Insights · IA aplicada
· 3 min de lecturaPrueba la ruta antes de conducirla
La mayoría de los cambios operativos se prueban con clientes reales y personal real. Un modelo pequeño que compara opciones antes de cambiar nada suele ser la mejora más barata disponible, y la IA ha hecho que construirlo sea mucho más rápido.
La mayoría de los cambios operativos se prueban en vivo: cambias las rutas, los turnos o la distribución, y el lunes descubres si funcionó. Un modelo pequeño que compara opciones antes de cambiar nada suele ser la mejora más barata disponible. No tiene que ser perfecto. Tiene que ser mejor que adivinar.
¿Por qué probar los cambios antes de hacerlos?
Porque el mundo real es un laboratorio caro. Cada configuración fallida cuesta tiempo, dinero y la paciencia de las personas que tienen que trabajar con ella. Y cuando los cambios se hacen a mano y se juzgan a ojo, es difícil saber cuáles ayudaron de verdad.
En Amazon Spain era responsable de la planificación de rutas en una red nacional de reparto. Las rutas las configuraban a mano, nodo a nodo, planificadores con experiencia. Funcionaba, pero se quedaba capacidad sin aprovechar, y no había forma de probar otra configuración sin probarla en la carretera.
¿Qué hacía el modelo?
Respondía a una pregunta práctica: con las tiendas, ubicaciones y volúmenes de mañana, y las restricciones reales, ¿cuál es la mejor forma de agrupar las paradas en rutas, y cuántas furgonetas necesitamos?
Las restricciones eran las que los planificadores ya conocían: capacidad de las furgonetas, ventanas de entrega y horas en ruta. El modelo tomaba el plan de un día como entrada y devolvía un conjunto de rutas. Los planificadores podían entonces ejecutar varios escenarios para un nodo, compararlos y cambiar la configuración solo cuando sabían qué opción era mejor.
El modelo estaba escrito en Python. Usé IA para escribir y probar el código mucho más rápido de lo que habría podido solo, sin perder el control de la lógica: cada supuesto era mío, contrastado con lo que los planificadores sabían que era cierto. Esa combinación, conocimiento del dominio más la IA como herramienta de construcción, es lo que hizo viable construirlo a la vez que el trabajo diario de planificación.
¿Qué cambió?
El modelo pasó a formar parte de la rutina semanal de planificación, con paneles de paradas por ruta, utilización de vehículos y tiempo de ruta. Los nodos se reconfiguraron de uno en uno, cada uno después de comparar sus escenarios.
En toda la red, la eficiencia de las rutas subió un 27% y la utilización de los vehículos un 39%. La mayor parte no vino de unas matemáticas ingeniosas, sino de hacer visibles las mejores decisiones antes de tomarlas.
¿Esto solo sirve para logística?
No. Cualquier decisión que consista en organizar recursos limitados con restricciones se puede probar así:
- Turnos: cuántas personas y qué días, para cubrir la demanda sin horas extra.
- Zonas de reparto o de servicio: qué clientes debe cubrir cada equipo o vehículo.
- Distribución de un almacén o taller: dónde va cada cosa para que la gente camine menos.
- Agenda de citas: cómo llenar la capacidad sin largas esperas.
En todos los casos la lógica es la misma: describir las restricciones, generar opciones, compararlas y solo entonces cambiar la operación.
¿Cómo se empieza sin un equipo de datos?
Más pequeño de lo que crees.
- Escribe la decisión y sus restricciones. Una página: qué decides, qué no puedes cambiar y qué significa “mejor” (menos kilómetros, menos horas extra, más trabajos al día).
- Empieza en una hoja de cálculo. Muchas primeras versiones son una tabla de opciones y unas pocas fórmulas. Si te ayuda a comparar dos configuraciones con honestidad, ya es útil.
- Pasa al código cuando la hoja de cálculo se quede corta. Cuando hay demasiadas opciones para listarlas a mano, un script corto en Python puede generarlas y puntuarlas. Con la IA como asistente de programación, esto está ahora al alcance de cualquiera que entienda bien el problema, siempre que revise la lógica.
- Prueba un cambio cada vez. Compara la predicción del modelo con lo que pasó de verdad. Así se gana la confianza en el modelo.
- Conviértelo en rutina. Un modelo usado una vez es un proyecto. Un modelo usado cada semana es una capacidad.
¿Cuál es la lección de fondo?
En operaciones, la IA es más útil no como producto, sino como la herramienta que abarata construir mejores herramientas. El valor está en entender el problema lo bastante bien como para describirlo, y en probar los cambios antes de que tus clientes y tu equipo tengan que vivir con ellos.
Si hay una decisión que tu equipo toma a ojo cada semana, probablemente merece un modelo pequeño. Un proyecto de construcción breve suele bastar para averiguarlo.