Esta es mi apuesta: para 2027, que tu almacén pueda realmente usar IA no tendrá casi nada que ver con qué algoritmo compres, y todo que ver con cuántos datos limpios y utilizables hay en tus sistemas. Los algoritmos se abaratan cada mes. Los datos son la moneda fuerte.
Pasé unos días en Modex, en Atlanta, la pasada primavera. Los stands de IA estaban a reventar: picking por visión, previsión de demanda, planificación inteligente de turnos — cada demo parecía impecable. Luego fui a tomar unas cervezas con unos viejos amigos que venden WMS y no dejábamos de volver al mismo punto: esas demos corren sobre conjuntos de datos preparados con esmero, impecables. Suelta el mismo software en un almacén real de un cliente y nueve de cada diez veces tropieza con los datos.
El algoritmo ya no es el cuello de botella
Hace cinco años esa frase me habría sacado del salón entre risas. Hoy es simplemente verdad. Un módulo de picking por visión cuesta menos cada año. Los modelos de previsión de demanda están en repositorios de código abierto. La brecha entre algoritmos se estrecha; la brecha entre patrimonios de datos se ensancha.
¿Y qué aspecto tiene un almacén real por dentro? El año pasado recorrí un centro logístico 3PL de 300,000 pies cuadrados en el Inland Empire. Estaban en su tercer WMS en una década, y los datos históricos llegaban en tres formatos mutuamente ininteligibles. Los registros de picking decían "done" — no quién lo recogió, por qué pasillo caminó ni cuántos minutos tardó. La flota de AMR sí generaba datos, pero vivían en la nube del proveedor del equipo, y el contrato nunca dejó claro a quién pertenecían. El departamento de IT quería una exportación; el departamento legal tuvo que intervenir.
Sobre una base así, la IA más cara es solo un bonito envoltorio sobre datos sucios. Los modelos amplifican lo que les das: buenos datos se convierten en eficiencia, malos datos se convierten en errores seguros y automatizados — mal a velocidad de máquina, en perfecta formación.
Esta es la pista: los vendedores de WMS se dieron cuenta antes que la mayoría de sus clientes. Últimamente ya no venden módulos de funciones; el discurso es todo "plataforma de datos" y "listo para IA". Traducción: déjanos limpiarte los datos primero. Cuando los que venden software empiezan a vender palas, quizás dejes de esperar encontrar oro el primer día.
Cómo es en realidad un despliegue de IA sin datos
Hace un par de años, un 3PL de ropa que conozco pagó mucho dinero por una plataforma de "planificación laboral con IA". La promesa era seductora: prever la demanda de mano de obra a partir del historial de pedidos, generar turnos automáticamente, nunca faltar personal en pico ni sobrar en valle.
Fue retirada al cabo de tres meses. La causa raíz era casi vergonzosa: su WMS no tenía cifras fiables de unidades por hora por persona, porque el picking solo se registraba a nivel de pedido. Nadie había capturado nunca datos laborales a nivel de persona. El algoritmo planificaba contra los totales de pedidos y producía turnos peores que los que el supervisor de planta dibujaba de memoria. El primer día de temporada alta fue un caos; el supervisor reconstruyó el horario a mano durante la noche, y el sistema pasó a ser un pisapapeles desde aquel día.
El dinero se gastó, los datos siguieron sucios. Es el modo de fracaso de IA más común que he visto — no malos algoritmos, sino falta de cimientos. Y lo más cruel: tras un fracaso así, el propietario concluye que "la IA no funciona", lo que mata el presupuesto para la infraestructura de datos que de verdad necesitaba. Un despliegue mal hecho puede retrasar una empresa tres años.
Podrían haber evitado todo. Antes de comprar la IA, dediquen tres meses a arreglar la captura de datos de picking: registren la persona, la hora y la ubicación en cada tarea de picking — tres campos nuevos en el WMS. Tres meses de esos datos bastan para validar si el modelo de planificación va siquiera en la dirección correcta. Sáltese la pequeña inversión, pague la gran lección.
El calendario: por qué la ventana es ahora
Así veo yo los próximos dieciocho meses. Desde finales de 2026 hasta la primera mitad de 2027 estamos en la ventana de la infraestructura de datos. En ProMat, en Chicago, la próxima primavera, verán a los vendedores de IA empezar a cualificar a los clientes por su preparación de datos — los almacenes con datos limpios consiguen pilotos de tres meses que de verdad funcionan, y los vendedores luchan por convertirlos en cuentas de referencia. Los almacenes con un desastre de datos no logran ni arrancar una prueba de concepto, y el comercial se da cuenta en la primera llamada de descubrimiento.
Para la segunda mitad de 2027, la división se hará visible. Los 3PL punteros y los grandes centros de distribución retail estarán ejecutando IA para planificación dinámica, reposición predictiva y mantenimiento predictivo de equipos. Sus curvas de coste empezarán a separarse de las de los demás. Si un almacén mediano no ha empezado para entonces, la brecha solo se ensancha — no porque los algoritmos sean inasequibles, sino porque acumular datos lleva tiempo, y el tiempo es lo único que no se puede recuperar.
La lógica es aritmética simple: la infraestructura de datos se amortiza en unos doce a dieciocho meses. Empiece a limpiar y capturar datos ahora y estará listo cuando la ola de la IA rompa en 2027. Quédese quieto y estará peleando con hojas de cálculo mientras los competidores corren pilotos.
No necesita un data lake desde el primer día. El primer paso, poco glamuroso: exporte datos del WMS, el TMS y los sistemas de equipos con una cadencia diaria, normalice los formatos, aterrice todo en un lugar donde pueda consultar por tiempo y cruzar por número de pedido. Olvide por ahora la "arquitectura lakehouse" — llegue primero a "localizable, extraíble, combinable".
Entonces, ¿qué debería capturar exactamente? Tres flujos de datos, en orden de prioridad.
Primero, datos de comportamiento de pedidos e inventario. No "hoy enviamos 20,000 pedidos", sino quién recogió qué, en qué ubicación, a qué hora, cuántas unidades, cuántos minutos. Esa es la materia prima de cada modelo de mano de obra y de slotting. Sin ella, cualquier IA de plantilla es ficción.
Segundo, datos operativos de equipos. Horas de funcionamiento, ciclos de carga, códigos de fallo y tiempos de inactividad de carretillas, AMR y transportadores. Esa es la base del mantenimiento predictivo y la planificación de capacidad. En demasiados almacenes estos datos están en manos del proveedor del equipo — negocie la propiedad y los derechos de acceso en el contrato de compra, no tres años después cuando por fin los necesite.
Tercero, velocidad ABC e historial de slotting. ¿Cuánto tardó ese SKU en deslizarse de A a C? ¿Cuántas veces se movió el slot, y ayudó? Su WMS probablemente ya lo guarda; nadie lo trata como un activo, y tiene la costumbre de perderse en las migraciones de versión.
No compre IA todavía. Haga primero tres preguntas a su equipo de IT: ¿pueden exportar los últimos doce meses de datos de picking desglosados por persona, ubicación y hora? ¿Los registros de fallos de equipos están estructurados o garabateados en hojas de cálculo? ¿La última migración de WMS perdió algún dato histórico?
Si la respuesta a alguna de esas es "no lo sé", el dividendo de la IA de 2027 no es para usted — todavía no. Cave primero el data lake. Cuando el agua esté ahí, la IA llegará.
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
