Optimización de rutas con IA: algoritmos y resultados reales

El problema tiene nombre: VRP

El Vehicle Routing Problem (VRP) es uno de los problemas de optimizacion combinatoria mas estudiados en informatica. La version basica: dado un deposito, una flota de vehiculos y un conjunto de clientes, encontrar las rutas que minimicen la distancia total recorrida. La version real: añade ventanas horarias, capacidad de carga, tipos de vehiculo, restricciones de conductores, zonas de emision, preferencias de clientes, y trafico variable por hora del dia.

Es NP-hard. No existe un algoritmo que encuentre la solucion optima en tiempo razonable para problemas de mas de unas decenas de paradas. Lo que si existe son algoritmos que encuentran soluciones muy buenas en segundos. Y “muy buenas” en logistica significa millones de euros de diferencia al ano.

Que algoritmos funcionan en produccion

La investigacion academica sobre VRP llena bibliotecas. En produccion, tres familias de algoritmos dominan:

Metaheuristicas. Algoritmos como Adaptive Large Neighborhood Search (ALNS) y geneticos modificados. Parten de una solucion inicial (a menudo generada por un heuristico simple como nearest neighbor) y la mejoran iterativamente destruyendo y reconstruyendo partes de la solucion. Google OR-Tools implementa varias de estas metaheuristicas y es open source. En nuestra experiencia, OR-Tools resuelve problemas de 500-1.000 paradas en menos de 30 segundos con resultados que estan dentro del 5% del optimo teorico.

Programacion por restricciones. En vez de buscar la mejor solucion, se define el espacio de soluciones validas mediante restricciones (ventana horaria, capacidad, tiempo de conduccion) y se busca la mejor dentro de ese espacio. OptaPlanner (Java) y Google CP-SAT son las herramientas de referencia. Particularmente utiles cuando las restricciones son complejas o cambiantes.

Modelos de ML para prediccion. No resuelven el VRP directamente, pero alimentan los algoritmos con datos mejores. Un modelo que predice el tiempo de viaje entre dos puntos considerando hora del dia, dia de la semana y condiciones meteorologicas produce mejores rutas que usar distancias estaticas de Google Maps. Hemos entrenado modelos de prediccion de trafico con XGBoost sobre datos historicos de GPS de flotas que reducen el error de estimacion de tiempo de viaje del 22% (Google Maps generico) al 8%.

Resultados que hemos medido

Numeros de proyectos reales con empresas de distribucion en España:

Distribucion de alimentacion (Andalucia). 45 vehiculos, 380 entregas diarias, ventanas horarias de 2 horas. Antes: planificacion manual por el jefe de trafico, 6 horas de trabajo diario. Despues: optimizacion automatica en 4 minutos, revision humana de 30 minutos. Resultado: 12% menos kilometros, 18% menos tiempo de ruta total, 8% reduccion en coste de combustible. ROI positivo en 4 meses.

Paqueteria de ultima milla (Madrid). 120 repartidores, 2.400 entregas diarias, alta variabilidad de trafico. La clave fue la prediccion de trafico: el modelo aprende que la M-30 a las 8:30 duplica el tiempo de la M-30 a las 10:00 y ajusta las rutas en consecuencia. Resultado: 9% mas entregas por repartidor al dia, 15% reduccion en entregas fallidas por llegar fuera de ventana horaria.

Distribucion industrial (Levante). 22 vehiculos con restricciones de peso (hasta 24 toneladas), clientes con muelles de carga que requieren cita previa. Aqui la programacion por restricciones fue critica: el algoritmo gestiona citas de muelle como restricciones duras que no se pueden violar. Resultado: 7% reduccion de kilometros, pero el ahorro principal fue en penalizaciones por incumplimiento de cita (reduccion del 85%).

Lo que no resuelve la IA

La optimizacion de rutas con IA no es magia. Hay limitaciones reales:

Datos de entrada. Si tus direcciones de entrega tienen errores, si no registras las ventanas horarias de los clientes, si no sabes el peso real de cada envio, el algoritmo optimiza basura. El 40% del esfuerzo de estos proyectos es limpiar y estructurar los datos de entrada.

Excepciones en tiempo real. Un vehiculo que se averia, un cliente que cancela, un corte de carretera. Los algoritmos pueden reoptimizar, pero necesitan datos en tiempo real y un proceso operativo que los alimente. Sin GPS en los vehiculos y sin un sistema de comunicacion con conductores, la reoptimizacion es teorica.

Factor humano. Los conductores conocen sus rutas. Saben que el callejon de la calle X no cabe un camion de 3 ejes aunque Google Maps diga que si. Saben que el cliente Y abre media hora antes los martes. Ese conocimiento tacito no esta en ningun dato y los mejores implementaciones lo incorporan: el conductor puede marcar restricciones que el algoritmo respeta.

La optimizacion de rutas no es un proyecto de IA. Es un proyecto de operaciones que usa IA como herramienta. La diferencia importa, porque el exito no depende del algoritmo sino de la calidad de los datos, la integracion con los sistemas existentes, y la adopcion por parte del equipo de trafico. Para una vision mas amplia de la automatizacion logistica con IA, consulta nuestra guia completa de automatizacion logistica. Y para entender como la IA generativa complementa estos algoritmos de optimizacion, nuestro articulo sobre IA generativa en logistica cubre la prediccion y la decision autonoma.