El avance se logró sin ampliar la flota de carretillas ni invertir en nueva infraestructura. En un entorno en el que cada metro cuenta, la mejora llegó por la vía del dato y de una optimización más avanzada del proceso.
La preparación de pedidos sigue siendo uno de los principales centros de coste en la logística de almacén, especialmente en el comercio electrónico. Los pedidos suelen ser pequeños, con pocas referencias, y obligan a recoger unidades en distintas ubicaciones, lo que complica el trabajo y multiplica los recorridos.
En la instalación de FM Logistic donde se probó la solución, la operativa se extiende a lo largo de 17.700 ubicaciones de picking. Los equipos trabajan con picking por oleadas, es decir, gestionan varios pedidos en una sola vuelta por el almacén. Por eso, agrupar bien los pedidos es clave: cuanto mejor se construyen los lotes, menos viajes realizan los operarios y más cortas son las rutas. En una operativa de este tamaño, incluso errores menores al agrupar pedidos pueden traducirse en miles de kilómetros adicionales al año y en un mayor desgaste de los equipos.
FM Logistic explica que su proceso ya estaba muy afinado, pero aún había margen de mejora. El problema es que los métodos clásicos de optimización empezaban a quedarse cortos para arañar avances en un sistema ya muy trabajado.
De un algoritmo propio a una prueba con DeepMind
La historia no empieza con AlphaEvolve. Antes del piloto, FM Logistic ya había desarrollado un algoritmo interno para agrupar pedidos en lotes, con el que logró mejorar de forma notable la eficiencia del picking. Con el tiempo, el objetivo dejó de ser “poner orden” y pasó a centrarse en extraer unos puntos porcentuales adicionales sobre una base ya sólida.
En ese contexto surgió la oportunidad de probar Google AlphaEvolve, una propuesta de Google DeepMind que utiliza modelos Gemini para crear y perfeccionar algoritmos. FM Logistic fue una de las primeras organizaciones a nivel mundial invitadas al programa de acceso anticipado.
A diferencia de las herramientas de inteligencia artificial generativa pensadas para redactar textos o responder preguntas, AlphaEvolve se orienta a otra tarea: resolver problemas complejos de optimización. Lo hace planteando variantes de algoritmos, probándolas y comparando resultados.
En el caso de FM Logistic, el objetivo era muy concreto: encontrar una forma aún más eficiente de agrupar pedidos en lotes. Cada cambio propuesto se validó después en un entorno de simulación diseñado para reproducir las condiciones reales del almacén.
La clave del proyecto: decidir qué significa “mejor”
Uno de los puntos críticos fue definir cómo evaluar las opciones que iba generando AlphaEvolve. Reducir la distancia recorrida era importante, pero no podía ser el único criterio de éxito.
Según FM Logistic, la inteligencia artificial puede detectar mejoras que no se ven a simple vista, pero no todas las soluciones “óptimas” encajan en la operativa diaria. Por eso, el equipo tuvo que fijar con precisión reglas de funcionamiento, restricciones y parámetros del proceso. La combinación del conocimiento del almacén con las capacidades de AlphaEvolve permitió llegar a propuestas que, además de eficientes, fueran aplicables en el día a día.
Impacto en la operativa: menos kilómetros, mismas instalaciones
El algoritmo implantado tras el trabajo con AlphaEvolve logró una mejora de más de un 10 % frente al enfoque anterior. En la práctica, eso se tradujo en rutas de picking más cortas y en recortar el recorrido anual de los operarios en más de 15.000 kilómetros.
El resultado es relevante porque partían de un nivel de optimización ya elevado. Las soluciones propias de FM Logistic habían reducido de forma significativa las distancias de picking, pero aun así AlphaEvolve permitió obtener mejoras adicionales en un terreno en el que cada avance suele ser más costoso que el anterior.
El proyecto deja otra lectura: no siempre hace falta automatizar más o reformar instalaciones para ganar eficiencia. En este caso, el valor llegó de un mejor aprovechamiento de los datos y de una optimización del proceso más sofisticada.
Y todo ello se consiguió sin inversiones en infraestructura ni en equipos: únicamente mediante un uso más inteligente de la información y ajustes en la forma de organizar el trabajo.
