IA generativa en logística: de la predicción a la decisión autónoma
El salto de predecir a decidir
La logística lleva años usando machine learning para predecir: demanda, tiempos de tránsito, probabilidad de retraso. Modelos de series temporales y regresión que funcionan bien para problemas estructurados con datos históricos abundantes. Lo que ha cambiado con la IA generativa no es la capacidad de predecir mejor (los modelos clásicos siguen siendo superiores para predicción numérica pura), sino la capacidad de razonar sobre situaciones nuevas y tomar decisiones en contextos ambiguos.
Un modelo de regresión predice que el envío de Madrid a Ceuta tardará 4 días. Un LLM puede interpretar un email del transitario que dice “el ferry del jueves está cancelado por temporal” y proponer redirigir la carga por Algeciras con un transitario alternativo, recalcular el coste, y redactar la comunicación al cliente. Ese es el salto.
Tres aplicaciones que ya están en producción
Optimización de rutas con contexto
Los algoritmos de optimización de rutas (VRP, Vehicle Routing Problem) existen desde los años 60. Las herramientas comerciales (Google OR-Tools, Routific, OptimoRoute) los implementan con suficiente calidad para la mayoría de las flotas. Lo que no capturan es el contexto no estructurado: restricciones temporales del cliente comunicadas por email, incidencias de tráfico no reflejadas en datos históricos, preferencias del conductor.
El patrón emergente: usar un LLM como capa de interpretación sobre el optimizador clásico. El LLM procesa las restricciones no estructuradas (emails, notas de CRM, incidencias), las traduce a constraints formales, y alimenta el optimizador. El resultado es una ruta que no solo es matemáticamente óptima sino que incorpora la realidad operativa que los datos estructurados no capturan.
DHL anunció en Q3 2024 su programa piloto con IA generativa para planificación logística, reportando una reducción del 15% en tiempos de respuesta a excepciones. Maersk ha integrado LLMs en su plataforma de visibilidad de supply chain para interpretar automáticamente documentos de transporte en 12 idiomas.
Predicción de demanda con señales no convencionales
Los modelos clásicos de predicción de demanda (Prophet, ARIMA, LSTM) usan datos históricos de ventas, estacionalidad y tendencia. Son buenos. Pero son ciegos a señales que no están en la serie temporal: un competidor que anuncia un recall de producto, un cambio regulatorio que afecta a una categoría, una tendencia viral en redes sociales.
Los LLMs pueden procesar estas señales no estructuradas y generar ajustes cualitativos sobre la predicción cuantitativa. “El modelo predice 10.000 unidades para julio. Sin embargo, el nuevo reglamento de embalaje que entra en vigor el 1 de julio podría reducir la demanda un 10-15% según los patrones observados en regulaciones similares.” El operador tiene una predicción numérica y un contexto razonado para decidir.
¿Es esto mejor que un analista experimentado? No necesariamente. Pero escala. Un analista puede monitorizar 50 SKUs. Un sistema con LLM puede monitorizar 50.000 y alertar solo cuando detecta señales relevantes.
Gestión de excepciones
Aquí es donde la IA generativa genera el mayor ROI inmediato. Las excepciones logísticas (retrasos, daños, documentación incorrecta, cambios de último minuto) consumen entre el 20% y el 40% del tiempo del equipo de operaciones. Son problemas semi-estructurados: cada excepción es diferente en los detalles pero similar en la estructura.
Un sistema basado en LLM puede:
- Clasificar la excepción automáticamente (retraso, daño, falta de documentación, otro)
- Contextualizar consultando el histórico del cliente, el transitario y la ruta
- Proponer una resolución basada en precedentes similares
- Comunicar generando el email al cliente y al proveedor con los detalles correctos
No es autonomía total. El operador revisa y aprueba. Pero en lugar de dedicar 15 minutos a cada excepción (investigar, decidir, redactar), dedica 2 minutos a revisar y confirmar. Con 30 excepciones diarias, son 6.5 horas recuperadas por día por operador.
Las limitaciones que nadie menciona en las presentaciones
Alucinaciones en datos críticos: un LLM que inventa un número de tracking, un peso o una fecha de entrega es peor que no tener LLM. La mitigación es obligatoria: RAG (Retrieval Augmented Generation) para anclar las respuestas a datos verificados, validación de datos críticos contra fuentes autoritativas, y nunca enviar comunicaciones al cliente sin validación humana o automatizada de los datos factuales.
Coste de tokens a escala: procesar 10.000 emails de excepciones al mes con GPT-4 cuesta aproximadamente 200-400 EUR mensuales en tokens. Procesar documentos de transporte completos (20-30 páginas por expediente) puede multiplicar esa cifra por 10. Los modelos más pequeños y especializados (fine-tuned Llama, Mistral) reducen costes pero requieren inversión en entrenamiento.
Latencia: un operador que espera 8 segundos a que el LLM genere una respuesta pierde la fluidez del workflow. Las respuestas críticas necesitan latencia sub-segundo, lo que descarta los modelos más grandes para uso interactivo y empuja hacia modelos más pequeños o respuestas pre-cacheadas.
Integración con sistemas existentes: el LLM no sirve de nada aislado. Necesita acceso al TMS, al WMS, al ERP, al email, al CRM. Construir los conectores y mantenerlos es donde se concentra el 70% del esfuerzo de implementación.
Qué esperar en los próximos 12 meses
La madurez de agentes autónomos (sistemas que no solo recomiendan sino que ejecutan acciones) avanza rápidamente. Antes de abril de 2026, esperamos ver en producción agentes logísticos que:
- Renegocien tarifas con transitarios automáticamente cuando detecten desviaciones de mercado
- Generen y envíen documentación aduanera completa para envíos recurrentes
- Replanifiquen cargas ante incidencias sin intervención humana para escenarios de bajo riesgo
La logística, con su combinación de datos estructurados, comunicación no estructurada y decisión bajo incertidumbre, es uno de los sectores donde la IA generativa genera mayor impacto operativo. Pero la implementación exitosa requiere ingeniería de datos sólida, integración con sistemas legacy, y una dosis saludable de escepticismo frente a las demos que solo muestran el caso feliz.
Si tu operación logística está evaluando IA generativa, nuestro equipo de IA y machine learning implementa soluciones con LLMs en producción para el sector logístico. Desde gestión de excepciones hasta documentación automatizada, consulta nuestra guía de automatización logística para un roadmap completo. Y para la optimización de rutas con datos reales, nuestro artículo sobre algoritmos y resultados de optimización de rutas detalla la ingeniería detrás de estos sistemas.
