Añade Diario del Puerto en Google BARCELONA. En este escenario, la IA agéntica se perfila como la siguiente fase de adopción empresarial, al permitir conectar los modelos de inteligencia artificial con los sistemas de gestión para coordinar tareas y ejecutar determinadas operaciones. Esta evolución aprovecha capacidades desarrolladas en etapas anteriores. Primero, la IA clásica permitió predecir, clasificar y optimizar. Luego, la generativa ha incorporado la interpretación y producción de información en diferentes formatos, y ahora la agéntica facilita su integración en procesos operativos. A ellas se suma la IA física, que, aunque se pueda considerar más futurista, ya tiene aplicaciones reales y avanza hacia robots capaces de aprender nuevas habilidades y desenvolverse en entornos más complejos.
“Los avances en razonamiento y en la interpretación de documentos, imágenes y conversaciones permiten abordar problemas que antes requerían diferentes sistemas y una elevada intervención manual”, explica Fabiola Pérez, CEO de MIOTI. “Sin embargo, el reto para las empresas no consiste en incorporar más herramientas de IA, sino en revisar sus procesos y conectar estas capacidades con las operaciones reales, manteniendo la supervisión humana en las decisiones que lo requieran”.
A partir de esta evolución, MIOTI Data & AI Services identifica cinco tendencias que están marcando la transformación de la inteligencia artificial aplicada a la logística.
En primer lugar, la compañía señala que 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.
Esta capacidad permite aprovechar mejor los modelos de IA clásica utilizados para detectar anomalías, optimizar recogidas o identificar pérdidas de activos, al incorporar información que anteriormente exigía un tratamiento manual considerable. La IA generativa puede automatizar parte de la preparación de los datos, mientras que los agentes permiten conectar sus resultados con acciones dentro de los sistemas empresariales. La validación de la información sigue siendo necesaria, pero se amplía el tipo de fuentes que pueden incorporarse a los procesos automatizados.
En segundo lugar, destacan que la simulación permite entrenar y coordinar robots antes de desplegarlos físicamente, pues 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.
La posibilidad de experimentar virtualmente facilita el diseño de almacenes y la evaluación de modificaciones operativas sin interrumpir la actividad física. En paralelo, la visión artificial está ampliando el control de calidad mediante la detección de incidencias en paquetes antes de su expedición. Ambas aplicaciones permiten anticipar problemas en fases donde todavía pueden corregirse, en lugar de descubrirlos cuando ya han afectado a otras etapas de la cadena logística.
La tercera tendencia es que la capacidad de adaptar las infraestructuras puede facilitar la autonomía de los robots. El grado de control del entorno condiciona las posibilidades de automatización. Los almacenes ofrecen condiciones relativamente predecibles, mientras que oficinas, hospitales o instalaciones forestales incorporan personas y obstáculos variables. Las calles y carreteras presentan una complejidad todavía mayor. Por eso, el desarrollo de la IA física no depende únicamente de mejorar las capacidades de percepción y navegación de los robots, sino también de las condiciones en las que deben operar.
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. Esto introduce una decisión relevante para las empresas: evaluar si conviene invertir en robots capaces de resolver situaciones cada vez más impredecibles o adaptar parte de la infraestructura para reducir esa complejidad. Ambas opciones requieren inversiones y presentan niveles de madurez diferentes.
En cuarto lugar, señalan que 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. Los corredores específicos entre centros logísticos permiten concentrar la autonomía en recorridos más predecibles, mientras que las personas continúan interviniendo en las conexiones urbanas, las maniobras complejas y las situaciones excepcionales. Este modelo exige desarrollar infraestructuras de transferencia y coordinar los diferentes tramos de la operación, pero evita depender de vehículos capaces de circular autónomamente en cualquier circunstancia.
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.
Finalmente, destacan que 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. Esta aproximación reduce la dependencia de programar manualmente cada secuencia, aunque todavía presenta limitaciones para desenvolverse en situaciones nuevas o poco predecibles. La disponibilidad de demostraciones de calidad adquiere así una importancia creciente para desarrollar nuevas capacidades robóticas.
Esta tecnología también abre posibilidades para documentar el trabajo físico. 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. Sin embargo, aprender por imitación también implica el riesgo de reproducir prácticas ineficientes, por lo que es necesario seleccionar y optimizar las demostraciones, además de garantizar la privacidad y el uso adecuado de los registros.
“El principal reto consiste en traducir estas capacidades en operaciones económicamente viables, identificando dónde la tecnología ya permite obtener resultados, qué procesos necesitan rediseñarse y qué entornos requieren adaptar sus infraestructuras. La velocidad de adopción dependerá de esa capacidad de integración, además de los avances que continúen produciéndose en los modelos de inteligencia artificial”, concluye Fabiola Pérez.