Al menos si hablamos de grandes corporaciones, el uso de la inteligencia artificial (IA) generativa ya no es tendencia, si no mandato en 2026. Y para las empresas medianas, o chicas, dedicadas a la logística y al comercio exterior, estar atentas a los errores de las corporaciones significa descubrir nichos y vetas de negocios.
Los gigantes que mueven el mundo de las mercaderías están “obligados” a pasar de las pruebas piloto de la innovación tecnológica a la aplicación. El minuto que demoran “temen” que lo gane el competidor.
La principal trampa que trae esta precocidad en la IA para las grandes empresas es la calidad de sus propios datos. Se sabe que la IA trabaja sobre las premisas del análisis de enormes cantidades de datos en tiempo récord. Pero todavía puede ser falible por no contar -todavía- con la la inteligibilidad propia de la mente humana.
Un reciente reporte técnico de Ti Insight (“AI & logistics: a practical guide”) elaborado por el experto Ken Lyon, lanza una advertencia necesaria para los directorios de armadores, forwarders y grandes dadores de carga: los sistemas actuales, diseñados bajo la premisa operativa de “que la carga llegue”, son una base tóxica para los algoritmos. Si no se sanea o cura la información, la adopción de IA solo servirá para “automatizar los malos hábitos del pasado, pero más rápido”.
“Good Enough to Ship”
El informe desnuda una realidad operativa incómoda. Los ERP, TMS y WMS (siglas que remiten a los software de administración, inventario y transporte: Enterprise Resource Planning, Transportation Management System y Warehouse Management System, respectivamente) que sostienen el comercio global no fueron diseñados para la analítica de datos, sino para la ejecución física donde el imperativo fue (y hasta ahora es) el “Good enough to ship” (suficientemente bien como para embarcar).
“Si un barco cierra en dos horas y el sistema rechaza una reserva por un código postal malformado, el operador encuentra un atajo: pone un código genérico, o escribe la instrucción real en un campo de notas”, explica el análisis. Esa “suciedad” acumulada durante años, invisible para el movimiento físico de la caja, es el enemigo número uno de la IA, que necesita contextos claros y datos normalizados para no “divagar”.
La “Anomalía Covid” y la data tóxica
Otro de los puntos más críticos que destaca el informe es el peligro de la memoria histórica reciente. Los gerentes logísticos saben que los datos de 2020 a 2022 son anomalías estadísticas extremas, causadas por un evento de “cisne negro”.
Sin embargo, una IA entrenada ingenuamente con los últimos cinco años de historial verá esos datos como válidos. El resultado: algoritmos que predicen un mundo de congestión portuaria permanente y fletes de 15.000 dólares.
“Esos datos son tóxicos para la predicción”, advierten. Se necesita intervención humana para etiquetar y contextualizar esos períodos, diciéndole a la máquina qué ignorar. Es decir, la necesaria inteligibilidad humana todavía no debería jubilarse.
El riesgo de la IA “agéntica”
El trabajo hace además una distinción vital para la toma de decisiones de inversión: la diferencia entre la IA generativa (copilotos que asisten) e IA “agéntica” (sistemas autónomos que ejecutan).
El riesgo aquí escala exponencialmente porque, si un chatbot se equivoca al resumir un mail, es una anécdota. Pero si un agente autónomo toma decisiones de ruteo o procurement basándose en datos maestros inconsistentes —fruto, por ejemplo, de décadas de fusiones y adquisiciones en la industria logística, que crearon sistemas “Frankenstein”— las consecuencias son financieras.
“Si un agente autónomo cancela 500 bookings incorrectamente debido a un error de sincronización de datos entre el WMS y el ERP, estamos hablando de un desastre multimillonario”, grafica el reporte.
¿Limpiar el océano o construir encima?
Ante este escenario, Ti Insight sugiere pragmatismo. Como intentar limpiar décadas de datos históricos es una tarea titánica e imposible, la recomendación es mantener los sistemas heredados (Legacy) como evidencia, pero construir una capa superior de “Conocimiento Operativo Curado”.
La estrategia debe ser quirúrgica: verificar solo los datos críticos para casos de uso específicos (como timestamps de ejecución o códigos de excepción) y dejar de lado la limpieza de tendencias generales.
Una conclusión para el management logístico entonces es que la IA es viable hoy, pero requiere humildad operativa. De nuevo, una cualidad típica de líderes con trayectoria que puede no siempre darse en cuadros operativos o de ingeniería.
Los errores y los millones de dólares de pérdida -soñados en el sueño de la autonomía total- requieren todavía de cierta lo que podría llamarse hoy “la vigilia de los auditores”. De lo contrario, la precocidad de la transformación digital total puede derivar en la amplificación de riesgos.
Por Emiliano Galli (Trade News)
