizo qué, durante cuánto tiempo) | Líneas base de UPH, optimización de turnos | Horas no vinculadas a tareas |
| Eventos de equipos (alertas AMR, carga, fallos) | Mantenimiento predictivo | Registros de alertas que nadie lee |
La mayoría de los almacenes terminan este ejercicio con un hallazgo incómodo: muchos datos, pocos utilizables. Eso es lo que realmente significa una auditoría de activos de datos — no contar cuántas tablas tienes, sino comprobar cuántos de tus datos sobreviven al interrogatorio de un algoritmo.
Antes de arreglar tus activos de datos, haz los números
Esto tiene dos caras. Arreglar los datos cuesta dinero de verdad: la confirmación de escaneo en tiempo real en recepción añade segundos a cada recepción; las liberaciones de oleadas y las finalizaciones de picking exigen disciplina estricta con las marcas de tiempo; las clases ABC necesitan recálculo periódico; las horas de mano de obra deben vincularse a las tareas. Todo esto añade pasos para el equipo de planta y, a corto plazo, la productividad baja. El supervisor de turno será el primero en quejarse: ya estamos enterrados en volumen, ¿y ahora quieres más escaneos?
Pero no arreglarlo cuesta más. Cada marca de tiempo rellenada a posteriori es una mina que estás plantando para tu futuro proyecto de IA — y detona el día que gastas dinero de verdad en el sistema. La lección de ese 3PL de California, traducida en lenguaje llano: el interés de la deuda de datos es más alto de lo que crees. El proyecto muerto, el personal temporal de emergencia, la fe perdida del equipo directivo en la IA — todo sumó mucho más que el coste de "un escaneo extra".
Haz también el cálculo del ROI sobre el libro completo. En el presupuesto de un proyecto de IA, el algoritmo y las licencias de software suelen ser la parte pequeña; la implementación, la integración y los retrabajos son la parte grande. La mala calidad de datos y los retrabajos pueden comerse más de la mitad de tu presupuesto. Es más barato verter los cimientos de datos ahora que pagar después al cuerpo de bomberos. Todo propietario entiende esta matemática — solo que no le gusta gastar dinero en cosas que no puede ver. Y esa es la forma más cara de ahorrar.
Mi consejo: tres pasos, y no intentes hacerlo todo a la vez.
Primero, protege el tiempo y el motivo. Cada marca de tiempo de tarea debe capturarse en tiempo real — nada de rellenos al final del turno. Cada ajuste de inventario necesita un código de motivo. El menor coste, el mayor retorno. Endereza primero los cimientos.
Segundo, vincula a las personas con las tareas. Los datos de mano de obra que no están ligados a tareas concretas son un desastre. Escaneo de entrada y salida, tareas asignadas a individuos — llegar al punto donde "quién hizo cuánto" es trazable. Solo entonces las líneas base de UPH y la optimización de turnos tienen datos de los que merezca la pena hablar.
Tercero, entonces habla de IA. Acumula datos durante varios ciclos de negocio — al menos una temporada alta completa — antes de hablar de predicción y optimización. Predecir el pico del año que viene con tres meses de datos no es IA. Es apostar.
No compres el algoritmo antes de verter los cimientos
Cuando el comercial de un proveedor de IA te cuente lo bueno que es su algoritmo, hazle una pregunta: ¿cuál es la tolerancia de tu modelo a los datos sucios? Mira cómo responde.
La versión directa: en la era de la IA, la competencia entre almacenes tiene dos capas. La capa superior — algoritmos y aplicaciones — tarde o temprano todos podrán comprarla. La capa inferior — los activos de datos — no se puede comprar. Solo puedes acumularlos tú mismo. Quien tenga datos limpios, continuos y con sentido de negocio ganará con la IA. Lo contrario es igualmente cierto: un almacén con un desastre de datos quemará dinero en la IA más cara.
Así que deja de preguntar "¿deberíamos invertir en IA?". Hazte tres preguntas en su lugar: ¿son exactas nuestras marcas de tiempo? ¿Nuestros ajustes llevan motivos? ¿Hemos acumulado datos durante varias temporadas altas? Si no puedes responder ni a una, la respuesta está clara: audita primero tus activos de datos, luego habla de IA.
Los datos de tu almacén son un activo o un pasivo. ¿Has auditado los tuyos?
Por Lao Mi, veterano de la cadena de suministro (20 años)
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
