El tramo más caro de toda la cadena
El comercio electrónico en México creció con fuerza en los últimos años, y detrás de cada paquete que llega hay una realidad que rara vez se ve desde afuera: el último kilómetro �?"ese tramo entre la bodega y la puerta del cliente�?" es el más caro y el más caótico de toda la operación logística. El dato de fondo, que puede consultarse en las estadísticas económicas del INEGI �?- y en el seguimiento del sector que hace la Secretaría de Economía �?-, es que este segmento no deja de crecer, y con él crece la presión sobre miles de empresas que intentan entregar rápido con herramientas improvisadas.
La escena es familiar para cualquiera que haya trabajado en logística en el país: restaurantes, tiendas de moda, farmacias y distribuidoras intentando cumplir entregas el mismo día con una hoja de cálculo y un grupo de WhatsApp como "sistema logístico". La consecuencia es predecible: costos inflados, clientes frustrados y repartidores recorriendo rutas subóptimas porque nadie tuvo tiempo de planearlas bien. No es un problema de falta de esfuerzo; es un problema de falta de método a una escala que el cerebro humano, por sí solo, no alcanza a coordinar.
La inteligencia artificial entra justo ahí, y conviene decir con honestidad qué es y qué no es. No resuelve la última milla con magia. La resuelve con matemáticas aplicadas a datos reales de la operación: historial de tráfico, ventanas de entrega, capacidad de los vehículos, patrones de demanda por zona y horario. Este artículo explica cómo funciona esa maquinaria, qué resultados es razonable esperar y qué errores evitar al llevarla a una operación mediana en México, sin prometer cifras que nadie puede garantizar.
Por qué la última milla mexicana es estructuralmente más difícil
Antes de hablar de soluciones vale la pena entender por qué entregar en México es más complejo que en muchos otros mercados. No es un juicio; es una descripción de las condiciones reales del terreno, y explica por qué las herramientas genéricas importadas suelen fallar aquí.
Direcciones que no siempre están en el mapa
Una parte relevante de los domicilios del país no tiene una geocodificación precisa en los mapas comerciales estándar. A eso se suma la nomenclatura repetida entre zonas de una misma ciudad y la expansión urbana hacia municipios conurbados, donde las calles nuevas tardan en aparecer bien ubicadas. El repartidor pierde tiempo no por lentitud, sino porque el punto al que debe llegar está mal marcado en el mapa desde el principio.
La informalidad de las señas
"Entre el Oxxo y la ferretería, casa azul con portón negro" es una instrucción de entrega perfectamente real en buena parte del país. Ese tipo de referencia, imposible de procesar para un mapa convencional, obliga al repartidor a buscar, preguntar y adivinar. Gestionar esto a mano suma minutos de más por paquete en las zonas de direcciones no estandarizadas, y esos minutos, multiplicados por cientos de entregas, se convierten en costo puro.
Un tráfico que cambia de hora en hora
La tercera dificultad es la variabilidad del tráfico. Un repartidor que sale de la bodega a las nueve de la mañana enfrenta condiciones radicalmente distintas a las que encontrará al mediodía. Sin un sistema que actualice las rutas en vivo, la planeación matutina queda obsoleta antes de la comida, y las ventanas prometidas al cliente se incumplen no por mala fe, sino porque se calcularon con información que ya caducó.
Capa 1: optimización de rutas, el problema que el cerebro humano no escala
El corazón matemático de la última milla es un problema clásico de las operaciones: cómo repartir un conjunto de entregas entre varios vehículos minimizando distancia y tiempo, respetando al mismo tiempo un montón de restricciones simultáneas �?"la capacidad de carga de cada vehículo, las ventanas horarias del cliente, la jornada máxima del repartidor, las prioridades de ciertos paquetes�?". Un despachador humano experimentado puede resolverlo razonablemente para pocas paradas; a partir de cierto volumen, la cantidad de combinaciones posibles supera por completo lo que una persona puede sopesar en su cabeza.
Aquí es donde la IA aporta una ventaja de otro orden. Un motor de optimización moderno considera decenas de paradas, varios vehículos, múltiples ventanas de tiempo y restricciones de peso, y produce una ruta práctica en segundos. Es importante ser preciso: el resultado no siempre es el óptimo matemático perfecto �?"encontrarlo sería carísimo en cómputo�?", sino un óptimo práctico muy bueno, obtenido en el tiempo que tarda un café en enfriarse. Para una operación de reparto de volumen medio, la diferencia entre una ruta "a ojo" y una ruta optimizada tiende a traducirse en menos kilómetros recorridos, menos combustible y más entregas por jornada con la misma flota.
"La última milla no se gana con repartidores que corran más, sino con rutas que los hagan recorrer menos. El valor de la IA aquí no es la velocidad del vehículo, es la inteligencia del orden en que visita cada punto."
Capa 2: predicción dinámica de tráfico
La segunda capa es la que mantiene viva a la primera. Una ruta perfecta calculada a las ocho de la mañana deja de ser perfecta a las diez si el tráfico cambió y nadie lo tomó en cuenta. Los sistemas avanzados combinan datos de tráfico en tiempo real con modelos entrenados en patrones históricos: aprenden que cierto corredor de la ciudad fluye distinto un lunes que un miércoles a la misma hora, y planean en consecuencia.
Esto habilita dos cosas de valor real. La primera es planear las rutas matutinas con tiempos realistas según el día de la semana, en lugar de con un promedio genérico que casi nunca corresponde a la realidad. La segunda, y más poderosa, es recalcular en vivo: cuando el sistema detecta un cierre o un incidente en el camino, ajusta la ruta en segundos sin que el repartidor tenga que llamar al despachador. Esa capacidad de reaccionar en tiempo real es, precisamente, lo que separa a un sistema de IA de una simple lista de direcciones ordenada una sola vez. Es la misma lógica de datos en tiempo real que domina el conjunto de la cadena de suministro, un tema que ampliamos en nuestra guía sobre IA en logística y cadena de suministro para empresas mexicanas.
Capa 3: comunicación con el cliente, donde se gana o se pierde la entrega
La tercera capa es, para muchas operaciones, la que más mueve el resultado, y también la más subestimada. El intento fallido de entrega �?"llegar a un domicilio y que no haya nadie, o que la dirección esté mal�?" es el costo oculto más caro del delivery, porque suma combustible, tiempo del repartidor y trabajo administrativo sin generar un solo peso de ingreso. Reducirlo suele tener más impacto en la utilidad que cualquier optimización de ruta.
La IA ataca el intento fallido antes de que ocurra. Analiza el historial de cada dirección para estimar en qué ventanas horarias suele haber alguien disponible, y envía al cliente un mensaje proactivo �?"por WhatsApp u otro canal�?" antes de la entrega, con la ventana prevista y la opción de reagendar si no estará. Esa confirmación anticipada, por sí sola y sin tocar las rutas, reduce de forma consistente la proporción de entregas que fallan. Es el mismo tipo de conversación automatizada que transforma la atención en otros sectores; si quieres ver cómo se estructura en el canal, revisa nuestra guía sobre chatbots de WhatsApp para empresas en México. Y conviene recordar que toda esa comunicación con el consumidor está sujeta a las reglas de trato justo y veracidad que vigila la PROFECO �?-: prometer una ventana de entrega obliga a cumplirla, y la automatización debe ayudar a honrar esa promesa, no a maquillarla.
Datos: el cimiento invisible que decide todo
Hay una verdad incómoda que ningún proveedor de tecnología subraya lo suficiente: la calidad de una operación de última milla con IA depende, antes que de cualquier algoritmo, de la calidad de sus datos. Un motor de optimización deslumbrante alimentado con direcciones mal capturadas, estados de pedido ambiguos y un histórico incompleto producirá rutas que se ven impecables en la pantalla y fracasan en la banqueta. La frase que resume el oficio es tan vieja como cierta: basura entra, basura sale.
Por eso el primer trabajo de cualquier proyecto serio no es comprar software, sino ordenar la casa. Eso significa estandarizar la forma en que se capturan las direcciones, enriquecerlas con referencias útiles para las zonas de nomenclatura informal, y dejar sin ambigüedad los estados por los que pasa un pedido desde que se genera hasta que se entrega. Es un trabajo poco glamoroso, casi siempre subestimado, y es exactamente el que separa una implementación que rinde de una que decepciona. Este cuidado del dato es común a toda la cadena de suministro, y lo tratamos con más detalle en nuestra guía sobre IA en logística y cadena de suministro.
Ordenar los datos tiene un beneficio adicional que no es menor: obliga a la empresa a entender su propia operación. Muchas veces, el ejercicio de limpiar direcciones y mapear estados de pedido revela cuellos de botella que no tenían nada que ver con la tecnología �?"un proceso mal diseñado, una responsabilidad difusa�?" y que, una vez visibles, se corrigen con sentido común. La IA, en ese sentido, funciona como un espejo: no arregla lo que la empresa no quiere ver, pero lo pone en evidencia.
El repartidor: aliado, no reemplazado
Una pregunta legítima acompaña cualquier proyecto de IA en logística: ¿qué pasa con los repartidores y los despachadores? La respuesta honesta es que la última milla sigue siendo profundamente humana en su ejecución. La IA no toca la puerta, no interpreta una seña ambigua sobre la marcha, no resuelve el imprevisto del portón cerrado ni construye la relación de confianza con el cliente que recibe. Lo que la IA hace es quitarle al equipo el trabajo que ninguna persona debería estar haciendo a mano: calcular rutas óptimas entre miles de combinaciones, vigilar el tráfico minuto a minuto, perseguir confirmaciones.
El patrón que suele observarse es una elevación del rol. El despachador deja de ser una calculadora humana estresada y pasa a supervisar excepciones y decisiones de criterio; el repartidor recibe rutas más lógicas y menos reversos inútiles, lo que hace su jornada más productiva y menos frustrante. Esta lógica de multiplicar la capacidad del equipo en lugar de recortarlo es la misma que aplica a cualquier empresa que adopta IA con cabeza, y la desarrollamos a fondo en nuestra guía sobre cómo la IA ayuda a las PyMEs mexicanas a competir con las grandes.
Escala: por qué la IA gana terreno conforme creces
Un matiz que suele pasarse por alto es que el valor de la IA en la última milla no es constante: crece con el volumen. Cuando una operación entrega apenas unos cuantos paquetes al día con un solo vehículo, un despachador atento puede planear rutas razonables a mano, y la tecnología aporta poco. Pero en cuanto el negocio suma vehículos, zonas y ventanas horarias, la cantidad de combinaciones posibles se dispara de forma que ninguna persona alcanza a manejar, y ahí la ventaja de un motor de optimización se vuelve decisiva.
Esto tiene una implicación estratégica importante para una PyME que crece: el momento de adoptar estas herramientas no es cuando ya se está ahogando en volumen, sino un poco antes, cuando la operación empieza a mostrar los primeros síntomas de descoordinación. Adoptar con orden en la etapa de crecimiento evita el caos que llega cuando el volumen supera a la capacidad de planear a mano. La IA, bien implementada, es lo que permite crecer sin que la calidad de servicio se derrumbe, que es precisamente la trampa en la que caen muchos negocios prometedores cuando la demanda los rebasa.
El costo, con honestidad
Toda conversación seria sobre IA en delivery llega al costo, y aquí conviene ser directo: no existe un precio único. La inversión depende del volumen de envíos, del número de vehículos, de las integraciones con el sistema de ventas y del alcance de la solución. Presentado de forma orientativa, suele ubicarse en un rango mensual que crece con la complejidad de la operación, no con las horas trabajadas.
La forma correcta de evaluarlo no es preguntar el precio en abstracto, sino estimar el retorno para tu operación concreta. Ese retorno tiene fuentes claras: el ahorro en combustible y kilómetros por rutas más eficientes, la mayor cantidad de entregas por jornada con la misma flota, y �?"sobre todo�?" la reducción de intentos fallidos, que suele ser la palanca de mayor impacto porque cada entrega que no se repite es puro costo evitado. Antes de comprometer cualquier presupuesto conviene ponerle números a ese retorno con método, un ejercicio que detallamos en nuestra guía sobre cómo medir el ROI de la inteligencia artificial.
Cómo empezar sin tropezar
La manera más rápida de fracasar es querer implementar las tres capas al mismo tiempo sobre datos desordenados. La manera más segura de avanzar es empezar por ordenar la fuente: direcciones bien capturadas, estados del pedido claros, un histórico limpio de entregas. Sin ese cimiento, cualquier motor de optimización trabajará sobre información falsa y producirá rutas que se ven bien en la pantalla pero fallan en la calle.
Con los datos en orden, el primer frente de mayor retorno suele ser la comunicación con el cliente para reducir intentos fallidos, seguido de la optimización de rutas y, después, la predicción de tráfico en vivo. Este orden no es capricho: atacar primero el costo oculto más caro genera el ahorro que financia el resto del proyecto. Saltarse el ordenamiento de datos �?"automatizar lo vistoso antes de lo que sostiene todo�?" es uno de los tropiezos más comunes; lo abordamos, junto con otros, en nuestro artículo sobre los errores más frecuentes al implementar IA en una empresa.
Qué medir para saber si funciona
Sin indicadores, un proyecto de última milla es solo una intuición cara. Estos son los que revelan, en dirección más que en promesa de cifras, si la IA está funcionando:
- Entregas a tiempo: qué proporción de pedidos llega dentro de la ventana prometida, sostenida a lo largo de semanas y no en un día suelto.
- Tasa de primer intento exitoso: el mejor termómetro del costo oculto; si sube de forma sostenida, el dinero deja de irse en reversos.
- Costo por entrega exitosa: incluyendo combustible, tiempo del repartidor y plataforma, para ver el efecto neto y no solo un ahorro parcial.
- Kilómetros por entrega: indicador directo de la eficiencia de la ruta; menos kilómetros con las mismas entregas es señal de optimización real.
- Satisfacción posterior a la entrega: porque una operación sana mejora tanto el número como la experiencia de quien recibe.
Errores comunes al llevar IA a la última milla
- Optimizar rutas sobre datos sucios: direcciones mal capturadas producen rutas perfectas en la pantalla que fallan en la calle.
- Ignorar el intento fallido: concentrarse solo en kilómetros y descuidar la confirmación con el cliente deja intacto el costo más caro.
- Comprar una solución genérica importada: lo que funciona en mercados con direcciones estandarizadas suele tropezar con la informalidad mexicana.
- Prometer ventanas que no se pueden cumplir: automatizar la promesa sin capacidad de honrarla erosiona la confianza y expone al negocio ante el consumidor.
- Esperar resultados perfectos el primer día: el sistema mejora al calibrarse con la operación real; los primeros meses son de ajuste, no de milagro.
Cómo lo abordamos en Victor IA
Nuestro método parte de un principio: primero se ordena la operación, después se automatiza. Antes de conectar cualquier motor de optimización, revisamos junto a la empresa el estado real de sus datos �?"direcciones, estados de pedido, histórico de entregas�?" porque sabemos que ahí se define el éxito o el fracaso del proyecto. Luego atacamos primero el frente de mayor retorno, casi siempre la reducción de intentos fallidos mediante confirmación proactiva con el cliente, y lo dejamos corriendo en paralelo con la operación existente para comparar resultados antes de cualquier cambio definitivo. El equipo humano nunca queda fuera: el despachador y los repartidores participan en afinar el sistema, porque su conocimiento de la calle es un dato que ningún algoritmo trae de fábrica. Ese acompañamiento �?"técnico y humano a la vez�?" es lo que convierte una promesa tecnológica en entregas que de verdad llegan. Si quieres dar el primer paso con orden, empieza por entender bien qué es un agente de IA y cómo trabaja, y desde ahí construimos el resto.