Kaizen e inteligencia artificial: cómo mejorar almacenes, rutas y procesos logísticos

Redacción LedSolEo

Mejorar un almacén no consiste en comprar un programa y esperar a que los pedidos salgan solos: consiste en mirar cómo se trabaja, cambiar algo pequeño y comprobar si sirve. La inteligencia artificial (IA) ayuda, pero solo si tenemos claro qué queremos mejorar. Partimos de una idea japonesa, el Kaizen, y vemos cómo encaja con los datos y la IA en almacenes, rutas y procesos. Para el mapa general, el artículo anterior de la serie repasa lo que hacen los grandes operadores.

Qué es Kaizen y por qué nunca se termina

Kaizen significa «mejora». Según su divulgador Masaaki Imai, aplicado al trabajo es mejora continua en la que participan todos, directivos y trabajadores por igual, como resume el Kaizen Institute. No es una gran reforma cada diez años, sino muchos pasos pequeños y constantes.

Se apoya en varias ideas:

Gemba: «el lugar donde ocurren las cosas»: el almacén, el muelle o el pasillo. Ir al Gemba es observar los problemas de primera mano. Allí están las cajas y quien las mueve, que suele saber mejor que nadie por qué algo no funciona.
Muda: desperdicio. Lo que consume tiempo o esfuerzo sin aportar valor: esperas, recorridos de más, repetir tareas o corregir errores.
PDCA (Plan, Do, Check, Act): planificar un cambio, aplicarlo, evaluar el resultado y, si funciona, estandarizarlo o volver a empezar. Lo introdujo W. Edwards Deming en Japón en los años cincuenta; es, según el Lean Enterprise Institute, la base de la mejora continua.

Qué puede aportar la IA (y qué no)

La IA es buena encontrando patrones en muchos datos, priorizando problemas, simulando escenarios y avisando cuando algo se desvía: ayuda a seguir las mejoras con más constancia que una libreta.

Y una advertencia: digitalizar un proceso ineficiente no lo mejora. Si el recorrido de recogida es absurdo, un sistema moderno lo ejecutará igual de absurdo, pero más rápido y con mejores gráficos.

Y sin confundir avanzar con mejorar: en el ciclo adaptado a la IA que propone el Lean Enterprise Institute en 2026, Check y Act siguen siendo trabajo humano, y detenerse tras el «Do» no es un ciclo PDCA, sino planificar, hacer y abandonar. La revisión académica que citamos al final avisa de que lo tecnológico ha ido por delante de lo operativo y lo social.

Cuatro etapas orientativas

Lo que sigue es una guía, no una metodología universal: en la práctica las etapas se solapan, se repiten y a veces van en otro orden.

Etapa 1: recolección de información, el Gemba digital

Se empieza observando el trabajo y se complementa con datos que muchas empresas ya generan: el WMS (gestión de almacén: dónde está cada producto), el ERP (pedidos, compras, facturación e inventario), los escáneres de códigos de barras y, si es proporcionado, sensores o visión artificial (programas que interpretan imágenes de cámaras).

Esos datos tienen límites: pueden estar incompletos o mal definidos, y los sensores cuestan dinero. Si afectan a personas, entra la privacidad: la Comisión Europea recuerda el principio de minimización de datos —recoger solo lo necesario— y el artículo 88 del RGPD exige medidas adecuadas en el ámbito laboral, sobre todo en transparencia y sistemas de control en el trabajo.

Etapa 2: diagnóstico de cuellos de botella

Un cuello de botella es donde el trabajo se acumula y frena a lo demás. Se busca en tiempos, esperas, errores, recorridos duplicados y reprocesos (rehacer lo ya hecho).

Una herramienta útil es la minería de procesos: descubrir y mejorar los procesos reales, no los supuestos, a partir de los registros de eventos, según el Manifiesto de la IEEE Task Force on Process Mining. Un registro de eventos es sencillo: «pedido 123, recibido, 09:00; recogido, 09:40; empaquetado, 10:35; expedido, 11:10». Con miles de filas así se ve dónde se espera más y qué pedidos siguen caminos distintos.

La minería de procesos no siempre necesita IA: es análisis de datos de eventos y, a veces, basta una hoja de cálculo. Tampoco es mágica: el Manifiesto advierte de que los datos deben ser fiables, de que la extracción debe guiarse por preguntas concretas y de que aparecen datos dispersos o atípicos.

Etapa 3: mejora Kaizen apoyada en IA

Aquí trabaja el equipo: trabajadores y responsables analizan las causas y proponen cambios. La IA aporta previsiones, simulaciones o recomendaciones, pero toda propuesta se valida con conocimiento operativo: quien conoce el pasillo sabe si «reordenar estanterías» es viable un martes con el muelle lleno. Smalley compara al modelo con un junior rápido y muy leído; tú eres el senior que revisa su trabajo.

Etapa 4: seguimiento y estandarización

Se mide, se compara con la situación inicial, se corrigen desviaciones y, si el cambio funciona, se fija como nuevo estándar: es el «Act» del PDCA, estandarizar y estabilizar o empezar otro ciclo.

Las alertas predictivas (avisos de que un indicador se encamina a un problema) son útiles si hay datos fiables y alguien puede atenderlas. Si no, un aviso que nadie atiende es solo una notificación con buena intención.

Ilustración didáctica de las cuatro etapas de la mejora continua: recoger datos en el Gemba digital, diagnosticar tiempos y errores, mejorar con pequeños cambios probados y hacer seguimiento midiendo y estandarizando, bajo el ciclo PDCA. — Las cuatro etapas, en orden, sobre una misma mesa de trabajo.

Un ejemplo hipotético: pedidos que salen tarde

Lo que sigue es un caso inventado: no es real y todos los números son ilustrativos, no resultados medidos ni porcentajes de ahorro.

Imagina un centro de distribución cuyos pedidos salen tarde.

Detectar el problema. Los clientes reclaman y la expedición se retrasa casi cada tarde.
Recopilar datos. Observación del trabajo más el registro del WMS: tiempos, errores, recorridos y esperas.
Identificar la causa. Los pedidos con una referencia concreta obligan a recorrer dos veces el pasillo, porque su ubicación cambió y el sistema no está actualizado.
Probar una mejora pequeña. En una zona piloto se actualiza la ubicación y se ajusta el recorrido.
Comprobar el resultado. Se comparan los mismos indicadores antes y después.

Con cifras inventadas, la comparación sería así:

Tiempo de preparación: de 18 a 15 minutos por pedido.
Errores por pedido: de 4 a 3 por cada 100 pedidos.
Productividad: de 30 a 34 líneas por persona y hora.
Puntualidad: de 82 a 90 de cada 100 pedidos salen a su hora.
Recorridos innecesarios: de 3 a 1 por turno.

Si el cambio no mejora los indicadores, se aprende y se prueba otra cosa. La IA podría ayudar a priorizar qué referencias revisar; la causa la encuentra quien ha caminado ese pasillo.

Ilustración didáctica en dos paneles que compara el recorrido de recogida de un pedido antes y después de una mejora: dos vueltas al pasillo frente a una sola pasada, sin cifras. — El mismo pasillo, el mismo pedido: antes y después de quitar una vuelta.

Kaizen tradicional y Kaizen con herramientas digitales

No se trata de elegir: el método tradicional aporta criterio, preguntas y participación; lo digital añade alcance, constancia y velocidad de análisis.

Aspecto	Kaizen tradicional	Kaizen apoyado en herramientas digitales e IA
Cómo se observa	Presencia en el Gemba y conversación con el equipo	Lo anterior, más registros de WMS, ERP o escáneres de todos los turnos
Cómo se detectan los problemas	Experiencia y observación directa	Además, análisis de muchos datos con patrones difíciles de ver
Cómo se prueban las mejoras	Pilotos pequeños con ciclos PDCA	Pilotos similares, con simulaciones previas
Cómo se sostiene el resultado	Estándares, formación y revisiones	Estándares, indicadores que se actualizan solos y alertas ante desviaciones

Dónde se aplica

Almacenes: ubicación de productos, recorridos de recogida y preparación de pedidos.
Transporte y rutas: ordenar paradas y estimar tiempos para no dar vueltas de más.
Inventario: previsiones de demanda y diferencias entre el sistema y lo que hay en la estantería.
Mantenimiento: vigilar los equipos para intervenir antes de que fallen, sin esperar predicciones exactas.

Automatización, estadística, optimización e IA

No todo programa es inteligencia artificial.

Automatización convencional: máquinas o programas que repiten una tarea según reglas fijas.
Análisis estadístico: describir y comparar datos, como la media de tiempos o la diferencia entre turnos.
Optimización matemática: calcular la mejor combinación posible, por ejemplo el orden de paradas de una ruta, con reglas definidas.
Inteligencia artificial: sistemas que aprenden de datos para reconocer patrones o hacer previsiones.

Muchas mejoras logísticas se resuelven con las tres primeras y funcionan bien.

Costes, datos, personas y supervisión

Costes: sensores y licencias cuestan; conviene empezar por lo que ya se mide.
Calidad de los datos: sin datos fiables no hay diagnóstico, y ninguna herramienta lo arregla sola.
Formación: el equipo debe entender qué indican los números.
Supervisión humana: la IA no garantiza predicciones exactas ni ausencia de sesgos: sus resultados se revisan.
Privacidad: minimizar los datos personales y ser transparente con el control laboral.
Participación: sin las personas que hacen el trabajo, el Kaizen se queda en un proyecto de oficina.

Cómo empezar siendo pequeño

Una empresa pequeña no necesita robots, cámaras ni grandes inversiones. Puede empezar así:

Elegir un problema concreto y medir dos o tres indicadores a mano.
Escuchar a quien hace el trabajo.
Probar un cambio pequeño en una zona o un turno.
Comprobar si mejora y, si es así, anotarlo como estándar.

Más adelante, si los datos lo justifican, llegarán las herramientas digitales. Si no llegan, el ciclo sigue funcionando.

Para ampliar información

Fuentes externas

Artículos de LedSolEo

La revolución de la IA en la logística: qué están haciendo Amazon, DHL y los grandes operadores