en esta ocasión os voy a escribir más concretamente sobre cómo gestionaríamos un almacén con un nivel de stock obsoleto considerablemente alto y de baja rotación.
Mediante la ayuda de la inteligencia artificial y en un plazo de un año, haciendo una serie de inversiones y de mejoras, lograríamos hacer rentable ese stock. Este informe es ficticio, pero nos daría una idea básica de cómo implementar esta tecnología en este tipo de empresas.
Informe de Stock Obsoleto y Plan de Mejora con IA
Mayo 2026
Ref: LOG-2026-047
INFORME DE GESTIÓN LOGÍSTICA
ANÁLISIS DE STOCK OBSOLETO Y PLAN DE MEJORA
MEDIANTE INTELIGENCIA ARTIFICIAL
Horizonte temporal: 12 meses | Ejercicio 2026–2027
Elaborado por:
Vidal Gamonales
Gestor Logístico — Almacén Central
Empresa:
AutoParts Ibérica S.L.
Sector: Recambios y Componentes de Vehículos
Destinatarios:
Dirección General / Dirección de Operaciones
Clasificación:
CONFIDENCIAL — Uso interno
1. RESUMEN EJECUTIVO
El presente informe ha sido elaborado por el Departamento de Gestión Logística de AutoParts Ibérica S.L. con el propósito de documentar, analizar y proponer soluciones estructuradas ante una situación crítica detectada en nuestro almacén central: el 49% del total de referencias en stock ha sido clasificado como material obsoleto o de muy baja rotación.
Esta cifra, que supera ampliamente los estándares del sector (donde el umbral de alerta se sitúa en torno al 15–20%), representa un problema grave tanto desde el punto de vista económico como operativo. El inventario inmovilizado consume espacio físico, capital circulante y recursos humanos, al tiempo que deteriora nuestra capacidad de respuesta al cliente y eleva los costes de mantenimiento del almacén.
49%
Stock obsoleto actual
~€1.2M
Valor inmovilizado estimado
12 meses
Horizonte del plan de mejora
<15%
Objetivo de obsolescencia final
Para abordar esta problemática se propone un Plan de Transformación Logística basado en la aplicación de herramientas de Inteligencia Artificial (IA), organizado en tres fases progresivas a lo largo de 12 meses. La incorporación de IA permitirá automatizar el análisis del inventario, predecir la demanda con mayor precisión, optimizar las decisiones de compra y facilitar la liquidación eficiente del material sin salida comercial.
2. CONTEXTO Y DESCRIPCIÓN DEL PROBLEMA
2.1. Descripción del Almacén
AutoParts Ibérica S.L. opera un almacén central de aproximadamente 4.800 m² ubicado en el polígono industrial de Alcalá de Henares, desde el cual se suministran recambios originales y equivalentes a talleres mecánicos, concesionarios y clientes particulares de toda la Comunidad de Madrid y provincias limítrofes. El catálogo activo comprende más de 22.000 referencias que abarcan desde componentes de motor y transmisión hasta piezas de carrocería, sistemas eléctricos y consumibles de mantenimiento.
La plantilla del almacén está compuesta por 18 personas: 1 responsable de almacén (el firmante del presente informe), 3 encargados de sección, 12 operarios de almacén y 2 administrativos de pedidos. El sistema de gestión de almacén (SGA) utilizado hasta la fecha es un ERP de tercera generación que, si bien cumple funciones básicas, carece de capacidades analíticas avanzadas ni módulos de predicción de demanda.
2.2. Diagnóstico: El Problema del Stock Obsoleto
Durante el primer trimestre de 2026 se llevó a cabo una auditoría interna del inventario con el objetivo de evaluar el estado real de las referencias almacenadas. Los criterios de clasificación aplicados para determinar la obsolescencia fueron los siguientes:
• Sin movimiento en los últimos 24 meses: referencias que no han registrado ninguna salida en los últimos dos años.
• Rotación inferior a 1 unidad/año: referencias con demanda residual anecdótica.
• Referencias asociadas a vehículos fuera de producción o sin flota activa significativa en el mercado nacional.
• Exceso de stock sobre la demanda previsible: unidades en almacén que superan en más de 500% la demanda media anual.
• Recambios con fecha de caducidad próxima o ya superada (principalmente líquidos, cintas, sellantes y filtros).
📊 RESULTADOS DEL DIAGNÓSTICO DE INVENTARIO — Q1 2026
Total de referencias en catálogo activo: 22.347
Referencias clasificadas como obsoletas o de bajísima rotación: 10.950 (49,0%)
Valor contable del stock obsoleto: entre €950.000 y €1.250.000 (estimación conservadora)
Espacio físico ocupado por stock obsoleto: aprox. 1.800 m² (37,5% del almacén)
Coste de almacenamiento anual del stock obsoleto: ~€108.000 (alquiler + seguros + manipulación)
Capital circulante inmovilizado sin retorno proyectado: >€800.000
2.3. Causas Raíz Identificadas
El análisis ha permitido identificar las siguientes causas estructurales que han contribuido a la acumulación de stock obsoleto:
1. Ausencia de análisis predictivo de demanda: Las compras se han gestionado históricamente basándose en criterios estáticos (mínimos de stock, histórico de ventas sin segmentación) sin considerar la evolución del parque automovilístico ni las tendencias del mercado de recambios.
2. Política de compras reactiva y no estratégica: Se han realizado compras masivas ante descuentos de proveedor sin analizar el impacto en la rotación futura, generando sobrestock en categorías de baja demanda.
3. Catálogo no depurado: No se ha realizado una revisión sistemática del catálogo en más de cuatro años. Referencias de vehículos que ya no forman parte del parque circulante nacional siguen activas en el sistema.
4. Ausencia de alertas tempranas: El ERP actual no genera alertas automáticas cuando una referencia supera umbrales de inactividad, lo que ha permitido que el problema se agrave de forma silenciosa durante años.
5. Falta de coordinación entre compras y ventas: Los datos de demanda de los clientes no se trasladan de forma sistemática al área de aprovisionamiento, generando desajustes entre lo que se compra y lo que realmente se vende.
6. Efecto fin de ciclo de vida de vehículos: La transición hacia vehículos más recientes y la electrificación progresiva del parque ha dejado obsoletas categorías enteras de recambios para motores de combustión de modelos de los años 2000–2010.
3. IMPACTO ECONÓMICO Y OPERATIVO
3.1. Impacto Financiero
El stock obsoleto genera un impacto financiero multidimensional que va más allá del valor contable inmovilizado. A continuación se detallan los principales vectores de pérdida económica identificados:
TIPO DE COSTE
ESTIMACIÓN ANUAL
Coste de almacenamiento (espacio + seguros)
~€108.000/año
Depreciación contable del stock obsoleto
~€95.000/año
Coste financiero del capital inmovilizado (coste de oportunidad)
~€60.000/año
Horas de manipulación y reubicación de material sin salida
~€28.000/año
Mermas por caducidad y deterioro
~€35.000/año
TOTAL DE PÉRDIDAS ESTIMADAS
~€326.000/año
3.2. Impacto Operativo
• Reducción de la productividad: Los operarios destinan tiempo a mover y gestionar material sin salida, en detrimento de las tareas de valor añadido.
• Pérdida de capacidad de almacenaje: Los 1.800 m² ocupados por stock obsoleto no pueden utilizarse para referencias de alta rotación, generando ineficiencias logísticas.
• Errores en inventario: La coexistencia de material activo y obsoleto incrementa la tasa de error en picking y la confusión en los sistemas de gestión.
• Deterioro de la imagen ante proveedores: Un nivel elevado de stock obsoleto puede afectar negativamente a las condiciones de crédito y descuentos negociados con fabricantes y distribuidores.
• Dificultades para la auditoría: El volumen de referencias dificulta los recuentos y auditorías periódicas, generando desviaciones entre el inventario físico y el contable.
4. PLAN DE MEJORA CON INTELIGENCIA ARTIFICIAL
4.1. Visión General y Tecnologías Aplicables
La Inteligencia Artificial ofrece herramientas especialmente adecuadas para resolver los problemas estructurales identificados en nuestro almacén. A diferencia de los sistemas ERP tradicionales, los modelos de IA aprenden de los datos históricos, identifican patrones ocultos y generan recomendaciones accionables en tiempo real. Las principales tecnologías que se propone implementar son:
• Machine Learning para predicción de demanda (modelos ARIMA, Prophet, redes LSTM)
• Clasificación automática de inventario mediante algoritmos supervisados (Random Forest, XGBoost)
• Sistemas de recomendación para gestión de liquidaciones y promociones
• Computer Vision para el control automático del estado físico del material en almacén
• Procesamiento de Lenguaje Natural (NLP) para integración con catálogos de proveedores y bases de datos de flotas
• Dashboards de Business Intelligence con alertas automáticas en tiempo real
4.2. Fases del Plan de Implementación
El plan se estructura en tres fases de cuatro meses cada una, con objetivos y herramientas específicas para cada etapa:
FASE
PERÍODO
ACCIONES PRINCIPALES
REDUCCIÓN EST.
FASE 1
Meses 1–4
Diagnóstico digital, limpieza de datos, clasificación IA del inventario, identificación de referencias obsoletas y definición de la hoja de ruta tecnológica.
–8%
FASE 2
Meses 5–8
Implementación del motor predictivo de demanda, automatización de compras, inicio del programa de liquidación y devoluciones a proveedores.
–18%
FASE 3
Meses 9–12
Optimización continua, integración con plataformas B2B de liquidación, revisión del catálogo, consolidación del sistema de alertas tempranas.
–9%
Al término del proceso, se estima pasar de un 49% de stock obsoleto a un porcentaje inferior al 15%, alcanzando los estándares de eficiencia del sector.
4.3. FASE 1 — Diagnóstico Digital y Clasificación IA (Meses 1–4)
Objetivos de la Fase 1
• Realizar una auditoría digital completa del inventario con soporte de IA.
• Clasificar automáticamente las 22.347 referencias según criterios de rotación, valor y tendencia.
• Identificar con precisión el universo de material obsoleto y sus subcategorías.
• Preparar la infraestructura de datos necesaria para las fases siguientes.
• Obtener las primeras recomendaciones de acción sobre las referencias con mayor impacto.
Acciones Detalladas
A. Implantación de un módulo de IA para clasificación de inventario
Se implementará un algoritmo de clasificación supervisado (basado en Random Forest o Gradient Boosting) entrenado con los datos históricos de ventas, compras y movimientos del almacén de los últimos 5 años. El modelo asignará a cada referencia una de las siguientes categorías:
• ACTIVO ESTRATÉGICO: Alta rotación, margen elevado. Proteger el stock.
• ACTIVO NORMAL: Rotación media, demanda predecible.
• BAJA ROTACIÓN RECUPERABLE: Demanda estacional o puntual. Revisar niveles.
• PRE-OBSOLETO: Sin movimiento en 12–24 meses, pero con posible demanda residual.
• OBSOLETO CONFIRMADO: Sin movimiento en más de 24 meses, sin perspectiva de venta.
• CRÍTICO CADUCIDAD: Riesgo de merma por fecha límite próxima.
B. Análisis de Clústeres de Proveedores y Fabricantes
Mediante técnicas de clustering (K-Means, DBSCAN), se agruparán los proveedores y las referencias por perfil de comportamiento. Esto permitirá detectar qué proveedores presentan mayor tendencia a generar stock obsoleto y renegociar las condiciones de devolución o canje.
C. Limpieza y Gobernanza del Dato
Se auditará la calidad de los datos del ERP actual: depuración de duplicados, normalización de referencias, validación de unidades de medida y corrección de inconsistencias históricas. Esta fase es fundamental para garantizar la fiabilidad de los modelos de IA en las etapas siguientes.
D. Dashboard de Diagnóstico en Tiempo Real
Se desplegará un cuadro de mando interactivo (usando herramientas como Power BI o Tableau integradas con el ERP) que mostrará en tiempo real el estado del inventario por categoría, el valor del stock inmovilizado y las alertas por umbral de inactividad. El equipo de gestión podrá acceder a este panel desde cualquier dispositivo.
🎯 META FASE 1
Reducción del stock obsoleto: del 49% al 41% (–8 puntos porcentuales)
Referencias priorizadas para liquidación inmediata: ~2.000 referencias
Valor recuperable estimado mediante primeras liquidaciones: €80.000–€120.000
Infraestructura de datos lista para Fase 2
4.4. FASE 2 — Predicción de Demanda y Liquidación Activa (Meses 5–8)
Objetivos de la Fase 2
• Implantar el motor predictivo de demanda basado en IA.
• Automatizar las recomendaciones de compra y los niveles de reposición.
• Lanzar el programa sistemático de liquidación del stock obsoleto.
• Iniciar negociaciones estructuradas de devolución y canje con proveedores.
Acciones Detalladas
A. Motor de Predicción de Demanda con IA
Se implementará un sistema de forecasting basado en modelos de series temporales de alta precisión (Prophet de Meta, LSTM de TensorFlow o similar). El modelo integrará variables internas (histórico de ventas, estacionalidad, promociones) y externas (datos de matriculaciones del parque automovilístico español, tendencias de búsqueda en plataformas de recambios, ciclos económicos). Las predicciones se generarán con horizonte de 3, 6 y 12 meses, con intervalos de confianza que faciliten la toma de decisiones.
La integración con la DGT (Dirección General de Tráfico) a través de APIs públicas permitirá conocer en tiempo real la antigüedad y composición del parque de vehículos por provincia, ajustando el catálogo a la demanda real del mercado local.
B. Automatización del Aprovisionamiento
El sistema de IA generará órdenes de compra recomendadas (que deberán ser validadas por el equipo de compras) basadas en la predicción de demanda, el stock disponible, los plazos de entrega de cada proveedor y los parámetros de servicio al cliente definidos. Se eliminará la práctica de compras basadas en mínimos estáticos.
C. Programa de Liquidación Inteligente
Para el stock clasificado como obsoleto confirmado, se diseñará un programa de liquidación estructurado en varios canales, con el soporte de la IA para determinar el canal óptimo y el precio de cesión adecuado según el tipo de referencia:
• Venta B2B en plataformas de recambios de segunda mano (Recambios.com, Spareka, eBay Motors Parts).
• Negociación de devoluciones con fabricantes y distribuidores (especialmente para referencias con devolución garantizada).
• Venta a desguaces y recuperadores homologados.
• Donación a escuelas de formación técnica (FP Automoción) — beneficio fiscal y RSC.
• Baja contable y destrucción controlada de material sin valor residual (sellantes caducados, filtros deteriorados).
D. Módulo de Negociación con Proveedores
La IA generará informes automáticos de retorno de inventario por proveedor, identificando qué suministradores tienen cláusulas de devolución en contrato y facilitando la argumentación en las negociaciones de canje o nota de crédito. Se estima recuperar entre el 15% y el 25% del valor contable del stock obsoleto a través de este canal.
🎯 META FASE 2
Reducción del stock obsoleto: del 41% al 23% (–18 puntos porcentuales)
Valor recuperado mediante liquidaciones y devoluciones: €350.000–€500.000
Precisión del forecast de demanda: objetivo >85% de acierto a 3 meses
Reducción de órdenes de compra no óptimas: >60%
4.5. FASE 3 — Consolidación y Optimización Continua (Meses 9–12)
Objetivos de la Fase 3
• Alcanzar el objetivo final de stock obsoleto inferior al 15%.
• Implementar el ciclo de revisión continua del catálogo asistido por IA.
• Consolidar el sistema de alertas tempranas para prevenir la re-acumulación de obsoleto.
• Establecer los KPIs definitivos de seguimiento logístico.
Acciones Detalladas
A. Revisión Dinámica del Catálogo
La IA realizará de forma autónoma (con supervisión humana mensual) un análisis de ciclo de vida de las referencias del catálogo, cruzando los datos de ventas con bases de datos externas de matriculaciones y discontinuaciones de modelos. Las referencias cuya demanda sea proyectada a cero en los próximos 18 meses serán propuestas automáticamente para baja del catálogo activo.
B. Sistema de Alertas Tempranas (Early Warning System)
Se implementará un sistema de alertas automáticas que notificará al equipo logístico cuando una referencia supere los umbrales predefinidos: 6 meses sin movimiento (alerta amarilla), 12 meses sin movimiento (alerta naranja), y 18 meses sin movimiento (alerta roja con propuesta de acción). Este sistema prevendrá la re-acumulación de stock obsoleto en el futuro.
C. Computer Vision para Inspección Física
En esta fase se pilotará el uso de cámaras inteligentes en el almacén para inspección visual automatizada del estado físico del material. El sistema detectará embalajes dañados, productos con fecha de caducidad próxima y condiciones de almacenamiento inadecuadas, reduciendo las mermas por deterioro.
D. Integración con Plataformas Externas de Inteligencia de Mercado
Se integrarán fuentes de datos externos mediante APIs: datos del parque automovilístico español (DGT), plataformas de venta de vehículos de ocasión (Coches.net, Autoscout24) para anticipar qué modelos están ganando o perdiendo presencia en el mercado, y boletines de discontinuación de piezas de los principales fabricantes OEM.
E. Formación del Equipo
Se ejecutará un programa de formación para todos los miembros del equipo logístico en el uso de las nuevas herramientas de IA, interpretación de dashboards y procedimientos de actuación ante alertas del sistema. La adopción humana de la tecnología es tan crítica como la tecnología misma.
🎯 META FASE 3 — OBJETIVO FINAL
Reducción del stock obsoleto: del 23% al <15% (–8 puntos porcentuales adicionales)
Recuperación total estimada en 12 meses: €500.000–€700.000
Liberación de espacio en almacén: ~1.400 m² reutilizables para stock de alta rotación
Ahorro anual recurrente una vez implantado el sistema: ~€220.000/año
ROI estimado del proyecto de transformación: >250% en el primer año
5. RECURSOS NECESARIOS Y PRESUPUESTO ESTIMADO
5.1. Inversión Tecnológica y Retorno Esperado
CONCEPTO
COSTE ESTIMADO
AHORRO PROYECTADO
Licencia plataforma de IA / SaaS (predicción demanda + clasificación)
€28.000/año
+€180.000/año
Integración con ERP existente y desarrollo de APIs
€15.000 (única vez)
—
Dashboard BI (Power BI Premium o Tableau)
€6.000/año
+€30.000/año
Consultoría externa de implantación (3 meses)
€22.000
—
Formación del equipo (18 personas)
€8.500
+€15.000/año
Sistema de alertas tempranas y automatizaciones
€5.000 (única vez)
+€45.000/año
Hardware adicional (si necesario)
€4.500
—
INVERSIÓN TOTAL AÑO 1
~€89.000
+€270.000/año
La inversión total estimada para el primer año asciende a aproximadamente €89.000, con un retorno anual proyectado superior a €270.000 en ahorros directos, más los ingresos adicionales generados por la liquidación del stock obsoleto (estimados en €500.000–€700.000 durante el período del plan). El ROI del proyecto supera el 250% en el primer año considerando únicamente los ahorros operativos recurrentes.
5.2. Equipo del Proyecto
• Responsable del proyecto: Gestor Logístico (firmante del informe) — dedicación parcial 40%
• Equipo interno: 1 encargado de sección como coordinador operativo + 2 administrativos
• Soporte externo: Partner tecnológico especializado en IA para logística (proceso de selección en Q2 2026)
• Supervisión: Dirección de Operaciones — revisiones mensuales de KPIs
6. KPIs DE SEGUIMIENTO Y CONTROL
6.1. Indicadores Clave de Rendimiento
Se propone el siguiente cuadro de indicadores para el seguimiento mensual del plan:
INDICADOR (KPI)
SITUACIÓN ACTUAL
OBJETIVO 6M
OBJETIVO 12M
% referencias obsoletas sobre total catálogo
49,0%
30%
<15%
Valor del stock inmovilizado (€)
~€1.200.000
<€700.000
<€300.000
Tasa de rotación media del almacén (veces/año)
2,1x
3,5x
>5x
Precisión del forecast de demanda (3 meses)
N/A (manual)
>75%
>90%
Reducción coste almacenamiento anual (€)
Línea base
–€60.000
–€180.000
Espacio liberado en almacén (m²)
0 m²
800 m²
1.400 m²
Número de referencias dadas de baja del catálogo
0
3.000
6.000
% pedidos de compra generados por IA
0%
40%
>70%
6.2. Mecanismos de Control
• Reunión mensual de seguimiento del plan entre el responsable logístico y la Dirección de Operaciones.
• Revisión trimestral de KPIs con comparativa respecto a objetivos del plan.
• Informe mensual automático generado por el dashboard de BI.
• Revisión semestral del modelo de IA con reentrenamiento si la precisión cae por debajo del 80%.
• Comité de decisión sobre bajas de catálogo: reunión trimestral con participación de Compras, Ventas y Logística.
7. ANÁLISIS DE RIESGOS Y PLAN DE CONTINGENCIA
RIESGO
PROB.
IMPACTO
PLAN DE CONTINGENCIA
Baja calidad de datos históricos en ERP
Alta
Alto
Fase 1 incluye proceso de limpieza de datos con herramientas de IA. Validación manual de referencias críticas.
Resistencia al cambio del equipo operativo
Media
Medio
Plan de formación y comunicación interna. Involucrar a operarios en el diseño del nuevo sistema.
Proveedor tecnológico no cumple plazos
Media
Alto
Cláusulas de penalización en contrato. Identificar proveedor alternativo en proceso de selección.
Recuperación de valor inferior a lo estimado en liquidaciones
Media
Medio
Diversificar canales de liquidación. Ajustar precio de cesión de forma dinámica.
Re-acumulación de nuevo stock obsoleto durante el proceso
Baja
Alto
Sistema de alertas tempranas operativo desde Fase 1 para evitar nuevas entradas problemáticas.
Incumplimiento normativo en bajas contables
Baja
Alto
Asesoría fiscal y contable externa para validar el proceso de regularización del inventario.
8. CONCLUSIONES Y SOLICITUD DE APROBACIÓN
8.1. Conclusiones
La situación actual del almacén de AutoParts Ibérica S.L. es insostenible desde el punto de vista económico y operativo. Un porcentaje de stock obsoleto del 49% triplica el umbral de alerta del sector y representa una pérdida anual estimada en €326.000, además del impacto en productividad, capacidad y calidad de servicio al cliente.
Sin embargo, este problema es totalmente reversible mediante la aplicación de un plan estructurado y el uso de herramientas de Inteligencia Artificial. Las tecnologías disponibles en el mercado —predicción de demanda, clasificación automatizada de inventario, sistemas de alerta temprana— son maduras, probadas en el sector de la distribución y perfectamente adaptables a nuestra realidad operativa.
El plan propuesto, con una inversión total aproximada de €89.000 en el primer año, genera un retorno económico que supera los €770.000 si se computan los ahorros operativos recurrentes y la recuperación de valor del stock obsoleto. Se trata de uno de los proyectos de mayor rentabilidad que puede acometer la empresa en el corto plazo.
Más allá del retorno financiero inmediato, la implantación de IA en la gestión logística sitúa a AutoParts Ibérica S.L. en la senda de la transformación digital que el sector de recambios exige para mantener la competitividad en un entorno de creciente presión de grandes operadores online y plataformas de distribución centralizada.
8.2. Solicitud de Aprobación
Por todo lo expuesto, el Departamento de Gestión Logística solicita formalmente a la Dirección General la aprobación del presente plan de mejora con el presupuesto indicado, la autorización para iniciar el proceso de selección del partner tecnológico, y el compromiso de los departamentos de Compras y Ventas para participar activamente en las fases del proyecto.
✅ RESOLUCIÓN SOLICITADA
1. Aprobación del Plan de Mejora de Gestión Logística mediante IA
2. Autorización de presupuesto: hasta €89.000 para el ejercicio 2026–2027
3. Inicio del proceso de selección de proveedor tecnológico: julio 2026
4. Designación de responsables por departamento (Compras, Ventas, IT)
5. Fecha de lanzamiento propuesta de la Fase 1: 1 de agosto de 2026
Alcalá de Henares, mayo de 2026
Vidal Gamonales
Gestor Logístico — Almacén Central
AutoParts Ibérica S.L.
Visto Bueno:
Dirección de Operaciones
AutoParts Ibérica S.L.
Fecha: ___________________
— FIN DEL INFORME — Ref: LOG-2026-047 | CONFIDENCIAL
CONFIDENCIAL — Uso interno exclusivo | Dpto. LogísticaPágina
Deja un comentario