Cómo Artificial Intelligence redujo un 38% los tiempos de entrega en una red logística de 14 ciudades
Meridian Logistics operaba con rutas fijas asignadas manualmente cada mañana. Los conductores perdían una media de 47 minutos diarios en trayectos subóptimos. Nos pidieron una solución que no requiriese cambiar su flota ni su software de gestión existente.
"En la tercera semana ya veíamos los datos. No fue magia, fue que el modelo aprendió patrones que nosotros llevábamos años ignorando." — Directora de operaciones, Meridian Logistics
Un modelo de enrutamiento dinámico entrenado con 18 meses de datos históricos
Recogimos registros GPS de 120 vehículos, datos de tráfico municipal y ventanas horarias de entrega. El preprocesamiento duró seis semanas: limpiar coordenadas erróneas, normalizar franjas de descarga y cruzar con calendarios festivos locales de cada ciudad.
El algoritmo resultante no es una caja negra. Genera rutas cada noche a las 02:00 y las presenta al equipo de planificación con un mapa interactivo. Si un planificador modifica una ruta, el sistema registra la corrección y la incorpora al siguiente ciclo de entrenamiento. Esa retroalimentación fue clave para que el equipo confiase en la herramienta.
El ahorro medio por vehículo es de 31 km diarios. Multiplicado por la flota, Meridian estima un ahorro anual de 210.000 € en combustible y mantenimiento.
Cronología del proyecto Meridian
Desde la primera reunión hasta la puesta en producción pasaron exactamente 14 semanas. Aquí están las tres fases principales.
Semanas 1–4: auditoría de datos
Revisamos la calidad de los registros GPS, identificamos 23.000 coordenadas corruptas y definimos las variables predictivas junto al equipo de operaciones de Meridian.
Semanas 5–10: desarrollo del modelo
Probamos tres arquitecturas distintas. La que mejor funcionó fue un modelo de grafos combinado con series temporales para predecir ventanas de congestión urbana. Entrenamiento sobre GPU durante nueve días.
Semanas 11–14: despliegue y ajuste
Integramos la salida del modelo con el ERP de Meridian mediante una API REST. Los planificadores recibieron formación presencial de dos días. El primer mes en producción se corrigieron 14 rutas manualmente; al tercer mes, solo 2.
Predicción de demanda para 1.200 referencias en una cadena de tiendas de electrónica
Solvex tenía un problema clásico: exceso de stock en productos de baja rotación y roturas de stock en los más vendidos. Su sistema de reposición se basaba en umbrales fijos que no diferenciaban entre temporadas, promociones o lanzamientos de producto.
Construimos un modelo de predicción de demanda semanal por referencia y tienda. Usamos datos de ventas de tres años, calendarios promocionales, indicadores macroeconómicos y hasta previsiones meteorológicas locales (la lluvia incrementa las ventas online y reduce las de tienda física).
El resultado: las roturas de stock bajaron un 52% en los primeros seis meses. El sobrestock se redujo un 29%. Solvex renegoció condiciones con tres proveedores gracias a la previsibilidad de sus pedidos.
Clasificación automática de imágenes dermatológicas para triaje prioritario
La Clínica Valterra recibía más de 400 consultas dermatológicas semanales. Los dermatólogos dedicaban casi el 40% de su tiempo a evaluar imágenes que no requerían atención urgente. Necesitaban un filtro inteligente, no un diagnóstico automático.
Entrenamos un clasificador de imágenes con un conjunto de datos anonimizado de 85.000 fotografías clínicas etiquetadas por especialistas. El modelo no diagnostica: asigna un nivel de prioridad (alta, media, baja) para que el equipo médico atienda primero los casos que realmente lo necesitan.
La precisión del sistema en la categoría de prioridad alta alcanza el 94,3%. Los dermatólogos revisan todas las clasificaciones, pero ahora dedican su tiempo donde más importa. El tiempo medio de espera para casos urgentes se redujo de 9 días a 3.
Validado con un conjunto de test de 12.000 imágenes que el modelo nunca había visto durante el entrenamiento.
Mapa de capacidades técnicas
No vendemos soluciones genéricas. Cada proyecto parte de un problema concreto y se construye con las herramientas adecuadas para ese problema.
Modelos predictivos
Series temporales, regresión avanzada, modelos de grafos. Desde predicción de demanda hasta mantenimiento preventivo de maquinaria industrial.
Visión artificial
Clasificación de imágenes, detección de objetos, segmentación semántica. Aplicaciones en control de calidad, agricultura de precisión y salud.
Procesamiento de lenguaje
Extracción de información de documentos, análisis de sentimiento, chatbots especializados con conocimiento de dominio específico del cliente.
Optimización y simulación
Algoritmos de enrutamiento, asignación de recursos, planificación de turnos. Problemas combinatorios donde la fuerza bruta no escala.
Integración y despliegue
APIs REST, pipelines de datos en tiempo real, monitorización de modelos en producción. Nos aseguramos de que el modelo funcione fuera del laboratorio.
Cómo decidimos si un proyecto tiene sentido antes de empezar
Rechazamos proyectos. No todos los problemas necesitan inteligencia artificial, y aplicarla donde no encaja es caro e inútil. Antes de aceptar un encargo hacemos una evaluación de viabilidad de dos semanas que incluye tres preguntas concretas.
Primera: ¿existen datos suficientes y de calidad razonable? Si la empresa no tiene registros históricos o los tiene en papel desorganizado, el primer paso no es un modelo, sino un sistema de captura de datos. Lo decimos abiertamente.
Segunda: ¿el problema se puede medir? Si no hay una métrica clara de éxito (reducir X, aumentar Y, detectar Z), no hay forma de saber si la solución funciona. Definimos esa métrica con el cliente antes de escribir una línea de código.
Tercera: ¿el equipo del cliente puede mantener la solución? Entregamos modelos con documentación, formación y un período de soporte de 90 días. Pero si la empresa no tiene a nadie capaz de interpretar los resultados, diseñamos la interfaz para que sea comprensible sin conocimientos técnicos.
Preguntas que nos hacen con frecuencia
¿Cuánto cuesta un proyecto típico?
Depende radicalmente del alcance. La evaluación de viabilidad tiene un coste fijo de 3.500 €. A partir de ahí, los proyectos de desarrollo oscilan entre 15.000 y 120.000 € según complejidad, volumen de datos y requisitos de integración. Damos presupuesto cerrado tras la evaluación.
¿Trabajáis solo en Barcelona?
Nuestra oficina está en Barcelona, pero trabajamos con clientes en toda España y en varios países europeos. La fase de auditoría de datos suele requerir una o dos visitas presenciales; el resto del proyecto se gestiona en remoto con reuniones semanales.
¿Qué pasa si el modelo no funciona?
La evaluación de viabilidad existe precisamente para minimizar ese riesgo. Si durante el desarrollo descubrimos que los datos no soportan la hipótesis, lo comunicamos y facturamos solo el trabajo realizado hasta ese punto. Ha ocurrido dos veces en tres años.
¿Usáis herramientas de código abierto o propietarias?
Preferimos código abierto (Python, PyTorch, scikit-learn, FastAPI) porque elimina dependencias de licencia para el cliente. Si un proyecto requiere servicios cloud específicos como AWS SageMaker o Google Vertex AI, lo discutimos y el cliente decide.
¿Cuánto tarda un proyecto de principio a fin?
Entre 8 y 20 semanas, contando evaluación, desarrollo, pruebas e integración. Los proyectos de visión artificial suelen ser más largos porque el etiquetado de datos consume tiempo. Los de optimización combinatoria suelen ser más cortos.
¿Tiene un problema que podría resolverse con datos?
Cuéntenos brevemente qué necesita. No hace falta que sepa si es un problema de inteligencia artificial o no; eso lo evaluamos nosotros. Respondemos en un máximo de 48 horas laborables.
Apartamento Barbara Mora Caraballo s/n., 08002 Barcelona, Catalonia, Spain