La IA de inventario tiene un problema de datos que se confunde habitualmente con un problema de algoritmos. Los artículos de previsión suponen una serie temporal densa y regular; una estantería de tienda o un almacén de hospital produce una serie dispersa, tardía y a veces equivocada. Un recuento trimestral es una fotografía. Un modelo entrenado con fotografías no puede decirle qué ocurrió a las 14:20 de un martes.

El RFID cambia la entrada, no el modelo. Convierte el estado del inventario de una fotografía periódica en un flujo continuo, y ese flujo es lo que hace entrenables la previsión, la detección de anomalías y la reposición dinámica. El valor no está en que la IA se vuelva más lista, sino en que los datos por fin sostienen las preguntas que la gente ya hacía.

Por qué el RFID es el único conjunto de entrenamiento que la IA de inventario puede usar

La restricción vinculante es la densidad de muestras, y es aritmética, no opinión.

Un recuento trimestral da cuatro observaciones por SKU al año; un lector de estantería da miles.
Las etiquetas deben venir de la física, no del empleado: una lectura es una observación, un recuento es una opinión.
La cobertura vence a la precisión: un modelo que ve el noventa por ciento de los movimientos cada hora supera a un recuento perfecto cada trimestre.
La unidad natural de entrenamiento es artículo-ubicación-tiempo, que es exactamente lo que ya es un evento de lectura.
Los datos de código de barras solo se vuelven densos añadiendo trabajo que escala con el número de SKU; el RFID no escala así.

Predicción: de previsiones mensuales por SKU a previsiones horarias por estantería

La granularidad de la previsión sigue a la de los datos, y el caso de negocio sigue a la granularidad de la previsión.

Las previsiones mensuales por SKU mueven órdenes de compra; las previsiones horarias por tienda mueven reposición y personal.
Las variables útiles son poco exóticas: cantidad en estantería, tasa de cambio, tiempo desde la última reposición, ventas recientes.
Una previsión acertada de media y equivocada en el pico es inútil para planificar personal, así que el error se reporta por intervalo.
La demanda intermitente —el artículo lento que vende dos veces por semana— es donde fallan los modelos ingenuos y donde más ayuda el dato de estantería.
El valor de la previsión solo se realiza si el sistema de pedidos puede consumir una nueva cadencia; muchos no pueden, y ese es el proyecto real.

Detección de anomalías: encontrar el pequeño porcentaje que más cuesta

La merma, el mal ubicado y el stock fantasma son eventos raros con consecuencias grandes, que es la definición de un problema de anomalías.

Un artículo ausente no es un error de datos; es un evento físico que merece un código de causa.
Separe tres señales: artículo ausente con registro presente, artículo presente sin registro, y artículo en el lugar equivocado.
Las alertas por umbral sobre recuentos absolutos fracasan, porque una tienda grande tiene recuentos grandes; modele el residuo frente a la previsión.
Una merma del 0,4 por ciento parece pequeña hasta aplicarla a una categoría con un margen del seis por ciento.
Los falsos positivos destruyen la adopción más rápido que las detecciones perdidas, así que ajuste primero la precisión y amplíe después.

El problema de las etiquetas: sin verdad objetiva no hay modelo

El aprendizaje supervisado necesita etiquetas, y el inventario tiene una relación incómoda con la verdad.

El registro del ERP no es la verdad; es lo que se predice, y a veces es lo que está mal.
Una auditoría física da verdad pero interrumpe el proceso que mide, así que debe muestrearse y tratarse como calibración.
Guarde el evento, no solo la conclusión: lecturas crudas, lecturas deduplicadas y estado resuelto deberían conservarse.
Cuando una persona corrige un registro, capture la corrección como ejemplo etiquetado en lugar de sobrescribir la historia.
Acepte que un modelo es una hipótesis sobre el proceso; cuando el proceso cambia, hay que retirar la hipótesis.

Reposición: convertir una previsión en una decisión de pedido

La distancia entre una buena previsión y un buen pedido es donde mueren en silencio la mayoría de los proyectos de IA de inventario.

Pedir es una decisión con restricciones: capacidad de estantería, formato de caja, plazo de entrega, presentación mínima y caja.
El modelo debería entregar una distribución, no un punto; la política de pedido elige después un nivel de servicio de esa distribución.
Separe las cadencias: prever cada hora, pedir a diario, revisar cada semana.
Todo pedido automático necesita barandillas: un cambio máximo diario, una presentación mínima y una anulación humana registrada.
Mida la decisión, no la previsión: tasa de servicio, horas sin stock y rotación son el marcador.

Dónde se rompe: deriva, bucles de retroalimentación y arranque en frío

Los modelos fallan de formas propias del inventario, y los fallos son previsibles.

Las promociones, los cambios de planograma y las transiciones de temporada cambian el proceso, no solo su nivel.
Un modelo de reposición entrenado con sus propios pedidos pasados aprende sus propios errores, un bucle que las métricas de precisión no ven.
Los artículos nuevos no tienen historia, así que el arranque en frío debe resolverse con reglas y no con un modelo que nunca vio el artículo.
Las caídas de lectores crean faltantes artificiales en los datos; sin marcar, el modelo aprende un patrón de demanda falso.
La exactitud de estantería decae con la pérdida de etiquetas, así que la salud de la etiqueta es una entrada del modelo, no una nota operativa.

Gobernanza: quién aprueba un pedido generado por IA

La automatización sin responsabilidad es un pasivo, y el comercio minorista lo ha aprendido de forma cara.

Nombre al dueño de la decisión antes de poner el modelo en producción; lo decidió el sistema no es una respuesta aceptable en una revisión.
Mantenga una cadena auditable de recomendación a pedido y a resultado, con la versión del modelo adjunta.
Publique los modos de fallo conocidos a los compradores que usan la salida, en su lenguaje y no en nombres de métricas.
Fije un umbral de revisión humana: por debajo de un valor automático, por encima lo aprueba una persona.
Retire modelos según un calendario, no según un escándalo.

Una construcción por etapas que entrega valor antes de que el modelo sea bueno

La secuencia importa más que la sofisticación, porque cada etapa financia la siguiente.

Etapa uno: instrumentar la estantería y corregir el registro. Sin estado exacto nada aguas abajo puede evaluarse.
Etapa dos: detección, no predicción. Reglas simples atrapan los eventos que cuestan dinero hoy.
Etapa tres: previsión sobre historia limpia, medida contra la línea base de reglas.
Etapa cuatro: pedido con restricciones y aprobación humana, medido por tasa de servicio y rotación.
Etapa cinco: ajuste en lazo cerrado, cuando el bucle se entiende lo bastante como para controlarlo.

Cada etapa debe producir un resultado de negocio antes de que empiece la siguiente. Es la única forma de que un programa de IA de inventario sobreviva a su segunda revisión de presupuesto.