En breve: un almacén adaptativo es aquel que observa lo que ocurre, interpreta el contexto, decide qué hacer y modifica su comportamiento sin necesitar que todas las situaciones hayan sido programadas de antemano. La diferencia con el almacén automatizado no está en el número de robots, sino en esa capacidad de adaptarse.
La próxima frontera logística no consiste en automatizar más, sino en conectar inteligencia y acción.
Por José Luis Casal, advisor de TLSI y Managing Director de CIONET Industry X.
Hasta ahora hemos podido dibujar con relativa claridad la frontera entre una persona y una máquina dentro de un almacén. El SGA decidía determinadas reglas, el operario ejecutaba muchas de ellas y los sistemas automáticos realizaban aquellas tareas para las que habían sido específicamente diseñados. Una cinta transportaba. Un sorter clasificaba. Un transelevador almacenaba y recuperaba. Un AMR llevaba una carga desde un punto hasta otro siguiendo una lógica de navegación cada vez más sofisticada.
Está claro, ¿no? Pues ese mapa empieza a complicarse. La inteligencia artificial está abandonando progresivamente la pantalla para entrar en la operación física. Ya no hablamos únicamente de algoritmos capaces de mejorar una previsión o de herramientas generativas que permiten consultar un sistema utilizando lenguaje natural. Empiezan a aparecer agentes que interpretan una situación, comparan alternativas, recomiendan una acción y, dentro de determinados límites, pueden ejecutarla. Al mismo tiempo, la robótica incorpora percepción, aprendizaje y una capacidad de adaptación muy superior a la automatización tradicional.
La consecuencia puede parecer una evolución tecnológica más. Pero es bastante más importante, porque estamos pasando lentamente del almacén automatizado al almacén adaptativo.
Y la diferencia entre ambos no está en el número de robots. Está en la capacidad del sistema para observar lo que ocurre, interpretar el contexto, decidir qué hacer y modificar su comportamiento sin necesitar que todas las situaciones hayan sido programadas de antemano.
Gartner acaba de describir este momento como un punto de inflexión para la IA en warehousing. Su análisis distingue cuatro evoluciones que ya empiezan a convivir: sistemas tradicionales de optimización enriquecidos con mejores datos; inteligencia generativa aplicada directamente a la operación; agentes capaces de recomendar o ejecutar parcialmente flujos de trabajo; y, finalmente, physical AI agents, donde inteligencia, sensores y robótica se combinan para actuar sobre el mundo físico.
Lo interesante no es tanto la taxonomía como lo que revela. La IA está empezando a cerrar el círculo entre percibir, decidir y actuar… Y en logística ese círculo importa mucho.
El almacén adaptativo: el salto de automatizar a adaptarse
La automatización logística clásica es extraordinariamente buena cuando el problema puede definirse con precisión. Sabemos qué entra, qué tiene que ocurrir, cuáles son las excepciones y cuál debe ser la salida. Diseñamos reglas, instalaciones y software alrededor de ese escenario y obtenemos niveles de productividad, fiabilidad y repetibilidad imposibles de conseguir manualmente.
El problema es que la logística real tiene la mala costumbre de no comportarse siempre como el escenario para el que fue diseñada. La demanda cambia. Llegan pedidos urgentes. Se retrasa un camión. Una zona empieza a congestionarse. Falta un operario. Un robot queda fuera de servicio. Un SKU que tenía poca rotación empieza inesperadamente a crecer. El espacio utilizado por determinadas referencias deja de ser el adecuado. El flujo previsto por ingeniería seis meses atrás ya no coincide exactamente con el que está ocurriendo esta mañana.
Y ahí aparece el verdadero potencial de la siguiente generación de sistemas. MIT publicó este año un ejemplo muy ilustrativo desarrollado junto con Symbotic. En un almacén con grandes flotas de robots, uno de los problemas más complejos no es conseguir que cada robot encuentre su camino, sino evitar que las decisiones individuales produzcan congestiones colectivas. Los investigadores desarrollaron un sistema basado en deep reinforcement learning que aprende qué robots deben recibir prioridad en cada momento y puede anticiparse a determinados atascos antes de que lleguen a formarse.
Ese ejemplo me interesa porque muestra el cambio conceptual, e invita a preguntarse cómo conseguimos que el sistema modifique continuamente la manera en que organiza miles de movimientos en función de lo que está ocurriendo.
No es lo mismo. Un sistema automatizado ejecuta. Un sistema adaptativo interpreta y reconfigura.
Del SGA como gestor al SGA como cerebro de orquestación
Y claro, esto también obliga a repensar el papel del SGA/WMS.
No creo que la llegada de agentes vaya a hacer irrelevantes los sistemas de gestión de almacén. Más bien ocurrirá lo contrario: cuanto más autónoma sea la operación, más importante será disponer de una arquitectura capaz de mantener una única realidad operacional, unas reglas claras y una gobernanza consistente.
Pero su función puede evolucionar.
Históricamente hemos pedido al SGA que administre inventario, ubicaciones, olas, tareas, reposiciones, prioridades o reglas de preparación. La nueva capa de inteligencia puede convertir parte de esa lógica en algo bastante más dinámico.
Pensemos en una situación relativamente sencilla. Un pedido de alta prioridad necesita salir en veinte minutos. Faltan dos referencias. Una está en reserva y requiere reposición. Otra acaba de entrar por recepción pero todavía no ha completado todo el proceso habitual de dock-to-stock. Al mismo tiempo, una zona del almacén tiene una carga de trabajo anormal y varios AMR empiezan a concentrarse allí.
Un sistema tradicional puede tener reglas para cada una de esas circunstancias. En cambio, un entorno agéntico podría intentar interpretar todas simultáneamente.
Podría analizar inventario, capacidad disponible, situación del transporte, prioridad del cliente, posición de los robots, carga de las estaciones y riesgo de incumplir el SLA; proponer un cambio en la secuencia de preparación, adelantar una reposición, reasignar recursos y recalcular el movimiento interno.
Ahí empieza una logística diferente. El World Economic Forum habla ya de agentic supply chains: redes donde agentes de IA pueden percibir, razonar, negociar y ejecutar decisiones operativas entre distintos sistemas y organizaciones. Y pone sobre la mesa que cuando esas decisiones empiezan a afectar al comercio real, la gobernanza deja de ser una cuestión secundaria. Porque una cosa es que la IA nos recomiende qué hacer. Otra bastante distinta es permitirle hacerlo.
El verdadero salto llegará cuando el software pueda mover materia
Ahí entra la llamada physical AI. El término puede parecer una nueva etiqueta para algo que la logística lleva muchos años haciendo con robótica. Pero existe una diferencia relevante.
Un robot industrial tradicional ejecuta con enorme precisión tareas previamente definidas. La ambición de la physical AI es construir máquinas capaces de percibir un entorno menos estructurado, interpretar situaciones nuevas y adaptar su comportamiento.
El World Economic Forum sitúa precisamente la supply chain entre los terrenos con mayor potencial para esta evolución y señala que la infraestructura necesaria empieza a existir gracias a la combinación de robótica, visión, automatización de almacenamiento y grandes cantidades de datos operativos.
La diferencia se ve con claridad en tareas que históricamente han sido difíciles de automatizar.
Despaletizar cajas idénticas y perfectamente colocadas es un problema relativamente controlable. Hacerlo con cajas de geometrías diferentes, deformadas, parcialmente ocultas o colocadas de forma impredecible requiere percepción tridimensional, planificación del movimiento y capacidad de reaccionar cuando la realidad no coincide con lo esperado. Lo mismo ocurre en picking, clasificación, carga y descarga o manipulación de objetos irregulares.
La frontera se está desplazando precisamente hacia esos entornos.
NVIDIA acaba de mostrar sistemas robóticos capaces de aprender determinadas tareas físicas a partir de demostraciones en vídeo, combinando modelos fundacionales, simulación y aprendizaje en contexto. Todavía estamos lejos de robots universales capaces de hacer cualquier cosa dentro de un almacén, pero la dirección es significativa: la robótica empieza a adquirir algo que la automatización industrial siempre tuvo dificultades para conseguir, adaptabilidad.
Y cuando esa capacidad física se conecte con agentes digitales, el cambio será mayor. Un agente podrá detectar un problema. Otro podrá encontrar una alternativa. El sistema podrá reorganizar las prioridades. Y una máquina podrá ejecutar físicamente la decisión. Ese es el circuito completo.
El error sería empezar por el robot
Pero precisamente porque la tecnología está avanzando deprisa, existe el riesgo de volver a cometer un error muy conocido en transformación digital. Ya sabéis, empezar por la solución en lugar de empezar por el problema.
Gartner recomienda algo bastante menos espectacular que llenar inmediatamente los almacenes de agentes autónomos. Comenzar por casos de uso probados, como previsión de carga de trabajo, slotting, asignación de recursos, optimización…, y avanzar hacia IA generativa y autonomía allí donde exista un problema operacional claro y un retorno identificable.
Y, sin duda, es un consejo especialmente importante.
Un robot extraordinario aplicado al proceso equivocado sigue siendo una mala inversión. Un agente inteligente conectado a datos deficientes seguirá tomando decisiones deficientes… Y automatizar una excepción que deberíamos haber eliminado del proceso no la convierte en una buena excepción.
Antes de hablar de physical AI habría que volver a algunas preguntas bastante menos sofisticadas.
¿Dónde tenemos realmente el cuello de botella? ¿Qué variabilidad está limitando el throughput? ¿Por qué cae el UPH? ¿Qué está deteriorando el dock-to-stock? ¿Dónde se generan los tiempos de espera? ¿Qué decisiones consumen hoy demasiado tiempo humano? ¿Qué porcentaje de las incidencias necesita realmente criterio y qué porcentaje responde a patrones repetitivos?
La IA cambia las herramientas. No elimina la necesidad de entender la operación.
El almacén autónomo no puede ser una caja negra
Existe además una cuestión de confianza. La logística funciona sobre un delicado equilibrio entre velocidad y control. Un error en un chatbot puede producir una respuesta absurda. Un error en un sistema que asigna una carga, mueve un robot, prioriza un pedido o modifica inventario tiene consecuencias operativas. Por eso la autonomía deberá ganarse.
MIT Sloan distingue claramente la IA agéntica de los asistentes generativos tradicionales: hablamos de sistemas que pueden percibir información, razonar, utilizar herramientas y realizar acciones con una supervisión humana variable. Precisamente por eso insiste en la necesidad de arquitectura, seguridad, observabilidad y límites claros.
En un almacén eso significa saber qué decisiones puede tomar automáticamente un sistema y cuáles necesitan autorización. Significa registrar por qué se realizó una acción, poder reconstruirla después y disponer de mecanismos de parada o reversión.
No toda decisión necesita el mismo nivel de autonomía. Podemos permitir que un agente modifique la secuencia de tareas dentro de ciertos parámetros sin pedir permiso cada vez. Probablemente seamos bastante más prudentes cuando pretenda saltarse controles de calidad, modificar determinadas prioridades comerciales o ejecutar acciones con impacto en seguridad.
Y las personas no desaparecen. Cambia su sitio en el sistema
También aquí conviene escapar del debate fácil sobre humanos frente a robots. La automatización seguirá reduciendo determinadas tareas manuales, especialmente aquellas repetitivas, físicamente exigentes o difíciles de cubrir. Gartner identifica precisamente las restricciones laborales como uno de los factores que están acelerando la automatización de almacenes.
Pero el cambio más interesante puede producirse en el propio trabajo logístico. El planificador que hoy dedica buena parte de su jornada a perseguir información, resolver excepciones y reconstruir manualmente qué ha sucedido puede convertirse cada vez más en un orquestador. El supervisor quizá dedique menos tiempo a asignar tareas y más a entender desviaciones, mejorar reglas y gestionar situaciones para las que el sistema todavía no tiene suficiente contexto.
El World Economic Forum plantea ya esa evolución en supply planning y ve que el profesional pasa progresivamente de estar en la vorágine de la operación a la orquestación, utilizando sistemas capaces de anticipar situaciones y construir alternativas antes de que el problema llegue a materializarse.
Y claro, eso exigirá otras capacidades, más comprensión de datos, más criterio operacional, más capacidad para trabajar con sistemas autónomos, más conocimiento de proceso, no menos.
Porque cuanto más pueda decidir una máquina, más importante será que alguien entienda cuándo no debería hacerlo… y prepararse es algo a lo que no deberíamos esperar.
La verdadera innovación será conectar todas las capas
Quizá por eso no creo que el gran cambio vaya a producirlo un único robot, un nuevo SGA o el próximo modelo de IA. La ventaja aparecerá cuando consigamos conectar inteligentemente todas esas capas.
ERP, SGA, TMS, sistemas de ejecución, sensores, visión artificial, automatización, AMR, robots, digital twins y agentes no deberían convertirse en una nueva colección de silos tecnológicos. La promesa está en otra parte. En construir una operación capaz de recibir señales del mundo real, convertirlas en conocimiento, tomar una decisión y ejecutarla mientras aprende de lo ocurrido.
Ese es el salto desde la automatización hacia la autonomía. Y sí, probablemente sea también la próxima gran conversación de la logística, porque llevamos muchos años preguntándonos cómo conseguir que una máquina haga más cosas, pero la IA también pone sobre la mesa qué ocurre cuando la propia operación empieza a decidir qué necesita hacer.
Y la respuesta no será un almacén sin personas, tampoco será un almacén gobernado enteramente por algoritmos. Si lo hacemos bien, será un sistema en el que personas, software y máquinas sean capaces de coordinarse con mucha más inteligencia que hasta ahora.
Y ahí la métrica relevante no será cuántos robots tenemos ni cuántos agentes hemos desplegado. Será bastante más sencilla. Si movemos más producto, con menos fricción, mejores decisiones y mayor capacidad para adaptarnos cuando las cosas dejan de ocurrir como estaban previstas.
Eso, al final, sigue siendo logística.
José Luis Casal
Managing Director CIONET Industry X & AI.
Senior Advisor en tecnología, innovación e Industria 4.0
Consejero Independiente. Autor y docente.
Advisor TLSI.
Almacén automatizado vs. almacén adaptativo
| Aspecto | Almacén automatizado | Almacén adaptativo |
|---|---|---|
| Qué hace el sistema | Ejecuta las tareas para las que fue diseñado | Interpreta el contexto y reconfigura su comportamiento |
| Ante lo imprevisto | Necesita que la situación esté programada de antemano | Se adapta sin que todas las situaciones estén programadas |
| Punto fuerte | Productividad, fiabilidad y repetibilidad en procesos bien definidos | Respuesta a la variabilidad: demanda, urgencias, congestión, averías |
| Papel del SGA | Gestor de inventario, ubicaciones, olas y tareas | Cerebro de orquestación: una única realidad operacional, reglas claras y gobernanza |
| Papel de las personas | Asignan y ejecutan tareas | Orquestan, entienden desviaciones y mejoran reglas |
Preguntas frecuentes sobre el almacén adaptativo
¿Qué es un almacén adaptativo?
Es un almacén cuyo sistema observa lo que ocurre, interpreta el contexto, decide qué hacer y modifica su comportamiento sin que todas las situaciones se hayan programado antes. Se distingue del almacén automatizado por esa capacidad de adaptación, no por el número de robots.
¿Qué es la physical AI en logística?
Es la combinación de inteligencia artificial, sensores y robótica para construir máquinas que perciben entornos poco estructurados, interpretan situaciones nuevas y adaptan su comportamiento. Un robot industrial tradicional, en cambio, ejecuta con precisión tareas previamente definidas.
¿Sustituirá la IA agéntica al SGA?
No. Cuanto más autónoma sea la operación, más necesaria será una arquitectura que mantenga una única realidad operacional, reglas claras y gobernanza consistente. Lo que cambia es la función del SGA, que pasa de gestor a orquestador.
¿Por dónde debería empezar un almacén?
Gartner recomienda empezar por casos de uso probados, como la previsión de carga de trabajo, el slotting o la asignación de recursos. Después se avanza hacia la IA generativa y la autonomía, solo donde haya un problema operativo claro y un retorno identificable.
Cómo lo trabajamos en TLSI
En TLSI (Técnicas Logísticas Sistemas e Ingeniería) trabajamos en esta línea con el proyecto AI-WHALES, que integra inteligencia artificial en nuestro SGA WHALES con el apoyo de la Agencia Valenciana de la Innovación. Para el primer escalón de esta evolución, la IA generativa dentro del sistema, puedes leer IA generativa en el SGA: qué cambia ya en la gestión de almacenes. Y si quieres ver cómo se aplica a tu operación, contacta con nuestro equipo.