No es comprar más rápido: el nuevo sistema nervioso de los repuestos

Una falla, seis decisiones

Un vehículo entra al taller con una falla intermitente. Hay un código de diagnóstico almacenado, una nota escrita a la rápida por el técnico, una foto de la pieza que alguien cree responsable y tres referencias que, en apariencia, podrían servir: una del catálogo del fabricante, otra que un distribuidor ofrece como alternativa y una tercera, más barata, que otro proveedor muestra "disponible".

Parece un problema simple: comprar un repuesto. En realidad son media docena de decisiones distintas amarradas en una sola. ¿El código identifica la causa o solo el sistema donde se detectó la anomalía? ¿La referencia sigue vigente o fue reemplazada por otra? ¿La alternativa calza con esa versión exacta del vehículo? ¿Ese "disponible" existe físicamente, está libre y se puede reservar? ¿Hay una unidad igual en otra bodega propia, a un día de camión, que evitaría comprar? ¿Conviene pagar más para ganar dos días? Y la pregunta que casi nadie se hace: si la pieza se instala y la falla vuelve, ¿qué aprende la organización?

Multiplica esa escena por miles de vehículos de muchas marcas, repartidos en muchos puntos de servicio, con una parte del surtido que llega importada por volumen y otra que se compra en el mercado local cuando la urgencia aprieta. Ahí el abastecimiento de repuestos deja de ser una función de compras y se convierte en otra cosa: la diferencia entre un vehículo que trabaja y uno que espera.

Este artículo trata de esa otra cosa. No del paso de la planilla a la inteligencia artificial, sino del paso desde búsquedas y decisiones aisladas hacia un circuito donde identificación, diagnóstico, inventario, proveedores, logística y resultado del taller se hablan entre sí. Un sistema nervioso.

No es un buscador más rápido: es un sistema nervioso

La metáfora no es decorativa. Un sistema nervioso tiene sensores que perciben, nervios que transmiten, reflejos que actúan sin consultar al cerebro, un cerebro que estima y decide, músculos que ejecutan y una memoria que hace que la segunda vez sea mejor que la primera. En el abastecimiento de repuestos, cada una de esas funciones ya existe por separado:

• Sensores: el técnico, el escáner de diagnóstico, la telemetría de los vehículos conectados, la inspección en la recepción de mercadería.
• Nervios: los datos que viajan entre taller, bodega, compras y proveedores, idealmente como eventos con fecha, origen y dueño, no como correos reenviados.
• Reflejos: reglas deterministas que no deberían pasar por ningún modelo de IA: compatibilidad autorizada, límites de gasto, proveedores habilitados, duplicados.
• Cerebro: modelos que estiman lo incierto (demanda, plazos, riesgo de falla) y optimizadores que eligen entre comprar, importar, transferir o esperar.
• Músculos: la logística, la bodega y, cada vez más, la automatización física.
• Memoria: saber qué pieza se instaló, si resolvió la falla y cuánto duró.

La mayoría de las organizaciones tiene sensores y músculos. Muchas tienen algo de cerebro. Casi ninguna tiene la memoria conectada al resto. Y sin memoria, cada urgencia se resuelve como si fuera la primera.

La tecnología para construir buena parte de ese circuito ya se vende, aunque fragmentada. TecAlliance declara para su catálogo TecDoc más de 1.200 marcas, 260.000 tipos de vehículos, 12,8 millones de registros de artículos y más de 724 millones de vínculos vehículo-pieza, con búsqueda por VIN y por número de fabricante original (OE) e integración por servicios web. Su plataforma TecCom agrega consultas de disponibilidad, precios, pedidos y devoluciones entre compradores y proveedores. Son cifras del propio proveedor, no una medición independiente de cobertura en cada mercado, y precisamente por eso lo primero que conviene hacer con ellas es probarlas contra el parque propio.

La pieza correcta no empieza por la IA

En un entorno multimarca hay una tentación comprensible: poner una gran caja de búsqueda donde alguien escribe "necesito el sensor de presión para este auto" y esperar que un modelo encuentre la pieza. Usar IA para entender esa frase es razonable. Convertir su respuesta directamente en una orden de compra, no.

Infomedia muestra la dirección correcta con Microcat AI: el sistema extrae de un documento el VIN y los números de pieza, los lleva a su catálogo electrónico, comprueba la aplicabilidad por VIN y recorre las cadenas de reemplazo (lo que la industria llama supersesión: la referencia A fue sustituida por B, que a su vez fue sustituida por C). La IA no inventa la compatibilidad a partir del lenguaje natural: acelera el camino hasta un sistema que contiene la evidencia. Esa distinción va a ser central en los próximos años.

El VIN reduce enormemente la ambigüedad, pero no la elimina. Que existan servicios dedicados a vincular vehículos con piezas, validar por VIN y seguir supersesiones demuestra que identificar no termina al leer diecisiete caracteres. Una arquitectura prudente piensa la identificación como una escalera de confianza:

1. Candidato. Sale de una descripción, una búsqueda semántica, una foto, un documento o un modelo de lenguaje.
2. Vínculo catalogado. Esa referencia está asociada a esa familia de vehículos.
3. Comprobación fuerte. Aplicación por VIN o configuración específica, referencia OE, información técnica autorizada y reglas de supersesión.
4. Oferta. Recién aquí entran proveedor, calidad, precio, existencia y plazo.
5. Resultado. ¿La pieza instalada resolvió el problema?

La diferencia entre encontrar algo parecido y demostrar que corresponde es exactamente la diferencia entre el peldaño 1 y el 3. Y el peldaño 5 es el que casi todos los sistemas olvidan.

Esto cambia también qué se negocia con fabricantes, importadores y distribuidores. Una buena negociación ya no trata solo de precio y descuento por volumen: puede incluir acceso a catálogos, referencias sustituidas, identificadores técnicos, API, frecuencia de actualización, evidencia de stock, garantías, devoluciones y tiempos de respuesta. La relación de abastecimiento se está volviendo, también, una relación de datos.

Hay una segunda trampa, más silenciosa: las etiquetas "original", "OEM", "alternativo" o "equivalente". La categoría comercial es información útil, pero no demuestra por sí sola la misma especificación, trazabilidad, vida útil ni desempeño. La selección debería cruzar criticidad de la pieza, procedencia, garantía, proveedor homologado, historial de fallas y evidencia técnica de compatibilidad. Para un filtro de aire, la tolerancia a una equivalencia incierta puede ser alta. Para frenos, dirección o suspensión, debería ser casi cero.

"Hay" es la palabra más cara del abastecimiento

El segundo salto consiste en desconfiar de una palabra: "hay".

Una pantalla puede mostrar seis unidades. Eso no dice dónde están, cuándo se actualizó la cifra, si están comprometidas con otro pedido, si se pueden reservar ni si seguirán ahí cuando se curse la orden. Un abastecimiento serio convierte "stock" en una afirmación con contexto: cantidad, ubicación, momento de verificación, condición comercial, posibilidad de reserva y promesa de entrega.

Y luego mide algo que pocas veces se mide: qué tan confiable es la promesa de cada proveedor. No basta con registrar que cotizó dos días. Hay que registrar lo prometido y lo ocurrido: cuándo confirmó, cuándo despachó, cuándo llegó, cuánto llegó, si hubo sustitución y si la referencia era la correcta. Con suficiente historia, "plazo de entrega" deja de ser un campo fijo y se vuelve una distribución de riesgo. Dos proveedores que prometen cinco días pueden ser muy distintos si uno cumple el 95 % de las veces y el otro el 60 %.

Cuando una operación combina importación por volumen de referencias de alta rotación con compra local para lo urgente o lo esporádico, esa distribución manda. La importación ofrece mejor costo unitario a cambio de semanas de tránsito, trámites de aduana y lotes mínimos; la compra local ofrece velocidad a cambio de margen y de una calidad más variable. Y entre ambas hay una tercera alternativa que los sistemas suelen ignorar: mover una pieza que ya es tuya desde otra ubicación. En una red con muchos puntos, el excedente de una bodega y la urgencia de otra conviven a menudo sin que nadie los conecte.

Por eso la oferta más barata puede no ser la correcta. El costo relevante se puede escribir así:

costo total esperado = pieza puesta en destino + logística + costo incremental de la espera + riesgo de incompatibilidad o devolución + riesgo de calidad + costo de inventario y obsolescencia.

Una advertencia honesta sobre esa fórmula: el "costo de la espera" es el término que más se infla. Si un vehículo detenido no elimina automáticamente todo su ingreso potencial —porque hay otro que lo reemplaza, porque la demanda de ese día no lo necesitaba o porque es temporada baja— usar su ingreso bruto como pérdida sobreestima el impacto. El cálculo serio separa margen efectivamente perdido, costos evitables, costos ya incurridos y posibilidades reales de sustitución, y reconoce que ese valor cambia a lo largo del año: un día de detención no cuesta lo mismo en temporada alta que en temporada baja. Sumar "ingreso diario perdido", "costo del vehículo inmovilizado" y "costo de oportunidad" como si fueran pérdidas independientes es una forma muy eficiente de triplicar un beneficio en una planilla.

Pronosticar el parque, no solo el pasado

Los repuestos son un terreno incómodo para los modelos de demanda. Muchos tienen consumo intermitente: pasan semanas sin movimiento y de pronto aparecen varias necesidades juntas. El problema está estudiado desde mucho antes del auge de la IA: el trabajo clásico de Syntetos y Boylan (2005) comparó métodos sobre miles de series intermitentes de la industria automotriz, y Teunter, Syntetos y Babai (2011) propusieron métodos que actualizan la estimación también durante los períodos sin demanda, para reaccionar cuando una referencia empieza a morir.

Eso importa porque el error más caro no siempre es pronosticar mal cuántas unidades se consumirán. Puede ser seguir comprando con mucha precisión una pieza cuyo parque de aplicación está desapareciendo.

En operaciones que renuevan su parque con frecuencia, ese riesgo es estructural. Los modelos que entran generan demanda nueva que ninguna serie histórica conoce; los que salen dejan en bodega piezas que ya no tienen a quién servir. Una serie de consumo es apenas una parte de la señal. La demanda futura depende de cuántos vehículos compatibles seguirán activos, de su kilometraje y edad, del mantenimiento programado, de la intensidad de uso, de los patrones de falla, de las referencias equivalentes y de qué modelos entran y salen del universo atendido.

La idea se puede expresar de forma sencilla:

demanda esperada de una referencia ≈ vehículos compatibles activos × exposición futura (kilómetros, meses de uso) × riesgo de evento × unidades por evento, más mantenimiento conocido, menos vehículos que saldrán de operación.

No tiene que ser el modelo definitivo. Lo importante es meter en el pronóstico a la población que causa la demanda. Un modelo que aprendió que durante tres años se compraron ochenta unidades anuales de una referencia, pero ignora que los vehículos que la usan se están yendo, puede ser estadísticamente elegante y operacionalmente absurdo.

Hay además un matiz: en un parque de uso intenso, una parte relevante de la demanda no nace del desgaste sino de incidentes: golpes, vidrios, espejos, llantas, neumáticos. Esa demanda no se predice por kilometraje; se predice por exposición, por ubicación y por temporada, y se atiende mejor con un surtido de piezas de colisión bien identificado que con un modelo sofisticado.

Los modelos fundacionales de series temporales suman una posibilidad nueva. Google presentó TimesFM-3 el 31 de agosto de 2026: un modelo de 330 millones de parámetros entrenado con más de un billón de puntos temporales, capaz de pronóstico multivariado sin entrenamiento específico (zero-shot), con resultados de primer nivel en benchmarks públicos según la propia Google. Es un avance real. Pero esos benchmarks no prueban que sea la mejor política para abastecer repuestos de demanda escasa.

Un preprint publicado el 12 de septiembre de 2026 lo ilustra con una crudeza útil. Chin, Cheng y Gunawan compararon 38 métodos —clásicos, específicos para demanda intermitente, machine learning, deep learning y modelos fundacionales— con datos de repuestos. En su panel industrial, con 20.330 órdenes de varios artículos, el ranking por precisión del pronóstico y el ranking por nivel de servicio tuvieron una correlación de Spearman negativa de −0,555: en ese experimento, minimizar el error estadístico no equivalía a maximizar la disponibilidad. Los autores mostraron incluso que una corrección sobre Chronos-2 podía cambiar fuertemente el nivel de servicio sin reentrenar el modelo. Es evidencia muy reciente y todavía no revisada por pares; no conviene convertirla en ley. Sí es una advertencia formidable contra elegir modelos mirando solo el MAPE o una tabla de posiciones.

La consecuencia práctica: el concurso correcto no es "qué modelo pronostica mejor", sino "qué política de pronóstico, inventario y reposición entrega el mejor nivel de servicio a un costo aceptable". Y eso obliga a simular decisiones: qué pasa con las faltas, con el sobrestock, con la obsolescencia, cuando existe una alternativa compatible, cuando una ubicación tiene excedente y otra necesita comprar, cuando el proveedor tarda diez días en vez de cinco o cuando el contenedor importado se atrasa tres semanas.

Dos detalles técnicos que separan un piloto serio de uno decorativo. Primero, la validación tiene que ser temporal: entrenar con información del futuro filtrada al pasado produce un modelo magnífico en la presentación y bastante menos admirable el lunes siguiente. Segundo, hay que distinguir demanda de despacho: cuando una referencia estuvo sin stock, el consumo observado subestima la necesidad real. Un cero en la serie puede ser "nadie la pidió" o "nadie la pudo sacar".

El taller es el sensor que más se desperdicia

La evolución más interesante quizás no esté en compras, sino detrás de la puerta del taller.

Cada reparación produce información: síntomas, condiciones en que apareció la falla, kilometraje, códigos de diagnóstico (DTC), mediciones, pruebas, diagnóstico, pieza reemplazada, mano de obra, reaparición del problema y, eventualmente, garantía. Pero esos elementos se suelen mezclar. "Apareció el código X; se cambió la pieza Y" termina registrado como si X demostrara que Y estaba mala.

No funciona así. La norma SAE J2012, revisada en septiembre de 2025, mantiene definiciones estandarizadas para los códigos y contempla rangos específicos de cada fabricante. Un DTC informa una condición detectada por el sistema de diagnóstico; no es una instrucción universal de reemplazo. Un documento técnico de la EPA estadounidense sobre diagnóstico a bordo lo ilustró hace años: había problemas intermitentes cuyos códigos dejaban de encender la luz si la condición no se repetía, códigos de mezcla de combustible en los que los procedimientos del fabricante no identificaban una causa única y fallas de encendido difíciles de reproducir. Es un documento antiguo y no sirve para medir vehículos de 2026, pero el principio sigue intacto: una señal no es una causa.

Una base de conocimiento útil guarda por separado cada eslabón:

síntoma observado → señal o DTC → pruebas → hipótesis → causa confirmada → acción → pieza instalada → resultado

El último eslabón es el decisivo. Supón que cien vehículos mostraron un código parecido y en 72 se cambió el mismo sensor. Si el sistema solo conoce "código + sensor cambiado", aprenderá que el sensor es la solución. Pero si una parte importante volvió con la misma falla y el problema real estaba en un conector, en el cableado o en la alimentación eléctrica, ese dato cambia todo el conocimiento, y también la compra: el sistema dejaría de reponer sensores que no resolvían nada.

En un parque multimarca grande, el taller propio tiene una ventaja que ningún proveedor externo posee: ve las mismas combinaciones de marca, modelo, falla y pieza repetirse cientos de veces, y puede ver qué pasó después. La inteligencia futura de un taller dependerá menos de acumular millones de textos y más de saber qué ocurrió después de la reparación.

Predecir una falla no es lo mismo que poder evitarla

La industria ya vende diagnóstico remoto y predictivo. Bosch describe servicios en la nube que reciben datos de vehículos conectados, agrupan fallas y entregan una evaluación de riesgo y criticidad; su oferta predictiva usa características de carga y diagnóstico específicas de cada componente, conocimiento del dominio y varias fuentes de datos para detectar anomalías, desgaste y posibles fallas. Son afirmaciones del proveedor, y no prueban que cualquier avería de cualquier marca pueda anticiparse así.

Esa es la forma correcta de entender el mantenimiento predictivo: como un conjunto de problemas específicos, no como "una IA que sabe cuándo se va a romper el auto". Una batería que pierde ciertas características eléctricas puede avisar antes. Un componente con desgaste medible admite estimar su condición. Un mantenimiento por kilometraje se puede prever con semanas de anticipación. Un vidrio que mañana va a romper una piedra, bastante menos.

Además, una predicción precisa puede no valer nada. Si un modelo anticipa una falla con doce horas de ventaja pero la pieza demora tres días en llegar, la predicción técnicamente correcta no evita la detención. En cambio, un modelo mediocre que detecta con dos semanas de anticipación un grupo de vehículos con riesgo alto puede permitir reservar la pieza, moverla a la ubicación correcta o programar una inspección. Su valor operacional es mayor aunque su métrica estadística luzca peor.

La métrica que importa es la anticipación útil: cuánto antes de la necesidad se puede gatillar una acción que se justifique económicamente. Y esa acción no siempre es comprar. Puede ser inspeccionar, repetir una prueba, vigilar, reservar sin consumir, mover stock, programar una intervención aprovechando que el vehículo igual va a pasar por mantención, o decidir conscientemente no hacer nada. Esa última opción importa: una predicción sin política de abstención crea una nueva forma de desperdicio, cambiar preventivamente componentes que nunca habrían fallado durante el tiempo que el vehículo permanecerá en operación.

El modelo de lenguaje será importante, pero no debería ser el jefe

Una arquitectura sensata reparte el trabajo entre tecnologías distintas:

• El software determinista conserva lo que se puede saber con exactitud: cálculos, límites de autorización, costos, estados de inventario, fechas, presupuestos, reglas duras de compatibilidad y escritura definitiva en el sistema de gestión.
• Los modelos predictivos estiman lo incierto: demanda, probabilidad de falla, plazo de entrega, anomalías, riesgo de incumplimiento.
• Los optimizadores resuelven combinaciones: qué comprar, cuánto, a quién, desde dónde, qué mover y bajo qué restricciones.
• Los modelos de lenguaje y multimodales son extraordinarios en el frente desordenado: leer correos, PDF, cotizaciones, descripciones libres, fotos y manuales; normalizar términos entre marcas; encontrar antecedentes; permitir preguntar en lenguaje natural.

Pero lo que produce un modelo de lenguaje debería terminar siempre en una estructura que otro mecanismo pueda comprobar.

Por eso resulta interesante una categoría muy reciente de modelos. TypeSafe AI anunció en septiembre de 2026 Jev, al que llama un modelo "Sistema Uno": en vez de generar texto libre, recibe un estado y preguntas tipadas y devuelve decisiones estructuradas mediante primitivas como elegir (Choice), puntuar (Score) o abstenerse, algunas con probabilidad o confianza asociada. Lo valioso para el abastecimiento no es que sea un oráculo más seguro, sino casi lo contrario: su propia documentación de la versión 1.13 enumera con franqueza sus límites en aritmética, conteo, comparación de fechas, razonamientos con demasiada indirección, estados con mucha información irrelevante y contenido adversarial, y recomienda dejar las matemáticas y las fechas al código.

Eso permite imaginar usos razonables: decidir a qué cola enviar una solicitud, detectar si falta información, reconocer una excepción, clasificar si un correo es una cotización, una confirmación o un rechazo, o elegir entre candidatos ya autorizados. Y permite descartar otros: calcular el costo total, decidir si una fecha cumple un plazo, inventar un número de parte, demostrar compatibilidad, diagnosticar una falla o aprobar una compra crítica. Pydantic ya documenta una integración con Jev, así que no es solo una idea; pero a la fecha de este artículo no encontramos evidencia independiente de su desempeño en abastecimiento ni en diagnóstico automotriz. Es un candidato para un banco de pruebas —contra reglas, un clasificador convencional, un modelo pequeño entrenado con datos propios y un modelo de lenguaje con salida estructurada—, no una tecnología que deba darse por ganadora.

Después llegan los agentes, y con ellos la burocracia buena

Cuando la lectura, la clasificación, las reglas y las API están conectadas, aparece algo más potente: un agente que ejecuta cadenas de tareas. Una solicitud podría iniciar la recopilación del VIN y los antecedentes, consultar catálogos autorizados, pedir ofertas a proveedores, normalizar monedas, unidades y condiciones, comprobar disponibilidad, revisar si otra ubicación propia tiene la pieza, preparar un comparativo, sugerir una transferencia interna, pedir una reserva y dejar la decisión económica lista para aprobación.

La palabra importante es preparar. La autonomía debería crecer de forma desigual: más libertad para tareas repetitivas, reversibles, de bajo monto y con referencias prehomologadas; mucho menos para una decisión que puede instalar una pieza incompatible en un sistema de seguridad.

Y aparece un problema nuevo. Una cotización, un correo o un PDF que lee un agente no es necesariamente inocente. El proyecto de seguridad de IA generativa de OWASP pone la inyección de instrucciones (prompt injection) entre los principales riesgos de las aplicaciones basadas en modelos de lenguaje: contenido externo diseñado para manipular el comportamiento del modelo. La propia documentación de Jev reconoce que texto adversarial en el estado puede mover su respuesta.

Una arquitectura seria asume que todo documento externo es dato no confiable, nunca autoridad. Un correo de proveedor puede aportar un precio; no debería poder cambiar una cuenta bancaria. Una cotización puede informar stock; no debería autorizar por sí sola una orden. Un agente puede preparar una operación; los límites de gasto, los proveedores habilitados, los duplicados, las cuentas y las reglas críticas viven fuera del modelo. Cada orden necesita un identificador único para impedir duplicados, y cada decisión, un registro de quién o qué la propuso, la aprobó y la ejecutó.

El futuro autónomo será, paradójicamente, bastante burocrático. Y eso es una buena noticia. Aquí la tecnología correcta no es más IA: es menos privilegio.

El mapa: marcas, empresa, taller y áreas internas

Para ver el sistema nervioso completo sirve dibujarlo. El mapa que sigue es una ontología: no los datos de una empresa en particular, sino las piezas del circuito y cómo se conectan. Aparecen las marcas de un parque multimarca típico agrupadas por los conglomerados que comparten plataformas y piezas; la empresa de repuestos y sus áreas internas —Abastecimiento y Logística, Tecnología, Comercio Exterior, Bodega Central, Finanzas, Calidad—; el taller con su diagnóstico; la red de puntos de servicio; los proveedores locales y los importadores; y las plataformas, normas y tecnologías que el artículo discute.

La figura gira sola: cada figura es un nodo del circuito y cada línea, una relación. Lo que se ve con más claridad es la densidad del centro, donde se cruzan la empresa de repuestos, Abastecimiento y Logística, Tecnología, el maestro de vehículos y repuestos, y el taller.

Tres lecturas saltan a la vista cuando se recorre. La primera: las marcas no son islas. Hyundai y Kia comparten grupo; Peugeot, Citroën, Fiat, Jeep y Opel conviven en Stellantis; Renault, Nissan y Mitsubishi cruzan plataformas en su alianza. Una tabla de equivalencias bien construida, con fuente y condiciones, convierte esa cercanía en menos referencias distintas en bodega; una mal construida la convierte en devoluciones. La segunda: el área de Tecnología no está al costado del abastecimiento, sino en el medio, porque es la que sostiene el maestro de vehículos, el maestro de repuestos y el registro de eventos que todas las demás áreas leen. La tercera: el taller es el único nodo con flechas de aprendizaje hacia todos los demás. Si esas flechas no existen en la práctica, el sistema no tiene memoria.

Robots: sí, pero dónde

La conversación sobre robots también necesita bajarse de la ciencia ficción. La automatización de bodegas es una realidad madura en tareas estructuradas. AutoStore usa robots que mueven contenedores dentro de una grilla y los llevan a puestos de preparación; entre sus casos publicados hay distribuidores de repuestos automotrices: Meat&Doria informa una mejora de 190 % en velocidad de preparación de pedidos, Factory Motor Parts un aumento de productividad de 500 % y Emil Frey 300 % más capacidad de almacenamiento. Son cifras de casos publicados por el proveedor, evidencia comercial y no resultados transferibles a cualquier bodega.

"Robotizado" puede significar cosas muy distintas. Un sistema que lleva contenedores a la persona dentro de una geometría controlada no es un robot móvil que empuja carros, y ninguno de los dos es un brazo o un humanoide capaz de tomar y manipular cualquier pieza irregular. En junio de 2026, BMW informó que el humanoide Figure 02 colaboró durante unos diez meses en la producción de más de 30.000 BMW X3 insertando piezas de chapa, y anunció un nuevo proyecto con Figure 03 para tomar componentes que llegan desordenados en contenedores y clasificarlos en carros. Es un avance serio desde una tarea repetitiva hacia una manipulación logística más variable. No es evidencia de que un humanoide pueda entrar a un taller multimarca y reparar vehículos de forma autónoma.

Esa distinción probablemente marcará los próximos seis años. Los robots avanzarán primero donde el entorno se puede acotar: recepción, conteo, transporte interno, almacenamiento, preparación de kits por orden de trabajo y ciertas inspecciones. En el taller, las primeras aplicaciones generalizables serán de asistencia —traer herramientas, identificar elementos, sostener, escanear, inspeccionar— antes que un "mecánico humanoide universal". Y para decidir si una bodega se automatiza, la pregunta correcta no es cuántos vehículos atiende la operación, sino cuántas líneas de repuesto se reciben, guardan, cuentan, preparan y despachan por hora en cada nodo.

Hasta la impresión 3D, que a veces se presenta como si en el futuro bastara con descargar cualquier repuesto, ofrece una lección de moderación. Mercedes-Benz ofrece desde 2016 algunas piezas originales fabricadas por manufactura aditiva para sus vehículos clásicos. Es una aplicación real y valiosa para bajo volumen y referencias difíciles de mantener, pero no elimina los requisitos de material, validación, tolerancias, propiedad intelectual y seguridad en componentes críticos.

Tres estados del abastecimiento

La experiencia personal, las planillas y la conversación directa con proveedores siguen siendo extraordinariamente útiles en excepciones y problemas poco frecuentes. El límite aparece cuando una organización necesita que ese conocimiento sea verificable, reproducible y aprovechable por muchas decisiones posteriores.

La columna de 2026 tiene respaldo comercial en productos que se venden hoy. La última es una inferencia prospectiva, no una promesa: se apoya en la evolución actual de los modelos multivariados, las decisiones estructuradas, las plataformas conectadas y la robótica física.

Conviene separar cuatro verbos que suelen usarse como sinónimos. Digitalizar es que una cotización deje de ser papel. Automatizar es que el sistema la pueda leer sola. Mejorar la decisión es que la compare correctamente con las demás. Rediseñar la operación es que, quizás, el sistema ya conocía la necesidad, consultó alternativas, encontró la pieza en otra bodega propia y preparó la reserva antes de que alguien la pidiera. Las herramientas actuales cubren los tres primeros. El cuarto exige conectarlas y construir datos propios que ningún producto externo trae de fábrica.

Por dónde se empieza

Si hubiera que ordenar el camino para una operación multimarca de gran escala, la conclusión es menos glamorosa de lo que se espera: la primera ventaja desproporcionada no está en el mantenimiento predictivo, ni en un agente comprador, ni en robots. Está en construir una capa confiable de identidad y eventos. A esa escala, los errores pequeños y repetidos —una referencia equivocada, un stock ficticio, una cotización duplicada, una transferencia que nadie consideró, una falla diagnosticada dos veces— acumulan más valor perdido que el que puede rescatar cualquier proyecto espectacular.

El núcleo es un identificador interno persistente para cada vehículo, ligado a su VIN y a una ficha técnica, y un maestro de repuestos que no sea una tabla plana: que represente la misma pieza con su código interno, sus referencias OE, las del fabricante del repuesto, los códigos de cada proveedor, las cadenas de supersesión y las equivalencias aprobadas. "A reemplaza a B" se guarda como relación con fuente, fecha y condiciones, no como parecido de texto. Alrededor de ese núcleo se enlazan los eventos: falla, diagnóstico, cotización, reserva, despacho, recepción, instalación y resultado.

Un orden razonable de prioridades, de más a menos urgente:

Es una priorización razonada, no una medición de retorno. En los primeros noventa días no hace falta comprar una gran plataforma: basta con reconstruir el circuito real desde la solicitud hasta la reparación, definir el diccionario de datos, detectar referencias duplicadas, escoger una familia de problemas con volumen suficiente para medir y probar la cobertura de los catálogos contra una muestra real de VIN del parque propio, porque la cobertura global que declara un proveedor no garantiza la de las marcas, versiones y mercado que importan. Entre los tres y los doce meses entran la fuente autorizada de identificación, la lectura automática de cotizaciones, la tabla de equivalencias, la medición de promesas contra cumplimiento, la transferencia interna como alternativa explícita y el primer banco de pruebas de pronóstico, decidido por simulación de servicio y costo. Recién después, entre los doce y los veinticuatro meses, tiene sentido cerrar el circuito del taller y ensayar reservas preventivas donde los datos demuestren señal suficiente.

Y durante todo el camino, un tablero corto que no se negocia: tiempo hasta referencia confirmada, porcentaje de piezas correctas al primer intento, devoluciones por incompatibilidad, disponibilidad en el lugar y la fecha requeridos, cumplimiento de cada proveedor, compras urgentes, transferencias que evitaron compras, capital inmovilizado, obsolescencia, horas de detención separadas en diagnóstico, aprobación, espera de repuesto y capacidad de taller, y reaparición de fallas. No conviene fijar de antemano un "95 % de autonomía" ni cifra parecida: el umbral correcto sale de la distribución de los errores y de lo que cuesta cada uno.

Cinco principios que resisten la revisión

Contrastada con la evidencia, la conclusión más robusta es también la menos espectacular: el principal cuello de botella no es la falta de un modelo suficientemente inteligente, sino la falta de una cadena de información suficientemente confiable para que distintos modelos y personas puedan actuar sobre ella. De ahí salen cinco principios:

1. La IA puede proponer; la evidencia autorizada debe confirmar.
2. Stock sin momento, ubicación y posibilidad de reserva no es información suficiente.
3. Un pronóstico sin política de inventario no es una decisión.
4. Un código de falla sin diagnóstico ni resultado no es aprendizaje.
5. La autonomía crece primero donde la decisión es repetitiva, verificable y reversible.

Y algunas hipótesis que no sobreviven bien al contraste: que la mejor IA producirá el mejor abastecimiento (el benchmark de demanda intermitente dice que no necesariamente); que los códigos de diagnóstico permitirán pedir repuestos solos (un código es evidencia, no sentencia); que se podrá predecir cualquier falla (lo que existe son aplicaciones acotadas por componente); y que los humanoides repararán vehículos pronto (lo demostrado es logística estructurada en una fábrica, no mecánica general).

Lo que cambiaría esta lectura

Hay tres desarrollos que moverían el horizonte. Si el acceso a los datos de los vehículos conectados se vuelve contractual o regulatoriamente más abierto —el Reglamento de Datos de la Unión Europea ya establece reglas armonizadas de acceso y uso de datos de productos conectados, aunque su efecto concreto depende del actor, el dato, el contrato y la jurisdicción—, el mantenimiento predictivo dejaría de depender de acuerdos marca por marca. Si los agentes demuestran tasas de error bajas y auditables en tareas administrativas, la autonomía podría crecer más rápido de lo que aquí se supone. Y si la robótica de manipulación variable sale de la fábrica a la bodega abierta, la preparación de kits por orden de trabajo cambiaría de escala. Ninguno de los tres está garantizado.

El paso importante

Probablemente no veremos un único cerebro artificial administrando repuestos, diagnóstico, taller y proveedores. Es más plausible algo menos cinematográfico y más profundo: capas especializadas que comparten el mismo estado del mundo. El catálogo sabe qué pieza corresponde. La plataforma de proveedores sabe qué se puede conseguir. El inventario sabe qué hay, dónde y qué está reservado. El taller sabe qué síntomas y pruebas existen. El modelo predictivo estima qué podría hacer falta. El optimizador calcula de dónde conviene sacarlo. El modelo de lenguaje ordena lo desordenado. El agente coordina lo permitido. Y el software determinista impide que ninguno haga lo que no debe.

La pelea de los próximos años puede ser menos sobre quién tiene "la IA más inteligente" y más sobre quién construye un mapa confiable entre vehículo, pieza, falla, proveedor, inventario y resultado de la reparación. Quien tenga ese circuito puede hacer algo que el sistema tradicional hace con dificultad: aprender. No solo que una pieza se compró, sino que correspondía, que llegó cuando se necesitaba, que se instaló, que resolvió la falla, que duró, que ese proveedor cumplió, que una alternativa funcionó y otra no. Y que la próxima vez que aparezca una combinación parecida, el sistema no parta de cero.

Eso no eliminará las urgencias. No hará predecibles todas las fallas. No resolverá por arte de magia la fragmentación multimarca. Pero puede convertir cada urgencia resuelta en información que haga menos probable la siguiente. No es comprar más rápido. Es que el sistema, por fin, recuerde.