Cada semana me preguntan lo mismo, de una forma u otra: ¿qué IA uso para gestionar el almacén? La pregunta parte de una premisa equivocada: que existe una herramienta única, milagrosa, que reemplaza el criterio del responsable de almacén. No existe. Lo que existe es un conjunto de modelos de lenguaje (LLM) — ChatGPT, Claude, Gemini — cada uno con puntos fuertes distintos, y un gestor que sabe cuál usar para qué momento del día.
Llevo más de un año integrando IA en la operativa diaria de un almacén de recambios aftermarket. No en un laboratorio, no en una presentación a dirección: en el día a día real, con pedidos urgentes, proveedores que no contestan y un ERP que no fue diseñado pensando en IA. En este artículo explico, con ejemplos concretos de prompts reales, qué LLM uso para cada tarea, por qué, y dónde no merece la pena ni intentarlo.
1. El ERP/WMS sigue siendo el sistema nervioso. La IA no lo sustituye, lo interpreta
Mi ERP me da datos en bruto: rotación, antigüedad de stock, histórico de consumo por referencia. Lo que el ERP no hace bien es decirme qué significan esos datos un lunes por la mañana cuando tengo quince prioridades y diez minutos. Ahí es donde uso un LLM como capa de análisis sobre exportaciones de CLEX, coeficientes de rotación y listas de obsolescencia.
Cómo lo trabajo con cada LLM
Claude — mi opción principal para esto
«Adjunto la exportación CSV de rotación de los últimos 12 meses con coeficiente CLEX por referencia. Identifica las 20 referencias con mayor riesgo de obsolescencia, agrúpalas por familia de producto, y para cada grupo dame: causa probable (sobre-stock inicial, caída de demanda, sustitución por nueva referencia), y una recomendación de acción con el riesgo de no actuar. No me des una lista plana, priorízala por impacto económico inmovilizado.»
Por qué: con datasets largos y varias columnas cruzadas, Claude mantiene mejor el hilo del análisis sin perder criterios a mitad de tabla, y es el que menos correcciones de razonamiento me exige después.
ChatGPT — cuando necesito fórmulas o lógica de Excel rápida
«Tengo una hoja de Excel con columnas: referencia, stock actual, consumo últimos 6 meses, precio de coste. Dame una fórmula para calcular el coeficiente de rotación anualizado y otra que marque en rojo condicional las referencias con rotación inferior a 0,5 y stock superior a 50 unidades.»
Por qué: para soporte técnico puntual de fórmulas, macros o lógica de hoja de cálculo, ChatGPT resuelve rápido y sin rodeos.
Gemini — cuando el volumen de histórico es muy grande
«Tienes acceso a este Google Sheet con 3 años de histórico de ventas por referencia. Cruza la estacionalidad de cada familia de producto con el calendario de campañas de revisión de vehículos en Extremadura y dime qué referencias deberían reforzarse antes de marzo y septiembre.»
Por qué: si el archivo es enorme o necesito que trabaje directamente integrado en Sheets sin exportar nada, Gemini tiene ventaja por la ventana de contexto y la integración nativa con Google Workspace.
2. Donde de verdad gano tiempo: redactar, no decidir
La parte menos visible del trabajo de gestión de almacén es la burocracia operativa: comunicaciones a proveedores reclamando plazos, informes internos para dirección, instrucciones de trabajo para el equipo. Aquí es donde la IA generativa rinde más, con diferencia, sobre cualquier otra aplicación que le he dado.
Cómo lo trabajo con cada LLM
Claude — para comunicaciones delicadas e informes a dirección
«Escribe un correo a nuestro proveedor de frenos reclamando el retraso de 9 días en el pedido PO-4471. Tono firme y profesional, sin disculparnos por insistir, mencionando que es el segundo retraso consecutivo este trimestre y que necesitamos fecha de entrega confirmada en 48 horas o evaluaremos proveedor alternativo para esta familia de producto.»
Por qué: la prosa sale más sobria y menos genérica de fábrica; el tono firme no se desliza hacia agresivo ni hacia disculpas innecesarias, que es el fallo más común en este tipo de correos.
ChatGPT — para borradores rápidos y formatos variados
«Necesito un procedimiento interno de 1 página para el equipo de almacén sobre cómo registrar una devolución de cliente en el ERP, en formato de pasos numerados, lenguaje sencillo, sin jerga técnica innecesaria.»
Por qué: para contenido genérico, rápido y de bajo riesgo, ChatGPT da un resultado válido sin necesidad de iterar mucho.
3. El chatbot de atención a talleres/clientes: útil, pero con límites que hay que diseñar
He probado simulaciones de chatbot para consultas de disponibilidad y equivalencias de referencias. Funciona razonablemente bien para preguntas cerradas. Falla, y falla de forma cara, cuando el cliente necesita criterio técnico real sobre compatibilidad de piezas. Un error de equivalencia en una pieza de frenado no es un error menor: es un riesgo de seguridad y una pérdida de confianza del taller.
Cómo lo trabajo con cada LLM
Claude — para diseñar las reglas de seguridad del propio chatbot
«Actúa como especialista en recambios de automóvil. Un taller te pregunta por el equivalente de la referencia [X] para un vehículo [marca, modelo, año]. Responde solo si tienes certeza de la equivalencia según TecDoc/ACES. Si hay cualquier ambigüedad de motorización, año o versión, no improvises: indica que se necesita confirmación del número de bastidor y deriva a un técnico humano.»
Por qué: en mis pruebas, Claude es más conservador ante la ambigüedad técnica y tiende menos a «inventar» una equivalencia cuando no hay certeza, que es justo el comportamiento que necesitas en algo que toca seguridad.
ChatGPT — para desplegar el agente conversacional en producción
«Diseña el flujo de conversación de un agente que responde consultas de disponibilidad de stock por WhatsApp, integrado con nuestra API del ERP, incluyendo el punto exacto donde debe escalar a un humano si la confianza de la respuesta es baja.»
Por qué: el ecosistema de integraciones y herramientas para desplegar agentes en producción está más maduro, lo que facilita pasar de prueba de concepto a algo realmente conectado a tus sistemas.
Gemini — si necesitas contexto de mercado en tiempo real dentro de la conversación
«Un cliente pregunta si una pieza de un fabricante chino recién llegado al mercado español es compatible con su vehículo. Busca información pública reciente sobre ese fabricante y su presencia en el aftermarket español antes de responder, y señala si la información es limitada.»
Por qué: la integración con búsqueda en tiempo real ayuda en preguntas donde la información cambia rápido, como nuevos fabricantes entrando al mercado.
4. La comparativa resumida, tarea por tarea
Importante antes de leer la tabla: esto no es un ranking de benchmarks. Las cifras de rendimiento que circulan cambian cada pocas semanas y muchas comparativas online se contradicen entre sí según la fuente. Lo que no cambia tan rápido es el patrón de uso real: para qué tipo de tarea cada modelo te exige menos corrección posterior.
Tarea de almacén
ChatGPT
Claude
Gemini
Análisis de rotación / CLEX / obsolescencia
Sólido, buen apoyo en fórmulas y lógica de Excel
Mejor para mantener el hilo en datasets largos y estructurar el razonamiento
Fuerte si el volumen de datos históricos es muy grande
Redacción de informes para dirección
Versátil, a veces necesita más corrección de tono
Prosa más natural y sobria, menos genérica de fábrica
Cumple, especialmente si ya vives en Google Workspace
Reclamaciones a proveedores
Buen punto de partida, tono a veces plano
Tono firme sin sonar agresivo, edición mínima necesaria
Aceptable, integración directa con Gmail si la usas
Chatbot de atención a talleres/clientes
Ecosistema más maduro para desplegar agentes
Más conservador ante ambigüedad técnica, menos riesgo de inventar equivalencias
Útil si necesitas datos de mercado en tiempo real dentro de la conversación
Documentos largos (convenios, manuales, pliegos)
Funciona, pero el contexto se queda corto en documentos muy extensos
Punto fuerte: sigue la coherencia en documentos largos sin perder el hilo
Ventana de contexto más amplia, útil para comparar varios documentos a la vez
Coste para una pyme/almacén pequeño
Plan de pago estándar, opciones económicas limitadas
Plan de pago estándar, capa gratuita funcional para tareas puntuales
Capa gratuita más generosa en volumen de uso diario
5. Lo que NO le pido a la IA, por experiencia, no por moda
• No le pido que decida cuánto pedir sin revisión humana. Las alucinaciones existen y un pedido mal dimensionado cuesta dinero real, no hipotético.
• No le pido que gestione la relación con proveedores de forma autónoma. La negociación sigue siendo humana, y debe seguir siéndolo.
• No confundo un LLM generalista con un WMS especializado. Para ubicación física, picking y trazabilidad por lote, necesitas software vertical, no un chat.
La pregunta que deberíamos hacernos en el sector
No es «qué IA es la mejor». Es «qué parte de mi jornada es repetitiva, de bajo criterio y alto volumen, y qué herramienta concreta puedo usar hoy para delegarla sin arriesgar nada crítico». En aftermarket, con márgenes ajustados y rotación de SKU brutal, esa pregunta vale más que cualquier demo de proveedor.
Deja un comentario