El almacén que empieza a decidir

Hasta ahora hemos podido dibujar con relativa claridad la frontera entre una persona y una máquina dentro de un almacén.

El SGA aplicaba determinadas reglas, el operario ejecutaba muchas de ellas y los sistemas automáticos eran los responsables de ejecutar aquellas tareas para las que habían sido específicamente diseñados (especialmente las tareas repetitivas o de menos aporte de valor):

· Una cinta transportaba.

· Un sorter clasificaba.

· Un transelevador ubicaba y extraía palés.

· Un AGV/AMR llevaba una carga desde un punto hasta otro siguiendo una lógica de navegación cada vez más sofisticada.

Está claro, ¿no? Pues ese mapa empieza a complicarse.

La inteligencia artificial está abandonando progresivamente la pantalla para entrar en la operación física. Ya no hablamos únicamente de algoritmos capaces de mejorar una previsión o de chatbots que, gracias a la IA generativa, permiten consultar un sistema en lenguaje natural. Empiezan a aparecer agentes que interpretan una situación, comparan alternativas, recomiendan una acción y, dentro de determinados límites, pueden ejecutarla. Al mismo tiempo, la robótica incorpora percepción, aprendizaje y una capacidad de adaptación muy superior a la automatización tradicional.

La consecuencia puede parecer una evolución tecnológica más. Pero es bastante más importante, porque estamos pasando lentamente del almacén automatizado al almacén adaptativo.

Y la diferencia entre ambos no está en el número de robots. Está en la capacidad del sistema para observar lo que ocurre, interpretar el contexto, decidir qué hacer y modificar su comportamiento sin necesitar que todas las situaciones hayan sido programadas de antemano.

Gartner acaba de describir este momento como un punto de inflexión para la IA en warehousing. Su análisis distingue cuatro evoluciones que ya empiezan a convivir: sistemas tradicionales de optimización enriquecidos con mejores datos; inteligencia generativa aplicada directamente a la operación; agentes capaces de recomendar o ejecutar parcialmente flujos de trabajo; y, finalmente, physical AI agents, donde inteligencia, sensores y robótica se combinan para actuar sobre el mundo físico.

Lo interesante no es tanto la taxonomía como lo que revela. La IA está empezando a cerrar el círculo entre percibir, decidir y actuar… Y en logística ese círculo importa mucho.

La automatización logística clásica es extraordinariamente buena cuando el problema puede definirse con precisión. Sabemos qué entra, qué tiene que ocurrir, cuáles son las excepciones y cuál debe ser la salida. Diseñamos reglas, instalaciones y software alrededor de ese escenario y obtenemos niveles de productividad, fiabilidad y repetibilidad imposibles de conseguir manualmente.

El problema es que la logística real tiene la mala costumbre de no comportarse siempre como el escenario para el que fue diseñada. Todos conocemos instalaciones que han acabado infrautilizadas, sin llegar al ROI esperado, porque las reglas del juego cambiaron a mitad de camino.

· La demanda cambia (en volumen o en tipo).

· Una referencia que tenía poca rotación empieza inesperadamente a crecer.

· El espacio utilizado por determinadas referencias deja de ser el adecuado.

· El flujo previsto por ingeniería seis meses atrás ya no coincide exactamente con el que está ocurriendo esta mañana.

Y ahí aparece el verdadero potencial de la siguiente generación de sistemas. MIT publicó este año un ejemplo muy ilustrativo desarrollado junto con Symbotic. En un almacén con grandes flotas de robots, uno de los problemas más complejos no es conseguir que cada robot encuentre su camino, sino evitar que las decisiones individuales produzcan congestiones colectivas. Los investigadores desarrollaron un sistema basado en deep reinforcement learning que aprende qué robots deben recibir prioridad en cada momento y puede anticiparse a determinados atascos antes de que lleguen a formarse. Esto recuerda al “Gimnasio de Robots” del que hablábamos el otro día en #UpdateMenuValencia de Atlas Tecnológico.

Ese ejemplo me interesa porque muestra el cambio conceptual e invita a preguntarse cómo conseguimos que el sistema modifique continuamente la manera en que organiza miles de movimientos en función de lo que está ocurriendo.

No es lo mismo. Un sistema automatizado ejecuta. Un sistema adaptativo interpreta y reconfigura.

Y claro, esto también obliga a repensar el papel del SGA/WMS.

No creo que la llegada de agentes vaya a hacer irrelevantes los sistemas de gestión de almacén. Más bien ocurrirá lo contrario: cuanto más autónoma sea la operación, más importante será disponer de una arquitectura capaz de mantener una única realidad operacional, unas reglas claras y una gobernanza consistente.

Pero su función puede evolucionar.

Históricamente hemos pedido al SGA que administre inventario, ubicaciones, olas, tareas, reposiciones, prioridades o reglas de preparación. La nueva capa de inteligencia puede convertir parte de esa lógica en algo bastante más dinámico.

Pensemos en un caso real: A uno de nuestros clientes le llegó un pedido que debía salir en veinte minutos: había fallado la interfaz y llevaba un día sin procesarse. El pedido tiene dos referencias. Una está en reserva y requiere reposición. La otra acaba de entrar por recepción, pero todavía no se ha ubicado. Al mismo tiempo, una zona del almacén tiene una carga de trabajo anormal y varios AMR empiezan a concentrarse allí.

Un sistema tradicional puede tener reglas para cada una de esas circunstancias. En cambio, un entorno agéntico podría intentar interpretar todas simultáneamente.

Podría analizar inventario, capacidad disponible, situación del transporte, prioridad del cliente, posición de los robots, carga de las estaciones y riesgo de incumplir el SLA; proponer un cambio en la secuencia de preparación, adelantar una reposición, reasignar recursos y recalcular el movimiento interno.

Ahí empieza una logística diferente. El World Economic Forum habla ya de agentic supply chains: redes donde agentes de IA pueden percibir, razonar, negociar y ejecutar decisiones operativas entre distintos sistemas y organizaciones. Y pone sobre la mesa que cuando esas decisiones empiezan a afectar al comercio real, la gobernanza deja de ser una cuestión secundaria. Porque una cosa es que la IA nos recomiende qué hacer. Otra bastante distinta es permitirle hacerlo.

Ahí entra la llamada physical AI. El término puede parecer una nueva etiqueta para algo que la logística lleva muchos años haciendo con robótica. Pero existe una diferencia relevante.

Un robot industrial tradicional ejecuta con enorme precisión tareas previamente definidas. La ambición de la physical AI es construir máquinas capaces de percibir un entorno menos estructurado, interpretar situaciones nuevas y adaptar su comportamiento.

La supply chain es uno de los terrenos con mayor potencial para esta evolución, porque la infraestructura necesaria empieza a existir gracias a la combinación de robótica, visión, automatización del almacenamiento y grandes cantidades de datos operativos.

La diferencia se ve con claridad en tareas que históricamente han sido difíciles de automatizar.

Despaletizar cajas idénticas y perfectamente colocadas es un problema relativamente controlable. Hacerlo con cajas de geometrías diferentes, deformadas, parcialmente ocultas o colocadas de forma impredecible requiere percepción tridimensional, planificación del movimiento y capacidad de reaccionar cuando la realidad no coincide con lo esperado. Lo mismo ocurre en picking, clasificación, carga y descarga o manipulación de objetos irregulares.

La frontera se está desplazando precisamente hacia esos entornos (sobres en el e-commerce, productos pesados y difíciles de “encajar” en el Tetris, productos frágiles que requieren de posiciones concretas, logística del frío).

Skild AI acaba de presentar S1, un modelo entrenado sobre infraestructura de NVIDIA, que permite a un robot aprender tareas físicas a partir de un vídeo, combinando modelos fundacionales, simulación y aprendizaje en contexto. Todavía estamos lejos de robots universales capaces de hacer cualquier cosa dentro de un almacén, pero la dirección es significativa: la robótica empieza a adquirir algo que la automatización industrial siempre tuvo dificultades para conseguir, adaptabilidad.

Y cuando esa capacidad física se conecte con agentes digitales, el cambio será mayor. Un agente podrá detectar un problema. Otro podrá encontrar una alternativa. El sistema podrá reorganizar las prioridades. Y una máquina podrá ejecutar físicamente la decisión. Ese es el circuito completo.

Pero precisamente porque la tecnología está avanzando deprisa, existe el riesgo de volver a cometer un error muy conocido en transformación digital. Ya sabéis, empezar por la solución en lugar de empezar por el problema.

Gartner recomienda algo bastante menos espectacular que llenar inmediatamente los almacenes de agentes autónomos. Comenzar por casos de uso probados, como previsión de carga de trabajo, slotting, asignación de recursos, optimización…, y avanzar hacia IA generativa y autonomía allí donde exista un problema operacional claro y un retorno identificable.

Y, sin duda, es un consejo especialmente importante.

Un agente inteligente conectado a datos deficientes seguirá tomando decisiones deficientes, esto me recuerda algo que leí hace más de 20 años en un fantástico informe del BCG: «Garbage in, garbage out», por tanto un robot extraordinario aplicado al proceso equivocado sigue siendo una mala inversión.

Un agente inteligente conectado a datos deficientes seguirá tomando decisiones deficientes… Y automatizar una excepción que deberíamos haber eliminado del proceso no la convierte en una buena excepción.

Antes de hablar de physical AI habría que volver a algunas preguntas bastante menos sofisticadas.

¿Dónde tenemos realmente el cuello de botella? ¿Qué variabilidad está limitando el throughput? ¿Por qué cae el UPH? ¿Qué está deteriorando el dock-to-stock? ¿Dónde se generan los tiempos de espera? ¿Qué decisiones consumen hoy demasiado tiempo humano? ¿Qué porcentaje de las incidencias necesita realmente criterio y qué porcentaje responde a patrones repetitivos?

La IA cambia las herramientas. No elimina la necesidad de entender la operación.

Existe además una cuestión de confianza. La logística funciona sobre un delicado equilibrio entre velocidad y control. Un error en un chatbot puede producir una respuesta absurda. Un error en un sistema que asigna una carga, mueve un robot, prioriza un pedido o modifica inventario tiene consecuencias operativas. Por eso la autonomía deberá ganarse igual que la confianza.

MIT Sloan distingue claramente la IA agéntica de los asistentes generativos tradicionales: hablamos de sistemas que pueden percibir información, razonar, utilizar herramientas y realizar acciones con una supervisión humana variable. Precisamente por eso insiste en la necesidad de arquitectura, seguridad, observabilidad y límites claros.

En un almacén eso significa saber qué decisiones puede tomar automáticamente un sistema y cuáles necesitan autorización. Significa registrar por qué se realizó una acción, poder reconstruirla después y disponer de mecanismos de parada o reversión. Y eso nos lleva a un viejo sueño: aplicar gemelos digitales que simulen todos estos escenarios. Muchos dirán que ya lo hacen, pero no es baladí: requiere un trabajo grande y serio. Aun así, será sin duda una de las patas fundamentales de este tipo de sistemas en un futuro cercano.

No toda decisión necesita el mismo nivel de autonomía. Podemos permitir que un agente modifique la secuencia de tareas dentro de ciertos parámetros sin pedir permiso cada vez (el Enter de algún LLM que todos conocéis). Probablemente seamos bastante más prudentes cuando pretenda saltarse controles de calidad, modificar determinadas prioridades comerciales o ejecutar acciones con impacto en seguridad.

También aquí conviene escapar del debate fácil sobre humanos frente a robots. La automatización seguirá reduciendo determinadas tareas manuales, especialmente aquellas repetitivas, físicamente exigentes o difíciles de cubrir. Gartner identifica precisamente las restricciones laborales como uno de los factores que están acelerando la automatización de almacenes.

Pero el cambio más interesante puede producirse en el propio trabajo logístico. El planificador que hoy dedica buena parte de su jornada a perseguir información, resolver excepciones y reconstruir manualmente qué ha sucedido puede convertirse cada vez más en un orquestador. El supervisor quizá dedique menos tiempo a asignar tareas y más a entender desviaciones, mejorar reglas y gestionar situaciones para las que el sistema todavía no tiene suficiente contexto.

Y claro, eso exigirá otras capacidades: más comprensión de datos, más criterio operacional, más capacidad para trabajar con sistemas autónomos, más conocimiento de proceso, no menos.

Porque cuanto más pueda decidir una máquina, más importante será que alguien entienda cuándo no debería hacerlo. Y prepararse para ello no debería esperar.

Quizá por eso no creo que el gran cambio vaya a producirlo un único robot, un nuevo SGA o el próximo modelo de IA. La ventaja aparecerá cuando consigamos conectar inteligentemente todas esas capas.

ERP, SGA, TMS, sistemas de ejecución, sensores, visión artificial, automatización, AMR, robots, digital twins y agentes no deberían convertirse en una nueva colección de silos tecnológicos. La promesa está en otra parte. En construir una operación capaz de recibir señales del mundo real, convertirlas en conocimiento, tomar una decisión y ejecutarla mientras aprende de lo ocurrido. Y todo eso no está solo al alcance de las grandes compañías del IBEX: a su escala, también es aplicable a muchas de nuestras pymes.

Ese es el salto desde la automatización hacia la autonomía. Y sí, probablemente sea también la próxima gran conversación de la logística, porque llevamos muchos años preguntándonos cómo conseguir que una máquina haga más cosas, pero la IA también pone sobre la mesa qué ocurre cuando la propia operación empieza a decidir qué necesita hacer.

Y la respuesta no será un almacén sin personas (aunque ya existan y puedan proliferar en algunas operaciones). Tampoco será un almacén gobernado enteramente por algoritmos. Si lo hacemos bien, será un sistema en el que personas, software y máquinas sean capaces de coordinarse con mucha más inteligencia que hasta ahora.

Y ahí la métrica relevante no será cuántos robots tenemos ni cuántos agentes hemos desplegado, sino algo mucho más sencillo: mover más producto, con menos fricción, decidir mejor y adaptarnos rápido cuando las cosas no salen según lo previsto.

Eso, al final, sigue siendo logística.