La próxima brecha de IA: Por qué las empresas logísticas de tamaño medio necesitan arreglar su infraestructura antes de poder aprovechar la IA

La conversación sobre IA a menudo se centra en el acceso, con la suposición de que una vez que una empresa tiene acceso a los modelos y herramientas adecuados, el siguiente desafío es descubrir cómo utilizarlos. Para las empresas logísticas de tamaño medio, eso no es necesariamente donde comienza el problema.

En muchos almacenes y proveedores de logística de terceros (3PL), la brecha rara vez es un sistema ausente. La mayoría ya cuenta con un sistema de gestión de almacenes (WMS), un software de planificación de recursos empresariales (ERP) o paquete contable, conexiones de transportistas y EDI con sus clientes más grandes. El problema es lo que ocurre entre esos sistemas.

Las conexiones punto a punto se acumulan con el tiempo. Un cliente o socio comercial se conecta de una manera, otro socio se conecta de otra y, al final, nadie tiene una visión completa de qué se comunica con qué. La integración también depende de las personas, como cuando alguien vuelve a introducir pedidos desde un portal de cliente o concilia los envíos de ayer en una hoja de cálculo cada mañana. Un 3PL puede no saber que una transacción falló hasta que un cliente llama para preguntar dónde está su pedido.

Nada de eso aparece en una lista de activos de TI, por lo que es muy fácil subestimar el problema. 

El problema está en los traspasos

Los mayores problemas operativos tienden a ocurrir en los traspasos, donde un pedido, recibo o envío pasa de un sistema o empresa a otro:

• Un pedido entrante que llega tarde o con formato incorrecto puede significar una ola perdida y una fecha de envío perdida. 
• Un aviso de envío anticipado que no coincide con lo que llega físicamente puede detener la recepción mientras los empleados investigan cada palé. 
• Una confirmación de envío que nunca llega al sistema del cliente puede crear un retraso en la facturación y provocar una devolución de cargo, donde un minorista deduce una penalización por un incumplimiento.

Para un 3PL, estos problemas se multiplican porque cada cliente tiene sus propios formatos, reglas y expectativas. El piso del almacén suele funcionar bien, pero el flujo de información a su alrededor se interrumpe. 

Esa distinción se vuelve más importante a medida que las empresas introducen IA en sus operaciones porque solo puede trabajar con la información que tiene disponible. Conectar un chatbot o copiloto a un solo sistema puede ser una buena demostración, pero no le brinda a ese sistema visibilidad de una operación que abarca varios sistemas.

En logística, las preguntas útiles a menudo cruzan esos límites, por lo que una respuesta sobre un pedido puede requerir información del WMS, del ERP y de un sistema de transporte o cliente. Una herramienta de IA que solo puede ver una parte de ese proceso está trabajando con una visión incompleta.

Existe una brecha creciente entre las empresas cuya infraestructura permite que la IA trabaje con la información que necesita y las empresas cuyos sistemas siguen desconectados, y es allí donde está surgiendo la próxima brecha de IA. 

La IA necesita una base con la que realmente pueda trabajar

Una infraestructura verdaderamente preparada para IA debe describirse en términos operativos más que tecnológicos. Cada evento importante, como un pedido, recibo, movimiento de inventario o envío, debe pasar por un hub común en lugar de una colección de conexiones separadas. El formato que envía un socio comercial debe dejar de ser problema del almacén. X12, EDIFACT, XML o JSON deben normalizarse al mismo pedido antes de que alguien en la cadena tenga que pensar en el formato.

Los equipos necesitan saber cuándo algo falla en minutos, antes de que el problema llegue al cliente. La misma información que los empleados usan para identificar y resolver esos problemas también debe ser accesible para el software y los agentes de IA a través de APIs limpias que mantengan los permisos existentes. También se necesita un registro de lo ocurrido para que, cuando la IA proponga algo, una persona pueda verificar el porqué. 

Cuando esas condiciones están en su lugar, añadir IA se vuelve mucho más sencillo. Eso no significa que una empresa de tamaño medio deba reemplazar toda su pila tecnológica. De hecho, un 3PL de tamaño medio casi nunca necesita un nuevo WMS o ERP simplemente para estar listo para IA. El enfoque más práctico es dejar los sistemas centrales intactos y corregir las conexiones entre ellos.

Un único hub al que se conectan todos los sistemas y socios es mucho más fácil de gestionar que una red de enlaces puntuales.

La IA puede ayudar a construir la infraestructura

Este es también el punto donde la IA puede ser particularmente útil para las empresas de tamaño medio. Tradicionalmente, la integración ha requerido que las personas lean las especificaciones de los socios, asignen campos manualmente y prueben esas asignaciones un socio comercial a la vez. Un mapa de un solo socio puede llevar semanas de trabajo práctico, pruebas y vaivenes con el socio.

Los modelos de IA actuales son capaces de leer especificaciones y archivos de muestra, proponer asignaciones y probarlas contra transacciones reales. Entonces una persona puede revisar y aprobar el resultado.

La IA puede reducir el trabajo manual necesario para producir la primera versión de un mapeo EDI. El especialista puede comenzar con un borrador, luego revisarlo y corregirlo antes de enviarlo a través del ciclo de revisión existente del socio, lo que permite a los especialistas dedicar menos tiempo a construir los mapeos campo por campo mientras mantienen el control sobre el resultado final.

Pero hay una distinción importante entre usar la IA para la integración y confiar en la IA para la integración.

Al hacer esto, utilizo un enfoque que llamo “Proponer, Fundamentar, Verificar, Confirmar.”

La IA propone la configuración del socio y el mapeo de campos. Se basa en la especificación real y los archivos de muestra en lugar de inventar campos o códigos. Un proceso de verificación separado compara el mapeo campo por campo contra un documento real. Luego una persona confirma el resultado antes de que llegue a un flujo de cliente en vivo.

Descubrimos por qué esa disciplina es importante al probar los mapas generados por IA contra documentos de producción reales.

En una prueba, un mapa generado por IA leyó un documento de transferencia de almacén sin errores y aun así omitió los 15 artículos de línea. En otra, conservó las seis partes de una orden de envío pero perdió el código que identificaba cuál parte era el destinatario, junto con la dirección. Nuestra verificación automatizada calificó el mapa como limpio, y un especialista en EDI detectó la brecha.

Incluso los datos de referencia pueden estar equivocados. Un archivo de normas que afirmaba haber sido verificado cruzadamente discrepó con la norma publicada en cada segmento disputado que probamos.

La lección es que un resultado parcial puede ser más difícil de detectar que uno ausente. La verificación debe comparar cada campo de un documento real con lo que el mapa capturó. Confirmar que un documento se analiza no es suficiente.

Los resultados confiables dependen de la disciplina que rodea al modelo, desde cómo se utiliza hasta cómo se revisan sus resultados.

El valor comienza antes de que la IA tome una decisión

El trabajo de infraestructura también tiene valor mucho antes de que un agente de IA haga recomendaciones operativas. Un 3PL con el que trabajamos ejecutaba SAP junto a su sistema de almacén. Cada recepción de entrada requería de tres a cinco minutos de ingreso manual, y el inventario en SAP estaba aproximadamente 20 minutos retrasado respecto al muelle.

Una vez que los dos sistemas se conectaron directamente, ese retraso se volvió casi en tiempo real. La operación ahorró más de 980 horas de trabajo al año, incluyendo 775 horas en labores de salida. El seguimiento en hojas de cálculo desapareció, mientras que las etiquetas, los conocimientos de embarque y las listas de empaque comenzaron a generarse automáticamente. El almacén mantuvo sus flujos de trabajo existentes, por lo que nadie en el piso tuvo que ser reentrenado.

La lección que obtuvimos de ese proyecto fue más allá del ahorro de mano de obra. Cuando dos sistemas comparten una única visión actual, esa misma visión es lo que un agente de IA necesita para ser útil.

Conectarlos es el paso que hace posible todo lo que sigue.

La preparación para IA comienza con la integración

Para las empresas que deciden por dónde comenzar, la integración debe ser la primera, con la IA realizando gran parte del trabajo de integración. Con demasiada frecuencia el error que cometen las operaciones es tratar a la IA como algo que solo pertenece al final del proceso. Puede ayudar a que el trabajo de integración sea más rápido y menos costoso al principio, luego ayudar con decisionesuna vez que esa base esté establecida.

Las empresas de logística de mercado medio no necesitan necesariamente más tecnología. Muchas ya cuentan con los sistemas que requieren. La oportunidad es hacer que esos sistemas trabajen juntos. Ahí es donde la IA puede desempeñar un papel que va más allá de generar otra respuesta en una pantalla.