Informe de gestión — Perspectiva del responsable de Logística
- CONTEXTO: LO QUE ME ENCUENTRO AL LLEGAR
Entro en una empresa de distribución de recambios de automoción con décadas de historia. El negocio funciona, factura, tiene clientes. Pero cuando accedo al almacén y al sistema de gestión, lo que veo me resulta familiar de una forma incómoda: estoy en 1997.
El aftermarket de automoción es uno de los sectores logísticamente más complejos que existen. Hablamos de catálogos con decenas de miles de referencias, compatibilidades cruzadas entre marcas y modelos, estacionalidad técnica (filtros en primavera, baterías en invierno, neumáticos en cambios de temporada), y una presión de servicio brutal: el taller que para un vehículo necesita la pieza hoy, no mañana.
Gestionar todo eso con las herramientas y la mentalidad de los años 90 no es una excentricidad romántica. Es una bomba de relojería.
- MAPA DE PROBLEMAS: EL DIAGNÓSTICO REAL
2.1 Stock mal gestionado — El almacén como “caja negra”
El primer problema no es el exceso de stock ni la falta de él. El primer problema es que nadie sabe con certeza qué hay, dónde está y en qué estado se encuentra.
Las ubicaciones se gestionan por memoria del personal veterano. Las entradas y salidas se registran con retraso o directamente no se registran. El inventario teórico del sistema diverge del inventario físico real en porcentajes que, cuando se auditan, resultan vergonzosos: diferencias del 15-30% no son excepcionales en estos entornos.
El resultado práctico: se compra lo que ya se tiene, se pierde lo que se necesita, y se sirven pedidos con referencias que el sistema dice disponibles pero que físicamente no existen o están dañadas.
2.2 Obsoletos — El dinero muerto que nadie quiere ver
En aftermarket, la obsolescencia es estructural. Los vehículos envejecen, los modelos se descatalozan, los fabricantes actualizan referencias. Una referencia que rotaba bien hace ocho años puede llevar tres años sin moverse y seguir ocupando espacio, inmovilizando capital y figurando en el inventario como activo cuando en realidad es lastre.
Lo que me encuentro habitualmente: entre un 35% y un 55% del stock lleva más de 24 meses sin movimiento. Nadie lo ha revisado sistemáticamente porque el sistema no alerta, el equipo no tiene protocolo, y “siempre ha estado ahí”.
El coste no es solo financiero. Es también operativo: ese stock muerto ocupa metros cuadrados, dificulta la localización de referencias vivas y genera una complejidad de gestión artificial que agota al equipo.
2.3 Stock sobredimensionado — El “por si acaso” como política de compras
Sin modelos de previsión de demanda, el reaprovisionamiento se hace a ojo, por intuición del comprador, o replicando el pedido anterior con un porcentaje de incremento arbitrario. El resultado es predecible: se compra demasiado de lo que se vende poco y demasiado poco de lo que se agota.
El sobredimensionamiento tiene una trampa psicológica potente: genera una falsa sensación de seguridad. “Tenemos de todo” es la frase más cara que puede pronunciar un responsable de almacén. Tener de todo significa tener dinero inmovilizado en estanterías, coste financiero acumulado, y riesgo creciente de obsolescencia sobre ese excedente.
2.4 Gestión de pedidos mal enfocada — Urgencias como sistema
Sin visibilidad de stock en tiempo real y sin previsión de demanda, la gestión de pedidos a proveedores se convierte en una actividad reactiva y caótica. Se pide cuando se acaba, no cuando se debe. Se hacen pedidos urgentes con sobrecoste de transporte que podrían haberse evitado con una semana de anticipación. Se acumulan pedidos pequeños y frecuentes en lugar de consolidar y negociar mejor.
El equipo de compras no planifica: apaga incendios. Y lo hace con el convencimiento, honesto y equivocado, de que así funciona este negocio.
- LA HOJA DE RUTA: IA APLICADA A CADA PROBLEMA
3.1 Visibilidad e inteligencia de inventario
El punto de partida no es la IA. Es la calidad del dato. Antes de implementar cualquier modelo inteligente, necesito un inventario físico limpio, un ERP o SGA con datos fiables, y una codificación de referencias coherente. Sin esto, la IA no mejora nada: amplifica el caos.
Una vez establecida esa base, los modelos de Machine Learning aplicados a la gestión de inventario permiten:• Detectar automáticamente anomalías entre stock teórico y movimientos reales. • Clasificar el catálogo completo mediante análisis ABC-XYZ dinámico, no estático: una referencia puede pasar de C a A en función de la estacionalidad o de una campaña de un fabricante, y el sistema lo detecta y reclasifica sin intervención manual. • Identificar patrones de consumo ocultos que ningún gestor humano detectaría en un catálogo de 40.000 referencias.
3.2 Liquidación de obsoletos con criterio
Aquí la IA aporta algo que el criterio humano raramente hace bien: sistematización sin sentimentalismo. Un modelo entrenado sobre el historial de movimientos, la antigüedad de cada referencia, su precio de coste, su peso en el catálogo del fabricante y su presencia en el mercado de segunda mano puede generar automáticamente una propuesta de liquidación priorizada.
No todas las referencias obsoletas se tratan igual:• Algunas se pueden devolver al proveedor si los acuerdos lo permiten. • Otras se liquidan a precio de coste a distribuidores secundarios. • Otras se donan o se desguazan. • Unas pocas, sorprendentemente, conviene conservar porque cubren vehículos muy antiguos con demanda residual pero real.
La IA clasifica, propone y cuantifica. El gestor decide. Esa división de roles es fundamental.
3.3 Previsión de demanda y reaprovisionamiento inteligente
Este es el núcleo del cambio. Sustituir el “pedido por intuición” por un motor de forecasting basado en series temporales, datos históricos de ventas, estacionalidad del producto, parque vehicular circulante por zonas y señales externas (matriculaciones, alertas de recalls, tendencias del mercado) transforma radicalmente la política de compras.
Modelos como Prophet, LSTM o XGBoost aplicados sobre el histórico de ventas del ERP permiten calcular puntos de reorden, cantidades óptimas de pedido y niveles de stock de seguridad por referencia y por período, con intervalos de confianza que el comprador puede interpretar para tomar decisiones informadas.
El objetivo no es automatizar la compra al 100%. El objetivo es que cuando el comprador tome una decisión, lo haga con una propuesta fundamentada delante, no con un instinto.
3.4 Optimización de pedidos a proveedores
La IA aplicada a la consolidación y planificación de pedidos permite identificar cuándo tiene sentido agrupar referencias para alcanzar umbrales de descuento por volumen, qué proveedor ofrece mejor combinación de precio, plazo y fiabilidad en cada momento, y cómo distribuir el pedido entre proveedores alternativos para reducir el riesgo de rotura.
Los sistemas de optimización combinatoria resuelven en segundos lo que un comprador tardaría horas en analizar, y lo hacen considerando simultáneamente restricciones de presupuesto, capacidad de almacén, plazos de entrega y condiciones contractuales.
- EL TEMA QUE NADIE QUIERE ABORDAR: LAS ALUCINACIONES DE LA IA
Aquí debo ser brutalmente honesto, porque este punto puede marcar la diferencia entre una transformación exitosa y un desastre costoso.
Los modelos de IA, especialmente los modelos de lenguaje natural (LLMs) que se están incorporando como interfaces conversacionales en sistemas de gestión, tienen una característica conocida y documentada: pueden generar respuestas incorrectas con total apariencia de certeza. A esto se le llama alucinación.
En un contexto de almacén de aftermarket, las consecuencias de una alucinación no son abstractas:
Un sistema de IA interrogado sobre el stock disponible de una referencia podría confirmar existencias que no existen, o proporcionar una previsión de demanda basada en patrones que interpreta incorrectamente si los datos históricos contienen errores o lagunas.
Los escenarios de riesgo concretos son estos:
Alucinación en referencias cruzadas. El catálogo de aftermarket está lleno de referencias que son equivalentes entre fabricantes. Un LLM mal integrado podría confirmar compatibilidades incorrectas entre una referencia propia y la del fabricante original, generando errores de suministro con consecuencias técnicas para el taller cliente.
Alucinación en previsiones. Si el modelo de forecasting se alimenta de datos sucios o incompletos, sus predicciones pueden ser estadísticamente coherentes pero operativamente erróneas. El sistema dirá que se necesitan 200 unidades de una referencia cuando el historial que ha leído tiene un pico anómalo no depurado.
Alucinación en generación de documentos. Los asistentes IA que generan automáticamente órdenes de compra, albaranes o propuestas de liquidación pueden introducir cantidades, precios o referencias incorrectas si no existe un proceso de validación humana posterior.
La respuesta profesional ante las alucinaciones: no el miedo, sino el protocolo
La solución no es rechazar la IA. Es diseñar sistemas con cortafuegos de validación:• Ninguna orden de compra generada por IA se ejecuta sin revisión humana cuando supere un umbral de valor definido. • Los modelos predictivos muestran siempre su intervalo de confianza, no solo el valor central, para que el gestor calibre el riesgo. • Las referencias críticas (alta rotación, alto valor, impacto directo en el nivel de servicio) tienen doble verificación: modelo + criterio humano. • Los LLMs utilizados como interfaces de consulta se configuran expresamente para responder “no tengo suficiente información” antes que inventar una respuesta plausible pero falsa.
La IA en la gestión logística no es un oráculo. Es una herramienta potente que trabaja sobre datos, y que falla exactamente donde fallan los datos y los procesos que la rodean. El gestor que entiende esto extrae valor real. El que delega ciegamente, tarde o temprano, paga el precio.
- CONCLUSIÓN: EL ALMACÉN DEL SIGLO XXI
La transformación de este almacén no es un proyecto tecnológico. Es un proyecto de cambio de mentalidad de gestión, en el que la tecnología —y la IA en particular— actúa como habilitador, no como solución mágica.
El aftermarket de automoción tiene por delante una década de profunda transformación: electrificación del parque vehicular, nuevas cadenas de suministro, presión sobre márgenes y clientes cada vez más exigentes en plazos y disponibilidad.
Un almacén que sigue funcionando como en los 90 no solo es ineficiente hoy. Es incompatible con el mercado de mañana.
La IA bien implementada, sobre datos limpios, con procesos revisados y con un equipo humano que la comprende y la supervisa, puede convertir ese almacén en una ventaja competitiva real. Sin esas condiciones, será simplemente otro proyecto tecnológico que no cumplió las expectativas.
El trabajo empieza con el inventario físico, no con el algoritmo.
— responsable de Logística y Cadena de Suministro
Sector Aftermarket de Automoción
Lecturas relacionadas:
Cómo está transformando la IA el aftermarket · Qué IA usar para cada tarea del almacén
La dimensión profesional de este cambio se desarrolla en la evolución del gestor logístico del aftermarket.
Deja una respuesta