Rutas que se optimizan solas: investigación de operaciones en la calle
Hay dos preguntas que toda distribuidora responde a diario, casi siempre a ojo: ¿a quién visito hoy y en qué orden? (el vendedor) y ¿qué facturas monto en qué camión y por qué ruta? (el despacho). Son problemas matemáticos con nombre y apellido — TSP y CVRP — que la academia resolvió hace décadas. Lo que faltaba era conectarlos con la realidad de la calle dominicana: clientes sin dirección formal, camiones con capacidades distintas, y el precio del gasoil cambiando cada semana.
Primero, ¿a quién? La IA elige; la matemática ordena
Esta es la división de trabajo que define nuestro enfoque compound: el modelo de fuga de clientes (churn) decide quién necesita una visita — el cliente que lleva 2.2× su ciclo normal sin comprar, el que está desacelerando — y la investigación de operaciones decide en qué orden visitarlos. Ni el LLM resuelve rutas, ni el TSP sabe quién está en riesgo. Cada herramienta hace lo que la matemática le permite hacer bien.
La ruta del vendedor: TSP en milisegundos
Para la ruta de visitas usamos el clásico nearest-neighbor con mejora 2-opt — Python puro, sin dependencias pesadas. Una ruta de 15–20 visitas se resuelve en milisegundos, lo suficientemente rápido para recalcular cada vez que el vendedor agrega o quita un cliente del plan. ¿Y las coordenadas? Tres fuentes en cascada: el GPS capturado al momento de tomar pedidos en el local (la mejor), geocodificación de las direcciones del ERP con un servidor propio de mapas, y el catálogo de zonas como respaldo.
El despacho: CVRP con la flota real
Cargar camiones es un problema más duro — capacidades, pesos, múltiples viajes — y ahí sí usamos artillería: OR-Tools, el solver de optimización de Google, con restricciones tomadas de la realidad, no de un supuesto:
| Restricción | De dónde sale |
|---|---|
| Capacidad de cada camión (kg) | La flota real registrada en el CRM — del camión de 3.5 t a la patana de 30 t |
| Peso de cada pedido | Peso por producto × cantidades de la factura |
| Costo de combustible por ruta | Rendimiento km/galón del camión × precio oficial del gasoil de esa semana (MICM) |
| Destinos | Las mismas coordenadas verificadas de la ruta de visitas |
El resultado: el encargado de despacho arma el carrito de facturas, presiona Optimizar, y recibe los viajes propuestos por camión con distancia y combustible estimado. Puede aceptarlos o moverlos — la herramienta propone, la persona dispone.
Por qué no “IA” para todo
La moda dicta ponerle un LLM a todo. Nosotros hicimos lo contrario a propósito: las rutas son matemática determinista — mismo input, misma ruta, explicable y auditable. El LLM participa donde aporta: interpretando la pregunta del usuario, redactando el resumen del día, clasificando la intención del pedido por WhatsApp. Es la misma filosofía compound de todo APEXiA: determinismo donde importa, IA donde ayuda, y verificación en el medio.
Lo que sigue
La frontera natural es cerrar el ciclo con las entregas reales: cuando el CRM se convierta en la fuente de verdad de pedidos y entregas, la carga automática del despacho (“móntame todo lo no entregado”) será un botón — la tubería ya existe. Optimización que aprende del cumplimiento real: ahí es donde la investigación de operaciones y la IA se encuentran de verdad.
La optimización de rutas es parte de IAxCRM — pruébalo con la distribuidora de demostración, flota incluida.
Probar la demo de APEXiA