Optimización dinámica de rutas con IA: qué tan lejos está México de la promesa

Todo operador de flota en México ya usa un GPS. Le dice cuál calle es más corta y en qué crucero dar vuelta. La "optimización dinámica de rutas" que promete la nueva generación de software logístico es una idea distinta y más ambiciosa: un modelo que decide la ruta completa de un viaje considerando, al mismo tiempo, el tráfico en tiempo real, las restricciones de peso y horario de cada tramo, el costo de combustible según el perfil de elevación, y hasta la disponibilidad y las horas de descanso legales del operador. En papel es exactamente el tipo de problema que un modelo de optimización puede resolver mejor que un humano. En la práctica, en México, todavía hay una distancia considerable entre esa idea y algo que un jefe de tráfico pueda usar mañana.

El problema no es el algoritmo — es el dato que le falta

Un modelo de optimización de rutas es tan bueno como los datos que recibe en tiempo real. Para tráfico urbano, esos datos existen y son razonablemente buenos: Waze, Google Maps y otros proveedores llevan más de una década recolectando velocidad de tráfico en las principales ciudades del país. El problema aparece en cuanto el viaje sale de la zona urbana y entra a la red carretera federal e interestatal, que es donde de verdad vive la carga de larga distancia. Ahí la cobertura de sensores de tráfico en tiempo real, de cámaras públicas y de reportes de incidentes es mucho más delgada, y en buena parte de esa red simplemente no existe. Un modelo puede predecir bien lo que puede medir; no puede optimizar contra un tramo del que no tiene visibilidad.

Las restricciones que importan no siempre están en un mapa

Peso por eje, horario de circulación en zonas urbanas, restricciones estacionales por clima en tramos de montaña, cierres por obra que se avisan con semanas de diferencia según el estado o el municipio: esta es información real que cambia constantemente, pero que vive repartida entre avisos oficiales, grupos de WhatsApp de operadores y el conocimiento acumulado de un jefe de tráfico con veinte años en la ruta. Ese conocimiento tácito —"por esa carretera no entres después de las 6 de la tarde en temporada de lluvias"— es exactamente el tipo de señal que un modelo necesitaría para optimizar bien, y es exactamente el tipo de señal que hoy no está estructurada en ninguna base de datos que un algoritmo pueda consultar.

Optimizar en un mapa es distinto a ejecutar con un operador real

Incluso si el modelo calculara la ruta perfecta, esa ruta la tiene que manejar una persona, con las horas de descanso que exige la ley, con la necesidad real de parar a comer o a dormir en un lugar seguro —no cualquier gasolinera de la ruta calculada sirve para eso—, y con el criterio para desviarse si algo cambió en el camino que el modelo no vio. La optimización que solo considera distancia, tiempo y costo, sin considerar la experiencia y la seguridad del operador, es la que en la práctica se termina ignorando: un operador que no confía en la ruta sugerida simplemente maneja la que ya conoce, y entonces el modelo dejó de aportar nada.

Dónde sí podría empezar a funcionar, y por qué Likida no es esa pieza

Lo más probable es que la optimización dinámica de rutas llegue primero a corredores específicos y bien conocidos —las rutas de mayor volumen entre los principales centros industriales— antes que como una capacidad general para cualquier viaje en cualquier carretera del país. Ahí sí hay suficiente historial de datos para que un modelo aprenda patrones reales, en vez de tener que inventar predicciones sobre tramos que apenas ha visto. Vale la pena decirlo con toda claridad: Likida no hace ruteo hoy, ni lo tiene en el radar como su siguiente capacidad. Likida es el sistema del back-office que liquida el viaje después de que ya ocurrió —CFDI, peajes, política de gastos, exportación al ERP—; el ruteo es un problema distinto, con requisitos de datos distintos, y no es honesto presentarlo como algo que ya se resuelve solo porque el resto del ciclo ya separa con cuidado lo que decide la IA de lo que calcula el motor.