Los pedidos de la tienda ya no se re-teclean

El problema

La venta directa ya nace estructurada y aun así se vuelve a teclear.

Con venta directa al consumidor y a hostelería, el pedido entra por la tienda online ya estructurado: referencia, cantidad, fecha de entrega. Pero si la tienda no está cosida a producción, alguien lo copia a mano.

• El pedido entra por la tienda online perfectamente formado: referencia, formato, unidades, canal y fecha de entrega. Es el dato más limpio que recibe la fábrica en todo el día.
• Y aun así alguien lo vuelve a escribir en el ERP de producción cada mañana, junto con los de HORECA y los de las tiendas delicatessen que llegan por correo o por teléfono.
• Cada re-tecleo es una oportunidad de equivocar la referencia, y con 18 croquetas y varios formatos de la misma receta equivocarse es fácil: el estuche de doce de jamón no es el granel de dos kilos de jamón.
• El efecto se ve al final del mes: o se produce de menos y se incumple una fecha prometida, o se produce de más y el excedente gourmet espera en cámara a una promoción que lo rescate.

Cómo encaja con el sistema IRIS

Connect vía API — la tienda y el ERP de producción dejan de ser dos mundos.

iLEAN Connect cose la tienda online con el ERP de producción vía API. Lo que pasa en la tienda se refleja automáticamente en el sistema que planifica el lote. En cuanto se confirma el pago, el pedido viaja solo al ERP, con su referencia, canal (B2C, HORECA o retail) y fecha de entrega ya correctos.

En cuanto se confirma el pago, el pedido viaja solo al ERP con su referencia, su canal y su fecha. Lo que pasa en la tienda se refleja en el sistema que planifica el lote, y lo que sale del túnel vuelve a la tienda como stock real. Este es el caso que distingue a una marca propia con venta directa de una fábrica que solo produce para terceros.

Ver la arquitectura IRIS completa →

Antes y después

Los pedidos de hoy frente a los pedidos cosidos

Aspecto	Hoy	Con iLEAN Connect
Pedido de la tienda online	Copiado a mano cada mañana	En el ERP al confirmarse el pago
Pedido de HORECA o delicatessen	Correo o teléfono, a una libreta	Estructurado por el mismo circuito
Error de referencia o de formato	Fácil con 18 croquetas y varios formatos	El pedido llega tal y como se compró
Stock publicado en la tienda	Actualizado a mano y con retraso	Alimentado por lo que sale del túnel
Fecha de entrega prometida	Una estimación	Contrastada con la planificación
Canal del pedido	Se pierde por el camino	B2C, HORECA o retail, trazado hasta el lote

Pedido tecleado dos veces, riesgo de error de referencia → Flujo único automático desde el pago hasta producción.

Estimación de impacto

Estimación de impacto — a validar con vuestros números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Payback estimado 3-6 meses, el más corto de los doce casos de la matriz.
• Desaparece el re-tecleo diario de pedidos y con él el error de referencia que lo acompaña.
• La tienda deja de vender lo que no hay: el stock publicado se apoya en producción real.
• Y cada lote sabe a qué canal va, que es lo que permite priorizar un pedido de gran distribución con fecha cerrada frente a uno de consumidor final.

Payback 3-6 meses · pedido tecleado 2 veces → flujo único automático. El retorno estimado es de 3 a 6 meses, por la reducción de errores de referencia en pedidos multicanal y el tiempo que hoy se dedica a copiarlos a mano. Estimación a validar.

Y la duda razonable del responsable de producción

«Nuestra tienda es de una plataforma estándar y el ERP es antiguo, ¿pueden hablarse?» — es el caso habitual y se resuelve por API por los dos lados. Donde no hay API, iLEAN trabaja sobre el documento que sí existe, y esa lectura es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. El pedido, además, pasa por la tableta antes de convertirse en orden, así que un formato raro se corrige en dos toques y no llega a la línea.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.