Con una entrega o una devolución hay que generar etiquetas, albaranes y a veces documentos de aduana. Esto se hace a partir de datos que ya están en algún lugar del sistema: dirección, peso, contenido, destino. La pregunta es si la IA puede asumir ese proceso, y qué parte de las horas de un tramitador de pedidos o empleado logístico queda así liberada.
La respuesta es sí, con una salvedad. Esta es una de las tareas para las que ni siquiera se necesitan los modelos de IA más recientes: la automatización robótica de procesos (RPA) basta, y muchas empresas ya trabajan así.
Tres ejes son decisivos: la estructuración, el volumen y el margen de criterio.
La estructuración obtiene un 5. Una etiqueta de envío sigue un formato fijo, un albarán sigue un formato fijo, un documento de aduana sigue un formato fijo prescrito por la propia aduana. No se necesita interpretación sobre qué debe figurar en el documento: eso está fijado en la plantilla y en los datos de entrada.
El volumen también obtiene un 5. No es una tarea que se produzca unas pocas veces por semana; en una empresa de cierto tamaño se trata de decenas a miles de envíos al día. Cuanto mayor sea el volumen, mayor será la ganancia de tiempo por paso automatizado, y antes se amortizará la inversión en integraciones.
El margen de criterio obtiene un 5, lo cual aquí es favorable: hay poco que ponderar. El sistema conoce el peso, el destino y el tipo de envío, y de ahí se deriva mecánicamente qué documento se genera con qué contenido. No hay ninguna situación en la que el empleado deba estimar cuál es el mejor documento; esa pregunta no existe.
La creatividad obtiene un 5, lo que en este caso significa que no se necesita creatividad; aquí eso es una ventaja, no un inconveniente. El contacto con el cliente obtiene un 4: normalmente no hay contacto directo en la generación de estos documentos, aunque un cambio de dirección puede llegar a través de una consulta del cliente, lo que hace que la tarea toque lo que también ocurre en comprobar y comunicar el estado del pedido.
El aspecto físico obtiene un 3, y esa es la razón por la que esto no es del todo una tarea de oficina: una etiqueta debe acabar pegándose en una caja, y eso sigue siendo trabajo humano, o trabajo para otro tipo de autómata distinto de la IA. La generación del documento en sí es digital; su colocación no lo es.
El coste de los errores y el cumplimiento normativo obtienen ambos un 3, y eso merece atención. Una dirección incorrecta en un albarán cuesta un envío de devolución. Un documento de aduana incorrecto puede hacer que un envío se quede retenido en la frontera, con multas o retrasos como consecuencia. No es un riesgo catastrófico como en el caso de la información financiera, de ahí la puntuación intermedia, pero tampoco es algo sin importancia. Por eso el requisito previo en esta tarea no es opcional: la generación de documentos solo es tan buena como los datos en los que se apoya.
Una tienda en línea que solo envía a nivel nacional con una única integración fija con un socio de transporte puede hoy en día prácticamente generar esto por completo: dirección desde el sistema de pedidos, peso desde el WMS, etiqueta generada automáticamente en cuanto el pedido está empaquetado. El empleado controla por muestreo, no línea por línea.
Una empresa que envía a nivel internacional, con normas de aduana variables por país y productos que caen bajo distintos códigos HS, se enfrenta a un escenario más complicado. Los documentos básicos aún pueden generarse automáticamente, pero la clasificación de productos para fines aduaneros a veces requiere una verificación que no se puede dejar sin más en manos de un script. Ahí la tarea se desplaza de "la IA puede asumirlo" a "parcialmente, con supervisión humana que aprueba o rechaza con motivo", precisamente la categoría intermedia que se presenta más a menudo en flujos de envío más complejos que en los sencillos.
Dos requisitos previos no son opcionales. El primero es una integración con el socio de transporte: sin conexión API entre el sistema propio y el del transportista, alguien sigue teniendo que volver a introducir datos, y entonces se gana poco. El segundo son los datos de dirección correctos desde el principio. Si un pedido ya entra en el sistema con una dirección incorrecta, algo que está relacionado con cómo se introdujo ese pedido, como se ve en introducir pedidos en el sistema, entonces la generación de documentos produce sin fallos un documento erróneo. La calidad de este paso depende, por tanto, en parte de los pasos que lo preceden, del mismo modo que la calidad de la comunicación con el cliente depende de cuán actualizados estén los datos del cliente en el CRM.
Para un tramitador de pedidos o empleado logístico para quien la generación de documentos constituye una parte sustancial de sus tareas, esta es una de las tareas en las que hoy ya se puede liberar una gran parte de las horas, no en la misma medida en todas las empresas, y no sin tener resueltas las integraciones mencionadas. En empresas con envíos internacionales, la proporción es menor, porque el control de cumplimiento de los documentos sigue siendo trabajo humano.
Lo que esto significa para un puesto o una plantilla no es una pregunta que esta página responda: qué requisitos legales se aplican a las decisiones de personal es algo que corresponde verificar al empleador.
Para ver cómo resulta esto en su propio proceso de pedidos, hay disponible un análisis rápido gratuito: doce preguntas, sin necesidad de cuenta, con una indicación de qué parte de las horas de este perfil puede hoy ser asumida por la IA. El análisis de trabajo completo, que desglosa el trabajo de toda una empresa tarea por tarea, todavía está en construcción.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.