Conectar la IA al piso de la operación
Cómo hacer que la IA trabaje con los datos reales de tu operación, WMS, TMS, Zendesk, planilla de turno y sensor, eligiendo el camino correcto según el formato del dato y conectando con seguridad.
Le preguntas a la IA por qué el hub de distribución tiene fila desde las siete de la mañana. Ella responde con un análisis lleno de términos bonitos de logística. E inventado. La IA nunca abrió tu WMS ni el sensor de ocupación del andén, así que adivina una causa plausible.
Le preguntas cuál ruta tiene el peor costo por entrega en el mes. La IA opina "probablemente la más larga", sin haber visto nunca tu planilla de costo por ruta. El verdadero villano era una ruta corta con retrabajo, escondida en una columna que ni sabía que existía.
Le preguntas si el SLA prometido en el contrato del cliente coincide con el SLA interno operativo. La IA responde con seguridad que los dos son iguales, sin haber cruzado el contrato de texto corrido con la planilla de metas por turno. El contrato prometía 24 horas; la meta interna real, escondida en una pestaña separada, era 30.
Le preguntas si se puede prometer entrega en 24 horas en la campaña de fin de año. La IA responde que sí, con la misma confianza de siempre, sin haber mirado nunca el panel de capacidad del hub en ese período. La promesa de la campaña iba a romperse justo en la semana de pico, que la IA nunca leyó como sensor de ocupación real.
Le pides a la IA cruzar el ausentismo del turno de madrugada, que vive estructurado en el sistema de asistencia, con la política de escala, que es texto corrido. Ella devuelve una respuesta con jerga de gestión de turno, pero trató la política como planilla y la asistencia como si necesitara búsqueda por significado. El turno que más faltaba desapareció en medio de la confusión, porque ninguna de las dos fuentes se leyó de la forma correcta.
Le pides a la IA decir qué feature de la app de conductor reduce más el tiempo detenido en el andén, cruzando el log de eventos de la app, que es estructurado, con el informe de investigación en PDF lleno de mapas de calor. Ella devuelve un número bonito, pero leyó el PDF como texto corrido y perdió el mapa de calor, y trató el log como si necesitara buscar por significado en vez de agregar por ventana de tiempo. El cuello de botella real estaba en un rango de horario que ella nunca sumó bien.
Le pides a la IA explicar por qué el SLA prometido a una cuenta grande no se está cumpliendo, cruzando el export del TMS, línea y columna, con el contrato firmado, texto corrido. Ella devuelve una respuesta de consultor, pero trató el TMS como texto para buscar por significado y el contrato como planilla, perdiendo la cláusula de excepción por feriado. El cuello de botella real estaba en la cláusula, escondida en un contrato que ella nunca leyó por significado.
Le preguntas a la IA por qué el andén 4 del centro de distribución tiene fila desde las siete de la mañana, y juntas de una sola vez el export del WMS (línea y columna, posición de cada pallet), la planilla de turno que el supervisor llena a mano, y el sensor de ocupación del andén, que manda una señal cada treinta segundos. Ella devuelve una respuesta bonita, pero mezcló las tres: trató el WMS como texto para buscar por significado, trató la planilla de turno como si fuera limpia y estructurada igual que el sistema, y trató el sensor como si fuera una tabla fija de treinta líneas, sin agregar nada. La fila real venía de un pico de diez minutos en el sensor, justo en el horario en que la planilla de turno (llenada a mano, con una celda fuera del patrón) registraba el cambio de equipo, información que el WMS ni tenía forma de saber. Formato de dato equivocado, diagnóstico equivocado: sistema estructurado pide razonamiento sobre schema, planilla de turno pide normalización antes de calcular, sensor pide agregación en ventana, no los tres tratados de la misma forma.
Le pides a la IA listar qué cámaras frías tuvieron riesgo de ruptura de cadena de frío en el mes, cruzando el log de sensor de temperatura, continuo, con el procedimiento de seguridad alimentaria, texto corrido. Ella devuelve una lista genérica, pero trató el sensor como planilla fija en vez de agregar por ventana, y perdió picos cortos que cruzaron el umbral por pocos minutos. El riesgo real estaba en una ventana de diez minutos que ella nunca agregó.
Le pides a la IA encontrar qué servicio del sistema de ruteo causa más lentitud, cruzando el log estructurado del monitoreo con el informe de incidentes en PDF lleno de gráficos de latencia. Ella devuelve una suposición con aire de quien entiende de infra, pero trató el log como texto para buscar por significado y el PDF como planilla simple, perdiendo el gráfico. El servicio que más se trababa estaba en una tabla del informe que ella nunca leyó como imagen.
Le pides a la IA encontrar dónde se traba más el conductor en el flujo de confirmación de entrega, cruzando los datos de uso de la app, estructurados, con el informe de investigación en PDF lleno de mapas de calor. Ella devuelve un cliché de UX, pero trató el uso de la app como texto corrido y el PDF como planilla, perdiendo el mapa de calor que mostraba el punto real de fricción. El paso donde el conductor realmente se trababa desapareció porque ninguna fuente se leyó de la forma correcta.
Le preguntas qué hub debería recibir la próxima inversión en automatización. La IA devuelve una respuesta bonita cruzando datos de dos sistemas distintos de cualquier manera: trató el export del WMS como texto para buscar por significado, y el informe de capacidad en PDF como planilla simple, perdiendo la tabla. El hub que realmente más lo necesitaba estaba escondido en una tabla que ella nunca leyó como imagen de verdad.
Ok, fíjate en algo: el problema casi nunca es que la IA sea mala con las cuentas. El problema es que está respondiendo de memoria, sin haber abierto nunca TU piso de operación. Es como contratar al mejor gerente de operaciones del mercado, sentarlo en tu oficina y nunca darle acceso a tu WMS, a tu TMS, al sensor de la cámara fría. Va a hablar bonito y va a errar feo, porque está adivinando. Conectar la IA a los datos reales de tu operación es exactamente lo que la saca de lo genérico. Solo que conectar mal es peor: o filtra información sensible de tu piso de fábrica, o mezcla tres formatos de dato distintos y te entrega un diagnóstico con cara de certeza que no coincide con nada.
La idea central de esta lección. La IA solo sirve de verdad cuando trabaja CON los datos reales de tu operación, y el FORMATO del dato decide el camino. Sistema estructurado (WMS, TMS, Zendesk) muchas veces ni pide búsqueda vectorial: la IA razona sobre el schema y las estadísticas. Planilla de turno parece estructurada, pero es sucia, mantenida a mano, y necesita normalización antes de cualquier cuenta. Sensor es dato continuo: no es texto para buscar por significado ni tabla fija para sumar, pide agregación en ventana de tiempo. Y antes que nada, viene la pregunta de seguridad: qué puede salir del piso de la operación y qué no puede.
01El formato del dato decide el camino
Lo primero que cambia todo es dejar de tratar "los datos de mi operación" como una sola cosa. No existe un camino único para conectar la IA a tu piso de fábrica o de distribución. Lo que existe es el formato del dato, y el formato dicta el camino.
Piensa en tres naturalezas de dato que viven en toda operación. Está el sistema estructurado, que vive en línea y columna: el export del WMS, la tabla del TMS, el informe del Zendesk. Está la planilla de turno, que parece estructurada pero está mantenida a mano por supervisores, con celda combinada, texto libre en la columna de observación, formato que cambia de turno en turno. Y está el sensor, dato continuo: temperatura de cámara fría, tiempo de ciclo de máquina, ubicación de vehículo en tránsito, una señal cada segundo o cada minuto.
Son tres naturalezas distintas, y cada una pide una herramienta distinta. Tratar de meter las tres en el mismo camino es el error número uno. El estudio de @datasciencebrain apunta exactamente a eso: el formato del dato decide la arquitectura de memoria, no al revés.
02Sistema estructurado: WMS, TMS y Zendesk casi siempre piden razonamiento sobre schema
Aquí vive el error más común de quien acaba de aprender RAG: pensar que TODO dato necesita volverse búsqueda vectorial. No necesita. Y en la operación esto es especialmente cierto, porque buena parte de lo que usas todos los días ya vive estructurado, en línea y columna, dentro del WMS, del TMS o del Zendesk.
Cuando el dato es un export del WMS con posición de pallet, o una tabla del TMS con tiempo por etapa de la ruta, la IA no gana casi nada transformando cada celda en coordenada de significado. Lo que necesita es entender la ESTRUCTURA: cuáles son las columnas, qué significa cada una, cuál es el total de filas, la suma de cada columna, el rango de los valores. En vez de "buscar fragmentos parecidos", razona sobre el schema, sobre las estadísticas y sobre una muestra de filas representativas.
Piensa en la diferencia práctica. Para responder "qué andén tiene la mayor fila hoy", la IA no necesita una búsqueda semántica difusa. Necesita mirar la tabla del WMS, ordenar por la columna de tiempo de espera y leer la primera fila. Eso es razonamiento sobre dato estructurado, no búsqueda vectorial. Es más barato, más exacto, y no corre el riesgo de que la búsqueda traiga el andén equivocado.
03Planilla de turno: parece estructurada, pero engaña
Ahora el formato que más engaña a quien trabaja con operación. La planilla de turno TIENE línea y columna, así que parece que es lo mismo que el export del WMS. No lo es. Está llenada a mano por supervisores distintos, en turnos distintos, bajo presión de tiempo, y eso deja marca: una celda combinada que rompe la lectura por columna, una observación escrita como texto libre donde debería haber un código fijo, un turno que registra la hora en formato 07:00 y otro que registra "siete de la mañana".
Si tratas la planilla de turno como si fuera tan limpia como el WMS, la IA va a calcular sobre una estructura que no existe de verdad, y el resultado sale equivocado sin avisar. El camino correcto es pedirle a la IA que primero NORMALICE: identificar dónde se rompe la estructura, estandarizar el formato de hora, separar el texto libre del dato fijo, y solo después razonar sobre la tabla normalizada. Es un paso extra que la planilla de turno exige y el WMS no, y saltarse ese paso es donde el diagnóstico empieza a mentir.
04Sensor: dato continuo pide ventana, no RAG y no línea a línea
Aquí entra el tercer formato, el que menos se parece a los otros dos: el sensor. Temperatura de cámara fría cada treinta segundos, tiempo de ciclo de una máquina por cada pieza, ubicación de un vehículo cada minuto. No es texto para buscar por significado, porque no tiene ningún significado semántico, es solo número en el tiempo. Y no es una tabla fija para sumar línea a línea, porque una lectura aislada casi nunca cuenta la historia: lo que importa es el patrón a lo largo de una ventana.
Tirarle un flujo bruto de sensor a la IA, pregunta por pregunta, punto por punto, es caro y es ruido. Nadie decide nada mirando una lectura de temperatura aislada a las 14:32:12. El camino correcto es agregar primero: el promedio por hora, el pico del turno, la desviación respecto a lo normal, cuántas veces la señal cruzó el umbral de seguridad. Solo después de agregado en ventanas es que la IA interpreta con sentido, y lo que te devuelve se vuelve decisión, no ruido bonito.
05Seguridad: lo que no sale del piso de la operación
Todo lo anterior es sobre lograr que la IA acierte. Ahora el punto que, en la operación, puede tumbarte: lo que sale de tu piso de fábrica o de distribución hacia afuera.
En el momento en que conectas la IA a tus sistemas operativos, responde antes que nada: ¿este dato PUEDE salir? Hay dato que puede ir a un modelo en la nube sin problema. Y hay dato que no puede salir de ninguna manera: ubicación en tiempo real de carga de alto valor en tránsito, términos de contrato de exclusividad con un transportista, token de acceso al WMS, dato de cliente que vive dentro del TMS. Mandar eso hacia afuera sin pensarlo no es optimización, es una fuga.
Las mismas tres capas de protección de la lección de conectar datos financieros valen aquí, solo que aplicadas al piso de operación. Anonimización: quitar el identificador antes de mandar, cambiar la placa del vehículo por un código, agregar lo que se pueda agregar. Elección de dónde corre: dato de ubicación de carga sensible puede pedir un modelo local o un entorno cerrado, no la nube pública. Gateway: la puerta que queda entre tú y el modelo, bloqueando lo que no puede pasar y registrando todo lo que pasó. No es burocracia, es lo que separa "usé IA en mi WMS" de "filtré la ruta de mi carga más valiosa a un tercero sin darme cuenta".
Hazlo ahora
Toma un caso real de tu operación donde la IA respondió de memoria y se equivocó, o donde todavía ni intentaste usar IA: tu tarea real.
- Enumera 3 fuentes de dato que contendrían la respuesta correcta (export del WMS o TMS, planilla de turno, log de sensor).
- Para cada fuente, clasifica el FORMATO: sistema estructurado, planilla de turno mantenida a mano, o sensor continuo.
- Marca el camino de cada una: sistema estructurado lleva a razonamiento sobre schema, planilla de turno lleva a normalización antes de calcular, sensor lleva a agregación en ventana.
- Haz la revisión de seguridad de cada fuente en una línea: ¿este dato puede salir del piso de la operación? ¿Necesita anonimizarse? ¿Corre en la nube o pide entorno cerrado?
- Señala cuál fuente es la más sensible de las tres y escribe, en una frase, qué debería bloquear el gateway en ella.
Acabas de diseñar la conexión de tu piso de operación con la IA por el camino correcto y con la puerta de seguridad en su lugar.
Practica
1. Necesitas que la IA responda 'qué andén tiene mayor tiempo de espera hoy' a partir del export del WMS. ¿Cuál es el camino más indicado?
2. ¿Por qué tirarle a la IA la señal bruta de un sensor de temperatura, punto a punto, directo en una pregunta, suele dar una respuesta mala?
Para la pizarra
Sobre el diagnósticoestá adivinando porque nunca abrió tu WMS, tu TMS, tu sensor.
Sobre el formatoun export estructurado pide razonamiento sobre el esquema, no búsqueda vectorial.
Sobre el sensorel dato continuo pide ventana. Leer punto por punto es ruido; agregar es lo que se vuelve señal de decisión.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.