Un robot que recorre los pasillos a las dos de la mañana y cuenta mil ubicaciones suena al final de los problemas de inventario. En la práctica produce algo más modesto y más útil: una comparación nocturna entre lo que el ERP cree y lo que una máquina observó, con posición y marca de tiempo detrás de cada línea.

El valor del proyecto está casi por completo en cómo se modela esa comparación.

Qué produce realmente un robot nocturno

Es una plataforma sensora móvil, no un oráculo.

La plataforma lleva mástil, una o varias antenas y una pila de localización, normalmente lidar más odometría de ruedas.
Lee identificadores de ubicación en el rack y, según la configuración, etiquetas de artículo, de estante o ambas.
Cada captura se ata a una pose: pasillo, módulo, altura y lado.
La salida es un conjunto de observaciones, no un nivel de stock, y las observaciones necesitan interpretación.
Tratar la observación como nivel de stock es cómo estos proyectos acaban apagando el robot al trimestre.

El trabajo nocturno es una conciliación

El artefacto útil es la diferencia entre esperado y observado, con motivos adjuntos.

Construye la lista esperada por ubicación desde los quants de Odoo al inicio de la misión, no al importar.
Compara las lecturas con esa lista, ubicación por ubicación, y registra tanto coincidencias como diferencias.
Añade confianza a cada observación: lectura completa, parcial, posición ambigua o sin lectura.
Publica la comparación antes de proponer cualquier movimiento, para que las personas vean el cuadro crudo.
Guarda la instantánea, porque el estante cambia mientras se revisa el informe.

Modela misiones, rutas y sesiones de forma explícita

Una lectura sin misión es una anécdota; una lectura dentro de una misión es evidencia.

Guarda la misión: robot, versión de mapa, inicio y fin, operario o programación, plan de cobertura.
Guarda los puntos de ruta y la ubicación que cada uno debía observar.
Guarda la sesión de captura con su número de secuencia, para que las repeticiones sean trazables.
Versiona el mapa, porque el rack se mueve y un mapa obsoleto etiqueta mal las lecturas.
Haz que Odoo referencie el identificador de misión, para rastrear una cantidad en disputa hasta una noche.

Posición y tiempo son los campos difíciles

Una lectura en el módulo equivocado es peor que ninguna lectura, porque parece una diferencia real.

Registra la pose en el momento de la lectura, no al final de la parada.
Sincroniza el reloj del robot al iniciar la misión y rechaza capturas con marcas de tiempo inverosímiles.
Mantén el tiempo en UTC y convierte una sola vez, al mostrar.
Compara la hora de observación con el último movimiento de ese producto y ubicación.
Si el ERP movió mercancía después de la captura, la diferencia probablemente sea historia, no error.

Aterriza los datos primero en staging

Escribir directamente desde la API del robot a los quants es la vía más rápida para destruir la confianza en ambos sistemas.

Ingiere las capturas crudas en una tabla de staging con misión, pose, marca de tiempo, etiqueta y señal.
Valida en staging: producto, ubicación, lote existen y la cantidad es plausible.
Mantén visibles las observaciones rechazadas, porque los errores de lectura se agrupan en pasillos concretos.
Procesa por lotes con una clave de misión determinista, para que una resubida sea inofensiva.
Promociona de staging a un documento de diferencias; solo después considera ajustes de stock.

Empareja lecturas con registros del ERP con honestidad

La capa de emparejamiento concentra casi todo el riesgo de ingeniería.

Mantén un mapeo explícito de identificador de ubicación a ubicación de Odoo, incluidos niveles de altura.
Mantén vínculos etiqueta-producto y trata las etiquetas sin vincular como excepciones, no como productos nuevos.
Interpreta una lectura como varias unidades solo si el proceso lo dice; una etiqueta no es una cantidad.
Resuelve duplicados dentro de una pasada tomando la observación más fuerte y registrando el resto.
Expón los emparejamientos ambiguos, cuando una lectura encaja con dos candidatos, en vez de elegir en silencio.

Clasifica la diferencia antes de actuar

No toda diferencia merece un ajuste, y el clasificador es lo que hace usable el informe.

Una diferencia de cantidad con lecturas consistentes en la ubicación correcta sugiere un problema real de stock.
Un producto hallado en el módulo equivocado sugiere mala ubicación, no pérdida.
Una lectura ausente en una ubicación también ausente la noche anterior sugiere etiqueta rota o estante bloqueado.
Una diferencia que aparece solo tras un cambio de turno sugiere un movimiento no registrado.
Dirige cada clase a un responsable distinto, porque las soluciones son distintas.

Mantén a una persona en el circuito

La automatización debe estrechar la atención, no eliminarla.

Convierte las diferencias en tareas de Odoo con ubicación, esperado, observado y referencia de pose o foto.
Permite al operario confirmar, corregir o descartar con un código de motivo.
Usa una pasada de verificación móvil en ubicaciones de alto valor o alta varianza antes de ajustar.
Reserva los ajustes automáticos para categorías de bajo valor con una tasa de falso positivo probada.
Sigue con qué frecuencia los operarios revocan al robot; si sube, el modelo o el mapa están mal.

Restricciones operativas que nadie presupuesta

El robot comparte el suelo con personas, carretillas y estaciones de carga.

El turno nocturno es más tranquilo pero no está vacío; las reglas de seguridad y los límites de velocidad siguen.
La batería y las ventanas de carga acotan cuántos pasillos cubre una misión.
La iluminación y el estado del suelo afectan más a la localización que al RFID.
Los huecos de cobertura Wi-Fi hacen que los datos se almacenen; la sincronización debe tolerar llegadas tardías.
Cambios de rack, palés que sobresalen y film retráctil cambian lo que el robot puede ver.

Métricas y orden de despliegue

Mide si el robot mejora el inventario, no si impresiona.

Cobertura: proporción de ubicaciones realmente observadas por noche frente a la ruta planificada.
Tasa de coincidencia: ubicaciones donde la observación coincide con la expectativa del ERP.
Tasa de falsos positivos: diferencias luego descartadas por una persona, que decide el alcance de la automatización.
Tiempo de cierre de una diferencia, de la detección a la resolución.
Empieza con una zona y una categoría, en modo solo informe durante un mes, y luego habilita tareas.

Los equipos que arrancan en modo solo informe suelen descubrir que un tercio de las diferencias aparentes son problemas de mapeo o de etiquetas, que es justo la información necesaria antes de automatizar ajustes de stock.