La IA necesita un historial limpio y datos de calidad para ser efectiva

Antes de la IA, los analistas podían dedicar horas a revisar propuestas de compra o alertas de riesgo de quiebre. Hoy ese trabajo puede resolverse en segundos, pero esa rapidez también favorece un fenómeno poco visible: el sesgo de automatización, comenta Jimmy Murillo, CEO de Bluepoint AI, miembro de la Logistics incubator del CZFB. Si las empresas aceptan sistemáticamente las recomendaciones de la IA sin cuestionarlas, el pensamiento crítico se resiente porque nos acostumbramos a aceptar propuestas consistentes de forma automática. Además, la falta de supervisión humana puede provocar que la máquina optimice demasiado aquellos valores ligados a las métricas dominantes, “como inflar stocks si hablamos del nivel de servicio o arriesgar quiebres en caso de inventario”.

En la industria manufacturera, un error suele hacerse visible antes, porque puede provocar un parón cuyo coste supera con creces el de haber corregido el problema a tiempo.

La potencia de la IA se halla en el análisis de datos, generar alertas o recomendar escenarios. Para llevar a cabo su función de manera eficiente, necesita que los datos sean fiables y que estén limpios y conectados, sostiene Carlos Miguel Prieto, director de Marketing de Hardis Supply Chain en Iberia.

Un almacén semi automatizado debería recoger datos relativos al estado del stock, la capacidad de los recursos, el estado de los sistemas automáticos y los tiempos operativos. Decidir los límites de la automatización es una labor humana. Más no siempre es mejor. Tiene más valor encontrar el equilibrio entre el rendimiento logístico, la escalabilidad, las personas, la tecnología y el retorno de la inversión, expresa Carlos Miguel Prieto.

El sector del transporte ha incorporado la IA en su actividad diaria en los sistemas de navegación. Evalúan diversas variables a la vez para prever con antelación qué ocurrirá y así evitar paradas innecesarias o fallos. Las variables que se tienen en cuenta en este caso son los cambios meteorológicos, restricciones en la entrega o la congestión de la red viaria, explica Alicia Ribas, Sales director Iberia en Alpega.

La carga y descarga es un momento delicado y fundamental del trabajo de los transportistas. Aquí la IA actúa como coordinadora gracias a su capacidad para predecir la llegada de camiones y optimizar la asignación de muelles y almacenes.

Más que la cantidad de datos, lo que importa es si son fieles a la realidad operativa. Un ejemplo muy claro es el número físico de referencias en tienda o un almacén. El CEO de Bluepoint AI apunta que no es tan grave que el sistema dé errores con datos incompletos como seguir funcionando sin decirlo. A partir de ahí, el sistema construye predicciones sobre una realidad distorsionada. Su solución RupertX ha llegado a detectar un 30% de diferencia entre el stock teórico y el físico en empresas de alta rotación.

El criterio y el contexto muchas veces se pasan por alto o ignoran a pesar de que son variables que afectan la toma de decisiones. “El conocimiento tácito del operador no cabe en un campo del ERP”. RupertX ataca el problema mediante bucles de corrección activa. Consisten en registrar la respuesta de los operadores ante la propuesta del sistema, qué correcciones se hicieron, su contexto y los resultados para que la misma IA aprenda de los patrones de sobreescritura en problemáticas diversas. Si detecta patrones repetidos, los incorpora para mejorar futuras recomendaciones. El conocimiento que se concentra en la cabeza del operario se hace visible.

Leticia Rivera es consultora en IA aplicada a la dirección y administración de empresas, fundadora de Delsia Global, y speaker del SIL 2026. En su experiencia, el mayor error que cometen las empresas a la hora de integrar sistemas es querer hacerlo de manera genérica y masiva. El cambio debe enfocarse hacia lo que más duele y quitarle tiempo. A partir de aquí, es viable plantearse escalar.

El paso previo, explica, es simplificar el proceso de automatización. La IA predictiva necesita un histórico limpio. En consecuencia, es primordial que los datos estén unificados y disponibles en todos los sitios.