Logística y Distribución
IA Física: cuando la inteligencia artificial entra a la operación logística
La combinación de visión artificial, sensores, modelos multimodales y robótica está llevando la IA desde el análisis de datos hacia la interacción directa con el mundo físico. En bodegas y centros de distribución, el cambio comienza a traducirse en sistemas capaces de interpretar y modificar procesos en tiempo real.
Publicado
Durante años, la inteligencia artificial aplicada a la logística estuvo principalmente asociada al análisis de información: pronósticos de demanda, optimización de rutas, gestión de inventarios o planificación de operaciones. La evolución actual apunta hacia otro escenario: la IA comienza a incorporar capacidades de percepción y decisión sobre el entorno físico, conectándose con cámaras, sensores, robots y equipos automatizados.
Esta transición está dando forma al concepto de IA Física, utilizado para describir sistemas capaces de percibir su entorno, procesar esa información y actuar sobre el mundo físico. La diferencia respecto de una aplicación convencional de IA está precisamente en ese último componente: el resultado del procesamiento no queda necesariamente en una pantalla, sino que puede modificar el comportamiento de una máquina o desencadenar una acción operacional.
Para Miguel Solís, director de Ingeniería en Automatización y Robótica de la Universidad Andrés Bello, esta evolución debe analizarse separando las capacidades reales de la tecnología de las expectativas generadas por algunos desarrollos robóticos. En su columna sobre robótica humanoide advierte que “los robots actuales, por muy sofisticados que sean sus algoritmos, no piensan, no comprenden su entorno y no razonan en el sentido humano o cognitivo del término”. Esta distinción resulta especialmente relevante cuando esas tecnologías comienzan a incorporarse a operaciones donde una decisión incorrecta puede tener consecuencias físicas.
Entre los desarrollos más avanzados se encuentran los modelos VLA (Vision, Language and Action), capaces de integrar procesamiento visual, lenguaje y control de movimiento. Solís explica que “lo que se ha implementado se conoce como un modelo VLA, por sus siglas en inglés: Visión, Lenguaje y Acción”, una arquitectura que permite conectar la interpretación del entorno con una acción determinada, aunque todavía enfrenta limitaciones cuando se encuentra con situaciones distintas de aquellas consideradas durante su entrenamiento.
El desafío aumenta cuando la inteligencia artificial deja de producir solamente una respuesta digital y comienza a intervenir sobre máquinas y procesos. Como plantea Solís, “en el mundo del software donde operan los modelos de lenguaje o los generadores de imágenes, un error de la inteligencia artificial es una simple anécdota, o un píxel mal colocado o una ‘alucinación’ en un texto que el usuario puede ignorar con un juicio razonable y pensamiento crítico, pero en el mundo físico un error significa un plato roto, un motor quemado, o en el peor de los escenarios, una persona herida”.
De la percepción a la acción
En logística, una de las primeras expresiones de esta evolución se encuentra en la visión artificial aplicada a bodegas y centros de distribución. Un sistema puede analizar un pallet o un bulto antes de una etapa de medición, identificar su forma, detectar elementos sobresalientes, reconocer daños o determinar si presenta características que requieren una revisión adicional. La IA deja así de limitarse a registrar lo que ocurre y comienza a establecer cuándo debe intervenir un proceso.
Un ejemplo es Predictive Vision for Logistics, desarrollada por AKL-tec, que utiliza redes neuronales y múltiples cámaras para analizar pallets y bultos antes de la medición. La plataforma puede clasificar unidades, identificar formas irregulares, detectar elementos sobresalientes, evaluar su apilabilidad, contar cajas y reconocer determinadas características de la carga. Integrada con los sistemas de medición, permite determinar qué unidades requieren una validación adicional y cuáles pueden continuar su flujo operacional.
La misma lógica puede trasladarse al control de inventarios. Robots equipados con sistemas de visión pueden recorrer pasillos, observar productos almacenados en diferentes niveles de racks y contrastar esa información con los registros digitales. De esta forma, el inventario incorpora una capa de verificación física que permite detectar diferencias entre lo que indica el sistema y lo que efectivamente está presente en la instalación.
La seguridad es otra área donde la conexión entre percepción y acción adquiere relevancia. Matrix Design Group y Hyundai Material Handling integraron sus tecnologías HiVision y OmniPro para incorporar inteligencia artificial y detección en el borde de la red a carretillas elevadoras. El sistema identifica personas, vehículos y obstáculos, genera alertas y puede reducir automáticamente la velocidad del equipo cuando aumenta el riesgo de una colisión, transformando la información capturada por las cámaras en una acción directa sobre la máquina.
Otros desarrollos muestran que esta lógica no se limita al transporte interno. Omron ha incorporado inteligencia artificial a sistemas de inspección de calidad capaces de identificar defectos complejos a partir de imágenes reales, mientras que SafetyMind implementó su tecnología de videoanalítica en la operación de Gold Fields Perú, en la mina Cerro Corona, para detectar personas en situaciones de riesgo. En ambos casos, la IA interpreta información del entorno y la utiliza para apoyar decisiones operacionales.
De detectar a anticipar
La evolución también comienza a observarse en operaciones logísticas en Chile. Mintral ha incorporado visión artificial para transformar imágenes de procesos reales en alertas y decisiones preventivas, tanto en transporte como en bodegas. Su solución SafeVision Transport opera en servicios asociados a Minera Spence | BHP para monitorear condiciones relacionadas con la sujeción de carga, eventos de oscilación y uso de barandas. El proyecto comenzó hace cerca de dos años y, tras el entrenamiento y validación de los modelos en condiciones reales, alcanzó cifras cercanas al 90% de asertividad en el modelo asociado a sujeción y estiba.
El mismo enfoque fue llevado a bodega mediante SafeVision Warehouse, un piloto implementado en el terminal de Santiago para detectar tránsito por zonas no autorizadas, interacción entre personas y equipos móviles, incumplimientos en el uso de elementos de protección personal y caídas. En las últimas semanas evaluadas, la detección de cruces no autorizados superó el 90% de asertividad. Cuando identifica un evento, el sistema genera una alerta con ubicación, fecha, hora, nivel de riesgo y evidencia visual, que luego es validada por un responsable antes de activar, cuando corresponde, su escalamiento.
“Muchas de estas situaciones antes dependían de inspecciones presenciales o de revisiones posteriores. Hoy podemos detectar desviaciones prácticamente en tiempo real, validarlas y actuar mucho más rápido. Eso mejora la seguridad, fortalece la trazabilidad y, sobre todo, permite tomar mejores decisiones durante la operación y no cuando el problema ya ocurrió”, explica Dante Battaglia, gerente de Mintral.
El caso muestra una etapa intermedia particularmente relevante para la Physical AI: la máquina todavía no necesariamente ejecuta la respuesta, pero ya es capaz de percibir el entorno, identificar una desviación y entregar información accionable para que una persona intervenga. La transición desde la detección hacia la acción autónoma dependerá de que estos sistemas alcancen niveles suficientes de confiabilidad para operar en escenarios variables y físicamente críticos.
El desafío de la autonomía
La arquitectura que comienza a emerger puede resumirse en un ciclo de percibir, interpretar, decidir y actuar. Una cámara detecta un objeto; el modelo determina qué es y dónde se encuentra; el sistema establece qué hacer y un robot, vehículo o equipo ejecuta la acción. Después, los sensores vuelven a observar el entorno y el proceso se repite. El desarrollo de sensores táctiles podría ampliar esta capacidad al incorporar información obtenida directamente mediante el contacto con los objetos.
El principal límite está en la capacidad de estos sistemas para responder frente a situaciones que no forman parte de los escenarios conocidos. Solís advierte que “si el robot se enfrenta a una situación que se desvía mínimamente de la inmensa base de datos con la que fue entrenado, el sistema no deducirá una solución lógica basándose en las leyes de la física, sino que se romperá el patrón estadístico y la máquina se comportará de forma errática”. En una bodega, patio de contenedores o centro de distribución, donde interactúan personas, vehículos, mercancías y equipos, esta confiabilidad resulta tan relevante como la capacidad de procesamiento.
La expansión de la IA Física abre aplicaciones en inventario autónomo, picking, inspección de pallets, clasificación, mantenimiento, seguridad y gestión de flotas, además de posibles usos en puertos y terminales donde equipos automatizados puedan interpretar condiciones del entorno y adaptar sus operaciones en tiempo real. La primera generación de automatización permitió ejecutar movimientos predefinidos; la siguiente comienza a incorporar decisiones asociadas con lo que ocurre alrededor de las máquinas.
El resultado no implica que las máquinas estén adquiriendo capacidades cognitivas equivalentes a las humanas. El desafío está en construir sistemas capaces de percibir de manera confiable, interpretar correctamente y actuar dentro de parámetros de seguridad definidos. Para Solís, sin embargo, la reducción de costos está acelerando esta transformación: “haber logrado lanzar al mercado modelos base y torsos humanoides por precios considerablemente menores a la competencia es un cambio de paradigma que sacudirá los cimientos de la industria”.
Para la logística, esa evolución puede significar que la IA deje progresivamente de operar solo detrás de una pantalla y comience a formar parte directa de los procesos físicos que sostienen la cadena de suministro. La IA Física no comienza necesariamente cuando una máquina actúa de forma autónoma, sino cuando es capaz de percibir su entorno, interpretar lo que ocurre y convertir esa información en una respuesta operacional.
