Cero errores de expedición, de punta a punta

El problema

El error de expedición se descubre en la reclamación, no en el muelle.

Con un cliente de alimentación o médico, un incidente activa una reclamación formal y, en el peor caso, pierde el contrato frente a un competidor. El pedido del ERP/WMS, el palé fotografiado en picking, el peso confirmado en báscula, la cámara Edge del muelle y el dossier del evidence pack — todo se cruza entre sí.

• Cero errores de expedición significa tres cosas a la vez: ni palé equivocado, ni lote o caducidad incorrecta, ni mercancía servida al cliente equivocado.
• Con un cliente de alimentación o médico, un incidente activa una reclamación formal y, en el peor caso, la pérdida del contrato frente a un competidor que promete lo mismo.
• Cada control por separado ya existe en alguna forma: el pedido en el WMS, la hoja de picking, la báscula del muelle, la mirada del jefe de muelle.
• El problema es que no se cruzan entre sí, y el error que pasa cada control aislado —el palé correcto con el lote equivocado, el pedido que el cliente cambió— sale en el camión.

Cómo encaja con el sistema IRIS

Agents con JIDOKA AI — la carga se detiene en el muelle si los anillos no cuadran.

JIDOKA AI bloquea la carga en el muelle, no después, cuando ya es una reclamación del cliente. Así, la coordinación de todos los anillos no penaliza la productividad de carga.

Ningún anillo por separado resuelve el error de expedición: cada uno existe hoy y aun así el error sale. La fuerza está en el cruce: cuando el pedido, el picking, el peso y la imagen dejan de concordar, el camión no carga. Y todo se coordina para no penalizar la productividad de carga del muelle: el cruce ocurre mientras se prepara y se pesa, no en una revisión final.

Ver la arquitectura IRIS completa →

Antes y después

Los anillos del muelle y qué error frena cada uno

Anillo	De qué casos sale	Qué error frena
1 · Pedido	Aviso del cliente (3) + GPS de flota (8)	Cargar una versión vieja del pedido
2 · Preparación	Hoja de picking (1) + recepción con lote (7)	Referencia, lote o caducidad equivocada
3 · Peso	Báscula de muelle (2)	Faltante o palé que no es el del pedido
4 · Muelle	Palé dañado (9) + segregación ADR (10)	Palé roto o carga incompatible
5 · Evidencia en el almacén	Evidence pack (11)	Expedición sin prueba ante reclamación
Bloqueo	JIDOKA AI + tableta (5)	Que el camión salga con una discrepancia

Antes: un error de expedición se descubre en la reclamación del cliente, con riesgo de perder la cuenta. Después: los anillos de verificación lo detienen en el propio muelle.

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 6-12 meses, contado frente al primer incidente grave evitado.
• Protege desde una penalización contractual puntual hasta la pérdida completa de una cuenta grande.
• La detección pasa de la reclamación del cliente al propio muelle, antes de que el camión cierre puertas.
• Y cada expedición queda con su prueba de qué salió, cuánto pesaba y en qué estado, lista para cualquier reclamación. Eso cambia la conversación con el cliente: de discutir qué pasó a enseñar qué salió del muelle.

Payback 6-12 meses · cero errores de expedición frente al primer incidente grave evitado. Protege desde una penalización contractual puntual hasta la pérdida completa de una cuenta grande, con detección en el propio muelle, no en la reclamación del cliente.

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para tener esto?» — no; los anillos se construyen por capas y cada caso paga solo desde que arranca. Y JIDOKA AI no detiene la carga por incertidumbre de un modelo, sino por discrepancia comprobable entre fuentes: cruzar pedido, picking y peso es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Ante duda, decide el jefe de muelle en la tableta, con todas las fuentes delante.

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