Inteligencia artificial en el almacén: aplicaciones que ya funcionan y cómo evaluarlas

- La inteligencia artificial en el almacén funciona cuando resuelve una tarea concreta con un indicador medible: previsión de volumen, ubicación de referencias, asignación de tareas, visión artificial o mantenimiento.
- La adopción crece deprisa: según el INE, el 33,6 % de las empresas españolas de 10 o más empleados usó IA en el primer trimestre de 2026, frente al 21,1 % un año antes.
- En la cadena de suministro va por detrás: el informe anual de MHI recoge que solo el 28 % de los responsables usa IA hoy, aunque el 82 % espera usarla en cinco años.
- El reglamento europeo de IA ya obliga: las prohibiciones y la alfabetización en IA se aplican desde el 2 de febrero de 2025, según la Comisión Europea.
- El retorno se calcula con la misma disciplina que cualquier inversión: línea base medida, ahorro que de verdad se materializa y coste recurrente de la herramienta y de sus datos.
La inteligencia artificial en el almacén ya no es una promesa de feria. Hay aplicaciones que funcionan en operación diaria y otras que siguen siendo demostraciones. La diferencia casi nunca está en el algoritmo, sino en los datos, en el indicador que se quiere mover y en quién actúa sobre la recomendación.
Una IA útil en logística no lo decide todo. Hace una tarea concreta mejor o más rápido que una regla fija: prever el volumen de mañana, proponer dónde colocar una referencia, ordenar tareas según prioridades o detectar un palé mal paletizado en una imagen.
En este artículo repasamos qué aplicaciones están maduras, qué datos necesita cada una, cómo calcular si compensan, qué exige el reglamento europeo y qué preguntar al proveedor antes de firmar. Al final hay un ejemplo con supuestos y la fórmula a la vista.
Dónde está la adopción de la IA en empresas y en logística
El uso de la IA en las empresas crece rápido. Según Eurostat, en 2025 el 20,0 % de las empresas de la UE con 10 o más empleados usaba tecnologías de IA, frente al 13,5 % de 2024. El uso más común era analizar lenguaje escrito, con un 11,8 %.
En España el salto es mayor. La encuesta del INE sobre uso de TIC del primer trimestre de 2025 situó el uso de IA en el 21,1 % de las empresas de 10 o más empleados, 8,7 puntos más que el año anterior. Un año después, la nota del INE del primer trimestre de 2026 lo eleva al 33,6 %, con un 29,1 % en la industria y un 38,2 % en servicios.
Ojo con leer estas cifras como uso en operaciones. Gran parte de ese crecimiento corresponde a herramientas de texto y de oficina. En la cadena de suministro la foto es más prudente: el informe anual de MHI, con más de 700 responsables encuestados, indica que solo el 28 % usa IA hoy, aunque el 82 % espera usarla en cinco años.
La conclusión práctica: hay mucho interés y poca operación real. Eso abre espacio a proyectos con sentido, pero también a ofertas que venden la palabra IA sin un resultado medible detrás.
Aplicaciones que ya funcionan en el almacén
Estas son las aplicaciones con resultados contrastables en operación. Todas tienen algo en común: una entrada de datos clara, una salida concreta y una persona o un sistema que actúa sobre ella.
- Previsión de volumen: estima líneas, pedidos o palés por día y por franja para dimensionar turnos. El detalle está en Previsión de demanda en el almacén: del histórico de pedidos a los turnos.
- Ubicación por rotación: recalcula dónde debe ir cada referencia según rotación, afinidad entre productos y volumen. Lo explicamos en Slotting almacén: cómo ubicar cada referencia por rotación, COI y afinidad para caminar menos.
- Asignación y secuencia de tareas: ordena preparación, reposición y ubicación en tiempo real según prioridades de salida y carga de cada zona.
- Visión artificial: lectura de etiquetas dañadas, detección de palés mal formados, conteo de bultos y control de daños en recepción.
- Mantenimiento predictivo: detecta desviaciones en motores, rodamientos o baterías antes de la avería, como contamos en Mantenimiento predictivo en robots: qué medir, cómo empezar y cómo calcular si compensa.
- Agentes de software: consultan el WMS, detectan incidencias, preparan informes y proponen acciones al responsable, que decide.
Lo que todavía no funciona bien es la IA que pretende sustituir al WMS o al responsable de operaciones. Un almacén necesita reglas deterministas para lo que no admite error, como la trazabilidad de lotes o el control de stock, y la IA encaja encima, como apoyo a la decisión.
Tabla comparativa: qué exige cada aplicación
Antes de elegir, conviene comparar las aplicaciones con criterios de ingeniería y no por lo llamativas que sean.
| Aplicación | Datos mínimos | Indicador que mueve | Dónde se integra | Riesgo principal |
|---|---|---|---|---|
| Previsión de volumen | Histórico diario de pedidos y líneas, calendario de campañas | Horas planificadas frente a horas necesarias | Planificación de turnos | Histórico corto o con rupturas de negocio |
| Ubicación por rotación | Maestro de artículos con dimensiones, histórico de líneas por referencia | Recorrido por línea, líneas por hora | WMS, órdenes de reubicación | Coste de mover stock mayor que el ahorro |
| Asignación de tareas | Tareas en tiempo real, prioridades de salida, estado de recursos | Cumplimiento de corte de expedición | WMS o WES | Reglas opacas que nadie entiende |
| Visión artificial | Imágenes etiquetadas del caso real, iluminación estable | Errores detectados, lecturas fallidas | Recepción, transportadores, expedición | Falsos positivos que paran la línea |
| Mantenimiento predictivo | Señales de equipos con historial de averías | Paradas no planificadas | Mantenimiento, SCADA | Pocas averías para aprender |
| Agentes de software | Acceso de lectura al WMS y a indicadores | Tiempo de análisis, incidencias resueltas | Correo, informes, cuadro de mando | Acciones sin revisión humana |
Si no tienes el dato mínimo de una fila, esa aplicación no es tu primer proyecto.
Datos: la condición que decide el resultado
La IA aprende de lo que ha pasado. Si el histórico está incompleto, mezclado o mal codificado, el modelo aprende los errores. Por eso el primer trabajo de un proyecto serio es revisar los datos, no entrenar el modelo.
Lo mínimo que comprobamos:
- Maestro de artículos completo: dimensiones, peso, unidad de manipulación y unidad de venta.
- Histórico de movimientos con fecha y hora, al menos de un ciclo anual completo con su campaña.
- Ubicaciones codificadas de forma única y coherente entre el WMS y la realidad física.
- Incidencias registradas con causa, no solo con un texto libre.
- Cortes de negocio identificados: un cliente nuevo, un cierre de canal o un cambio de surtido rompen el histórico.
El segundo filtro es la integración. Una recomendación que vive en una hoja aparte y nadie aplica no mejora nada. La salida del modelo tiene que llegar al sistema que ejecuta: el WMS, el WES o la planificación de turnos.
El tercer filtro es el dueño. Cada aplicación necesita una persona que mire el indicador cada semana, decida cuándo el modelo se equivoca y pida su ajuste. Sin ese papel, el rendimiento se degrada en silencio.
Qué exige el reglamento europeo de IA
El Reglamento (UE) 2024/1689, conocido como reglamento europeo de IA, clasifica los sistemas por nivel de riesgo. Según la Comisión Europea, entró en vigor el 1 de agosto de 2024 y es aplicable desde el 2 de agosto de 2026, con excepciones. Las prácticas prohibidas y las obligaciones de alfabetización en IA se aplican desde el 2 de febrero de 2025. Tras el acuerdo político sobre la simplificación del reglamento, las obligaciones de alto riesgo de los casos del anexo III se han aplazado al 2 de diciembre de 2027, y las de productos del anexo I al 2 de agosto de 2028.
Para un almacén, la mayoría de usos son de riesgo mínimo: una previsión de volumen o un modelo de ubicación no tienen obligaciones específicas. El punto delicado es la gestión de personas. La Comisión cita las herramientas de IA para la gestión de trabajadores entre los usos de alto riesgo. Si un sistema asigna tareas según el comportamiento individual o evalúa el rendimiento de cada operario, hay que revisarlo con detalle antes de implantarlo.
Sobre la formación, la guía de preguntas y respuestas de la Comisión aclara que no hace falta un certificado y que basta con registros internos de la formación impartida. En prevención también hay trabajo: según la encuesta ESENER 2024 de EU-OSHA, las evaluaciones de riesgos cubren el uso de tecnologías digitales en el 43 % de los lugares de trabajo de la UE, y en España superan el 60 %. Una IA que marca el ritmo de trabajo debe entrar en esa evaluación.
En España, además, el comité de empresa tiene derecho a ser informado de los parámetros de los algoritmos que afectan a las condiciones de trabajo. El análisis completo del reglamento está en Reglamento europeo de IA: qué cambia para la industria y la logística tras el Omnibus de 2026.
¿Qué aplicación de IA movería de verdad un indicador de tu almacén?
Con tu histórico de pedidos, ubicaciones y turnos revisamos la calidad de tus datos y calculamos qué aplicación de inteligencia artificial compensa en tu almacén, con supuestos escritos y sin vender tecnología que no necesitas.
Habla con nuestra ingenieríaEjemplo con supuestos: previsión de volumen para dimensionar turnos
Ejemplo con supuestos. Las cifras de volumen, productividad y precisión son hipotéticas y sirven solo para ilustrar el cálculo; no son datos de un cliente ni resultados garantizados.
Supuestos:
- Volumen medio V = 8.000 líneas al día, 250 días al año.
- Productividad media P = 100 líneas por hora y persona.
- Hoy el responsable planifica con una regla fija y añade un colchón de horas igual al error medio de su previsión, e1 = 20 %.
- Con un modelo de previsión, el error medio baja a e2 = 12 %. Es un supuesto, no una promesa: el error real se mide en una prueba con el histórico propio.
- Coste por hora: el coste por hora efectiva que publica el INE para el segundo trimestre de 2026, 26,18 euros.
- Solo el 70 % de las horas de colchón evitadas se convierte en ahorro real, porque los contratos y las jornadas no se ajustan hora a hora.
Paso 1. Horas necesarias al día H = V ÷ P = 8.000 ÷ 100 = 80 horas.
Paso 2. Colchón actual = H × e1 = 80 × 0,20 = 16 horas al día. Colchón con el modelo = H × e2 = 80 × 0,12 = 9,6 horas al día.
Paso 3. Horas evitadas al año = (16 − 9,6) × 250 = 1.600 horas.
Paso 4. Ahorro bruto = 1.600 × 26,18 = 41.888 euros al año.
Paso 5. Ahorro realizable = 41.888 × 0,70 = 29.321,60 euros al año.
Fórmula completa: Ahorro anual = (V ÷ P) × (e1 − e2) × días × coste hora × factor de realización.
Paso 6. Coste máximo admisible. Si la dirección exige recuperar en dos años una puesta en marcha de 20.000 euros, supuesta, la cuota anual de la herramienta, más el tiempo interno para mantenerla, no puede superar 29.321,60 − 20.000 ÷ 2 = 19.321,60 euros.
Prueba de estrés: si el error solo baja del 20 % al 17 %, las horas evitadas caen a 600 al año y el ahorro realizable a unos 11.000 euros. El mismo proyecto deja de compensar. Por eso el error del modelo se mide antes de firmar, con tus datos. Si quieres hacer este cálculo con tu histórico, pide tu estudio gratuito y lo revisamos contigo.
Errores habituales al implantar IA en el almacén
- Empezar por la herramienta y buscar después el problema. El orden correcto es indicador, datos, aplicación.
- No medir la línea base. Sin saber cuánto se equivoca hoy la planificación, nadie puede demostrar la mejora.
- Comprar una demostración. El modelo debe probarse con el histórico propio y en periodo de campaña, no con datos de ejemplo.
- Contar ahorros que no se materializan: horas de colchón que siguen pagándose o recorridos que se acortan sin aumentar la salida.
- Olvidar el coste de mover stock. Una reubicación masiva para seguir al modelo puede costar más que lo que ahorra.
- Dejar que la IA actúe sin revisión en tareas con impacto en personas, clientes o seguridad.
- No prever la degradación. Un cambio de surtido o de canal deja el modelo obsoleto si nadie lo reentrena.
Un apunte sobre agentes de software: son útiles para leer, resumir y proponer. La decisión de ejecutar una acción, como liberar una oleada o cambiar una prioridad, debe quedar en una persona o en una regla validada. El enfoque está en Agentes de IA en operaciones logísticas: del informe a la acción, con control.
Checklist: qué preguntar al proveedor antes de decidir
- Qué indicador concreto mejora la aplicación y cómo se medirá antes y después.
- Qué datos necesita, con qué formato, con qué antigüedad mínima y quién los prepara.
- Si la prueba se hace con nuestro histórico y qué error obtuvo el modelo en ella.
- Cómo se integra con nuestro WMS o ERP: interfaz, frecuencia y qué pasa si la conexión cae.
- Qué hace el sistema cuando no tiene confianza en su resultado y cómo lo comunica.
- Quién puede ver y modificar los parámetros, y si las recomendaciones son explicables para el responsable.
- Dónde se procesan y almacenan los datos, quién accede a ellos y qué pasa con ellos al terminar el contrato.
- Cada cuánto se reentrena el modelo, quién lo hace y con qué coste.
- Cómo clasifica el proveedor el sistema según el reglamento europeo de IA y qué documentación entrega.
- Coste completo: puesta en marcha, cuota, horas internas, reentrenamiento y salida.
Si el proveedor no puede contestar con precisión a la mitad de estas preguntas, el proyecto todavía no está maduro.
Cómo lo resolvemos en Shuttlia
Nuestro método parte de la operación y no de la tecnología:
- Datos de la operación: analizamos el histórico de movimientos, pedidos, referencias, turnos y ubicaciones, y revisamos su calidad antes de proponer nada.
- Layout y simulación: modelamos la operación con tus datos para ver dónde una decisión más inteligente mueve de verdad el indicador, y dónde basta con una regla bien diseñada.
- Propuesta cerrada con rango de inversión, con los supuestos escritos y el ahorro separado entre lo medible y lo potencial.
- Integración con tu ERP o WMS, para que la recomendación llegue a quien ejecuta, y servicio posventa con soporte y ajustes.
Si la conclusión es que tu almacén necesita antes ordenar datos o procesos que añadir IA, también te lo decimos. Para saber qué aplicación tiene sentido en tu caso, pide tu estudio gratuito y lo vemos con tus datos.
Conclusión
La inteligencia artificial en el almacén funciona cuando se trata como lo que es: una herramienta para mejorar un indicador concreto. La adopción crece deprisa en las empresas, pero en operaciones logísticas todavía hay más intención que uso real.
El camino es poco vistoso y muy eficaz: elegir un problema con dueño, revisar los datos, probar con el histórico propio, integrar la salida en el sistema que ejecuta y medir el resultado. Con el reglamento europeo ya en aplicación, conviene además documentar qué hace cada sistema y formar a quien lo usa.
¿Lo aplicamos a tu almacén?
Cuéntanos tus palés, referencias y picos. Te devolvemos sin coste el cuello de botella, la solución que encaja y un rango de inversión.
Pide tu estudio gratuitoPreguntas frecuentes
¿Necesito cambiar de WMS para usar inteligencia artificial?
No necesariamente. Muchas aplicaciones, como la previsión de volumen o la ubicación por rotación, se conectan al WMS existente mediante interfaces de lectura y escritura. Lo que sí hace falta es que el WMS tenga datos fiables y permita recibir órdenes, como reubicaciones o prioridades. Si no los tiene, el problema es previo a la IA.
¿Por qué aplicación de IA conviene empezar?
Por la que tenga datos disponibles, un indicador claro y una persona responsable de él. En muchos almacenes es la previsión de volumen para turnos, porque el histórico de pedidos suele existir y el ahorro en horas se mide con facilidad. La ubicación por rotación es otra buena candidata si el maestro de artículos está completo.
¿Qué pasa con los datos y la privacidad?
Hay que definir dónde se procesan, quién accede y qué ocurre con ellos al terminar el contrato. Si el sistema trata datos de trabajadores, se aplican además la normativa de protección de datos y, según el uso, las obligaciones del reglamento europeo de IA. El comité de empresa tiene derecho a ser informado de los algoritmos que afectan a las condiciones de trabajo.
¿Un sistema de asignación de tareas es de alto riesgo?
Depende de cómo funcione. Ordenar tareas según prioridades de pedido y capacidad de cada zona es, en general, un uso de bajo riesgo. Si el sistema asigna tareas según el comportamiento individual o evalúa el rendimiento de cada persona, entra en el terreno de la gestión de trabajadores que la Comisión cita como alto riesgo, y conviene revisarlo con un especialista.
¿Cuánto histórico necesita un modelo de previsión?
Como referencia práctica, al menos un ciclo anual completo, con su campaña, para que el modelo vea la estacionalidad. Más importante que la longitud es que el histórico no tenga rupturas sin identificar, como un cliente nuevo o un cambio de canal. Si las hay, se marcan para que el modelo no las confunda con tendencia.
¿Cómo se demuestra que la IA ha mejorado el almacén?
Midiendo el mismo indicador antes y después, con el mismo método y en periodos comparables. Lo ideal es una prueba en paralelo, en la que el modelo propone y se compara con la planificación habitual durante varias semanas. Si la mejora no aparece en el indicador acordado, no hay mejora, aunque la herramienta funcione.
Fuentes
- Eurostat - 20% of EU enterprises use AI technologies (11-12-2025)
- INE - Encuesta sobre el uso de TIC y del comercio electrónico en las empresas, primer trimestre de 2026
- INE - Encuesta sobre el uso de TIC y del comercio electrónico en las empresas, primer trimestre de 2025
- MHI Solutions - Digital investments cover end-to-end supply chains (MHI Annual Industry Report 2025)
- Comisión Europea - AI Act: marco regulador de la inteligencia artificial
- Comisión Europea - AI literacy: questions and answers
- EU-OSHA - Primeros resultados de la encuesta ESENER 2024
- INE - Encuesta Trimestral de Coste Laboral, segundo trimestre de 2026

