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 optimización combinatoria más estudiados en informática. La versión básica: dado un depósito, una flota de vehículos y un conjunto de clientes, encontrar las rutas que minimicen la distancia total recorrida. La versión real: añade ventanas horarias, capacidad de carga, tipos de vehículo, restricciones de conductores, zonas de emisión, preferencias de clientes, y tráfico variable por hora del día.
Es NP-hard. No existe un algoritmo que encuentre la solución óptima en tiempo razonable para problemas de más de unas decenas de paradas. Lo que sí existe son algoritmos que encuentran soluciones muy buenas en segundos. Y “muy buenas” en logística significa millones de euros de diferencia al año.
Qué algoritmos funcionan en producción
La investigación académica sobre VRP llena bibliotecas. En producción, tres familias de algoritmos dominan:
Metaheurísticas. Algoritmos como Adaptive Large Neighborhood Search (ALNS) y genéticos modificados. Parten de una solución inicial (a menudo generada por un heurístico simple como nearest neighbor) y la mejoran iterativamente destruyendo y reconstruyendo partes de la solución. Google OR-Tools implementa varias de estas metaheurísticas y es open source. En nuestra experiencia, OR-Tools resuelve problemas de 500-1.000 paradas en menos de 30 segundos con resultados que están dentro del 5% del óptimo teórico.
Programación por restricciones. En vez de buscar la mejor solución, se define el espacio de soluciones válidas mediante restricciones (ventana horaria, capacidad, tiempo de conducción) y se busca la mejor dentro de ese espacio. OptaPlanner (Java) y Google CP-SAT son las herramientas de referencia. Particularmente útiles cuando las restricciones son complejas o cambiantes.
Modelos de ML para predicción. 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 día, día de la semana y condiciones meteorológicas produce mejores rutas que usar distancias estáticas de Google Maps. Hemos entrenado modelos de predicción de tráfico con XGBoost sobre datos históricos de GPS de flotas que reducen el error de estimación de tiempo de viaje del 22% (Google Maps genérico) al 8%.
Resultados que hemos medido
Números de proyectos reales con empresas de distribución en España:
Distribución de alimentación (Andalucía). 45 vehículos, 380 entregas diarias, ventanas horarias de 2 horas. Antes: planificación manual por el jefe de tráfico, 6 horas de trabajo diario. Después: optimización automática en 4 minutos, revisión humana de 30 minutos. Resultado: 12% menos kilómetros, 18% menos tiempo de ruta total, 8% reducción en coste de combustible. ROI positivo en 4 meses.
Paquetería de última milla (Madrid). 120 repartidores, 2.400 entregas diarias, alta variabilidad de tráfico. La clave fue la predicción de tráfico: 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% más entregas por repartidor al día, 15% reducción en entregas fallidas por llegar fuera de ventana horaria.
Distribución industrial (Levante). 22 vehículos con restricciones de peso (hasta 24 toneladas), clientes con muelles de carga que requieren cita previa. Aquí la programación por restricciones fue crítica: el algoritmo gestiona citas de muelle como restricciones duras que no se pueden violar. Resultado: 7% reducción de kilómetros, pero el ahorro principal fue en penalizaciones por incumplimiento de cita (reducción del 85%).
Lo que no resuelve la IA
La optimización 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 envío, el algoritmo optimiza basura. El 40% del esfuerzo de estos proyectos es limpiar y estructurar los datos de entrada.
Excepciones en tiempo real. Un vehículo que se avería, 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 vehículos y sin un sistema de comunicación con conductores, la reoptimización es teórica.
Factor humano. Los conductores conocen sus rutas. Saben que el callejón de la calle X no cabe un camión de 3 ejes aunque Google Maps diga que sí. Saben que el cliente Y abre media hora antes los martes. Ese conocimiento tácito no está en ningún dato y los mejores implementaciones lo incorporan: el conductor puede marcar restricciones que el algoritmo respeta.
La optimización de rutas no es un proyecto de IA. Es un proyecto de operaciones que usa IA como herramienta. La diferencia importa, porque el éxito no depende del algoritmo sino de la calidad de los datos, la integración con los sistemas existentes, y la adopción por parte del equipo de tráfico. Para una visión más amplia de la automatización logística con IA, consulta nuestra guía completa de automatización logística. Y para entender cómo la IA generativa complementa estos algoritmos de optimización, nuestro artículo sobre IA generativa en logística cubre la predicción y la decisión autónoma.