La IA generativa ha protagonizado una de las mayores oleadas recientes de adopción tecnológica en las cadenas de suministro. Y la IA agéntica se perfila como la siguiente fase, al permitir conectar los modelos de inteligencia artificial con los sistemas de gestión para coordinar tareas y ejecutar determinadas operaciones.
A partir de esta evolución, la consultora de estrategia de datos e Inteligencia Artificial MIOTI Data & AI Services considera que se han producido cinco tendencias que están marcando la transformación de la inteligencia artificial aplicada a la logística.
Transformando el sector de la logística
La IA generativa reduce la dependencia de datos previamente estructurados en los proyectos de automatización. Uno de los mayores esfuerzos de los proyectos tradicionales de inteligencia artificial ha sido recopilar, limpiar y estructurar los datos antes de poder utilizarlos. En logística, una parte importante de la información procede de llamadas telefónicas, conversaciones, albaranes y otros documentos que no están preparados para alimentar directamente los sistemas empresariales. Los modelos generativos permiten interpretar estos contenidos, extraer información relevante y transformarla en datos operativos, facilitando su incorporación a sistemas de gestión empresarial (ERP) y otras aplicaciones.
La simulación permite entrenar y coordinar robots antes de desplegarlos físicamente. Los sistemas de simulación avanzada pueden reproducir más de un siglo de operaciones logísticas en un periodo mucho más corto, probando virtualmente movimientos, situaciones de congestión y diferentes configuraciones de almacén. Esta capacidad resulta especialmente relevante para flotas de robots que deben intercambiar información continuamente, coordinar sus trayectorias y distribuir tareas sin interferir entre sí. Las simulaciones permiten evaluar su comportamiento colectivo antes de introducir cambios en una instalación real.
Adaptar las infraestructuras puede facilitar la autonomía de los robots. El grado de control del entorno condiciona las posibilidades de automatización. La integración con ascensores, sistemas de acceso y sensores permite automatizar determinadas tareas en edificios compartidos con personas. En espacios más complejos, los drones y la digitalización del terreno proporcionan información para planificar operaciones autónomas.
El transporte autónomo avanza hacia corredores especializados y distribución multimodal. En las propuestas para automatizar el transporte de mercancías también se debe separar los trayectos según su complejidad. En la última milla también se están explorando combinaciones de furgonetas autónomas, robots de reparto, taquillas inteligentes y redes de transporte público. Entre las propuestas más innovadoras figura utilizar infraestructuras ferroviarias durante horarios de baja ocupación para trasladar robots o mercancías entre zonas urbanas. Son soluciones con distintos grados de desarrollo, cuya viabilidad dependerá de la regulación, la coordinación entre sistemas y los costes de transferencia. Su implantación también puede modificar las necesidades de personal hacia funciones de supervisión, mantenimiento y gestión de incidencias.
El aprendizaje por imitación convierte el conocimiento de los trabajadores en datos para la IA física. Los avances en IA física permiten entrenar robots mediante demostraciones humanas, utilizando información visual y registros de movimientos para aprender determinadas tareas de manipulación. Las grabaciones de una operación permiten reconstruir procedimientos, analizar cómo se ejecutan las tareas e identificar movimientos innecesarios que no aparecen en los sistemas de gestión. Esa información puede servir posteriormente para mejorar procesos o preparar datos de entrenamiento robótico.
SÍNTESIS AUTOMÁTICA (IA)
La evolución de la IA está transformando el sector logístico a través de cinco tendencias: reducción de la dependencia de datos previamente estructurados en los proyectos de automatización; la simulación, que permite entrenar y coordinar robots antes de desplegarlos físicamente; la posibilidad de adaptar las infraestructuras para facilitar la autonomía de los robots; el transporte autónomo, que avanza hacia corredores especializados y distribución multimodal; y el aprendizaje por imitación, que convierte el conocimiento de los trabajadores en datos para la IA física.
