Introducción Las tasas globales de devolución en e-commerce promedian un 15–25 % de los pedidos. En los mercados europeos de moda, esa cifra sube al 50 %. En prendas de vestir en EE. UU., al 60 %. Solo en EE. UU., los minoristas procesan cada año cientos de miles de millones de dólares en mercancía devuelta. Cada uno de esos artículos exige una manipulación individual: inspección física, clasificación del estado y una decisión de destino tomada bajo incertidumbre sobre el estado del artículo, su integridad y su potencial de reventa. Pese a esta escala, la gestión de devoluciones sigue siendo uno de los flujos menos automatizados del almacenaje moderno. A diferencia de la logística de entrada o del fulfillment de pedidos, donde los estados de los artículos son predecibles y las tareas están bien definidas, las devoluciones llegan en condiciones variables, exigen secuencias de inspección de varios pasos y requieren decisiones condicionales que cambian con cada artículo. Estas propiedades han hecho que el flujo se resista a los enfoques de automatización convencionales, y la mayoría de las instalaciones siguen dependiendo casi por completo del trabajo manual. A alto rendimiento, los evaluadores humanos muestran una variabilidad considerable entre observadores al valorar el estado: lo que para un operario es «revendible» para otro es «reacondicionar», y la coherencia se degrada aún más entre turnos y centros. Pero la inconsistencia humana es un problema secundario. El principal es estructural: no existe una solución automatizada y escalable para un flujo que gestiona cientos de millones de artículos distintos al año. Esa brecha es la que la automatización de devoluciones viene a cerrar. 15–25 % Tasa de devoluciones en e-commerce ~50 % Moda (online UE) ~60 % Prendas de vestir (segmentos EE. UU.) Automatizar las devoluciones La gestión de devoluciones lleva mucho tiempo siendo uno de los flujos más intensivos en mano de obra del retail, y uno de los menos optimizados. Cada artículo exige una manipulación individual, inspección física, clasificación del estado y una decisión de enrutamiento. A escala, el coste por artículo de ese proceso se acerca con frecuencia al valor de reventa restante del artículo, o directamente lo supera. Por eso muchos minoristas han tratado históricamente las devoluciones como una pérdida contable. No porque careciesen de la capacidad de evaluar la mercancía devuelta, sino porque la economía no justificaba el esfuerzo. Desechar los artículos solía salir más barato que procesarlos. Ese enfoque ya no es viable. Los volúmenes de devoluciones han crecido hasta el punto de que solo el flujo de entrada genera cuellos de botella importantes en las operaciones de almacén. En toda Europa y EE. UU., los proveedores logísticos dedican ya instalaciones enteras en exclusiva a la gestión de devoluciones. Lo que hace que las devoluciones se resistan especialmente a la automatización es la naturaleza misma de la tarea. A diferencia de las operaciones convencionales de pick-and-place, que consisten en mover un artículo conocido de una ubicación definida a otra, la gestión de devoluciones es un flujo de decisión de varios pasos que opera bajo incertidumbre continua. Cada artículo es distinto y su estado varía. El embalaje está dañado, ausente o resulta engañoso. La acción correcta en cada paso depende de lo aprendido en los pasos anteriores. Ninguna subtarea concreta es el cuello de botella. El reto está en gestionar la secuencia completa de forma fiable, a velocidad, sobre un flujo impredecible de artículos. Menores costes El coste de manipulación por artículo baja, lo que vuelve viable una inspección detallada Consistencia Los mismos criterios aplicados a cada artículo, en cada turno, en cada centro Seguridad Reduce la exposición humana a objetos cortantes, contaminados o desconocidos Recuperación de valor Los artículos que se descartarían pueden evaluarse para reventa o reciclaje Visión general de la gestión de devoluciones Dentro del flujo de devoluciones Desde el momento en que un cliente devuelve un artículo hasta el punto en que se repone, se reacondiciona o se descarta, el artículo atraviesa una secuencia de pasos estrechamente acoplados. Cada uno aporta su propia complejidad, y cada uno depende de las decisiones tomadas antes. Escaneo y desembalaje Desplegado del artículo Inspección y clasificación del artículo Reembalaje Gestión de devoluciones con doble brazo En cada fase, el robot no solo ejecuta: decide. ¿Reponer, reacondicionar o descartar? ¿Está este artículo realmente sin usar o solo hábilmente reembalado? ¿Debería intentar otro ángulo de visión antes de comprometerse con una clasificación? Son decisiones secuenciales bajo incertidumbre, y acertarlas repercute directamente en la cuenta de resultados. Diseñado para la manipulación rica en contacto La gestión de devoluciones exige un tipo de manipulación que los sistemas de un solo brazo sencillamente no pueden ofrecer. Abrir paquetes, desdoblar prendas e inspeccionar artículos requiere en todos los casos los dos brazos trabajando coordinados. Estas tareas no pueden descomponerse en pasos secuenciales de un brazo sin añadir utillaje de sujeción o rediseñar el flujo de raíz. Esto es lo que separa la gestión de devoluciones de la automatización convencional de pick-and-place, donde un único efector final opera sobre objetos predecibles y geométricamente acotados. Las devoluciones introducen materiales deformables, estados de objeto desconocidos y secuencias de manipulación ricas en contacto que necesitan una fuerza continua repartida entre dos brazos. Las habilidades de manipulación desarrolladas en entornos más simples se trasladan como bloques reutilizables a tareas bimanuales más complejas: estabilidad del agarre, planificación de movimiento consciente del contacto y seguimiento dinámico de objetos se transfieren todos. A medida que crece la complejidad de las tareas, las capacidades aprendidas se acumulan en lugar de obligar al sistema a empezar de cero. Traspasos y coordinación Un brazo extrae el artículo de la cubeta mientras el otro estabiliza los objetos de alrededor. Un brazo sujeta un artículo en posición mientras el otro lo inspecciona, lo escanea o lo reorienta. Los traspasos coordinados entre pinzas permiten secuencias fluidas de varios pasos. Reorientación Los artículos devueltos rara vez llegan en una pose cómoda. Dos brazos pueden voltear, inclinar y girar los objetos para dejar a la vista etiquetas ocultas, inspeccionar la parte inferior o colocar los artículos para el escaneo. Bolsas y materiales deformables Polybags, papel de seda, embalajes flexibles: los materiales deformables están por todas partes en las devoluciones. Un brazo mantiene la bolsa tensa mientras el otro extrae o introduce el artículo. Los sistemas de un solo brazo tienen dificultades con materiales que cambian de forma al contacto. Progresión natural de habilidades El conocimiento del pick-and-place de un brazo se transfiere directamente: planificación del agarre, detección de objetos y control del movimiento se trasladan todos. El doble brazo amplía estos cimientos hacia la manipulación coordinada. Gestión de devoluciones con doble brazo Pick & place de un brazo Agarrar, mover, soltar Interacción de doble brazo Sujetar, girar, traspasar Gestión de devoluciones Inspeccionar, clasificar, enrutar Inteligencia visual para la clasificación del estado El sistema Lens es nuestra capa de inteligencia visual, adecuada para las exigencias de inspección y clasificación de la gestión de devoluciones. Donde Cortex controla lo que hace el robot, Lens determina lo que el robot sabe de cada artículo: su estado, su categoría y qué debe ocurrir con él a continuación. Las habilidades de manipulación desarrolladas en entornos más simples se trasladan como bloques reutilizables a tareas bimanuales más complejas: estabilidad del agarre, planificación de movimiento consciente del contacto y seguimiento dinámico de objetos se transfieren todos. A medida que crece la complejidad de las tareas, las capacidades aprendidas se acumulan en lugar de obligar al sistema a empezar de cero. Es fundamental que Lens no opera de forma aislada. Trabaja directamente con las políticas de manipulación de Cortex. Si una inspección visual no es concluyente porque una etiqueta está parcialmente tapada o un artículo está doblado de forma que oculta un defecto, Cortex puede reposicionar activamente el artículo para dar a Lens una mejor vista. El robot no se limita a mirar lo que tiene delante; manipula la escena para reunir la información que necesita. Captura Vistas multiángulo Análisis Lens Inferencia del estado Clasificación Categoría y confianza ✓ Sin usar ⚠ Sucio ✗ Dañado Enrutamiento Reponer / Reacondicionar / Descartar Clasificación Lens: zapatos, como nuevos Clasificación Lens: caja, abierta Clasificación Lens: bolso, como nuevo Clasificación Lens: paquete, abierto Clasificación Lens: zapatilla, como nueva Este acoplamiento estrecho entre percepción y acción es lo que hace funcionar al sistema. Lens convierte lo que el robot ve en una decisión, y Cortex convierte esa decisión en ejecución física. Por qué Cortex 2.0 está hecho para esto La gestión de devoluciones es justo el tipo de problema para el que Cortex 2.0 encaja bien: horizonte largo, alta incertidumbre y profundamente ligado a una variación del mundo real que ningún entorno controlado puede replicar por completo. Planificación proactiva Cortex no espera a que las cosas salgan mal. Su world model anticipa resultados tras aprender que ciertos agarres sobre cajas deformadas tienden a fallar y que reorientar antes de inspeccionar lleva a mejores resultados. Planifica por adelantado en lugar de reaccionar a posteriori. Aprende de la producción Cada devolución procesada en un almacén en marcha enseña algo nuevo al sistema. Embalajes dañados, artículos inusuales, casos límite que serían casi imposibles de simular: todo aparece de forma natural a escala. Cortex convierte esos datos operativos en mejores políticas. Aprendizaje de trayectoria completa En lugar de aprender solo del éxito o del fracaso, Cortex extrae señal de cada paso: progresos parciales, fallos por poco, estados inestables, recuperaciones. En tareas de devoluciones de horizonte largo, esto hace el aprendizaje mucho más eficiente. Producción Gestión de devoluciones en vivo Datos Trayectorias completas World model Aprender e imaginar Política mejorada Decisiones más inteligentes Rendimiento mejorado El resultado es un sistema que mejora con cada turno, aprendiendo de toda la complejidad de las devoluciones reales en lugar de montajes de laboratorio simplificados o reglas escritas a mano. Qué desbloquea Cortex a continuación La gestión de devoluciones representa una clase de manipulación en la que el éxito depende de razonar a lo largo de secuencias extensas. Los objetos llegan en condiciones impredecibles y exigen inspección, interacción física y decisiones condicionales conforme avanza la ejecución. Resolverla bien sienta las bases para dominios más complejos como el kitting, el ensamblaje y la fabricación, donde la diversidad del entorno y las restricciones físicas se intensifican, pero la necesidad de razonamiento sostenido sigue siendo la misma. La gestión de devoluciones marca una transición crítica: de robots que destacan en tareas de un solo paso a sistemas que entienden y gobiernan procesos. Cortex 2.0 está diseñado exactamente para ese cambio. Pick & place Tareas de un solo paso Gestión de devoluciones Razonamiento de varios pasos Kitting y ensamblaje Secuencias restringidas Fabricación Interacciones complejas Hogar y sanidad Autonomía en mundo abierto Hoja de ruta de Cortex La idea clave Las tasas de devolución en e-commerce promedian un 15–25 % en el retail general y llegan hasta el 60 % en moda. El volumen de mercancía devuelta supera ya lo que el procesamiento manual puede absorber con una economía unitaria aceptable. Cortex 2.0 aborda esto directamente. La gestión de devoluciones es un flujo de decisión de horizonte largo donde cada paso depende del resultado del anterior y el estado del artículo se desconoce hasta examinarlo físicamente. Cortex 2.0 razona a través de futuros posibles y se adapta en cada paso según lo que observa. La evaluación del estado de los artículos mediante Lens introduce señales de clasificación estructuradas directamente en las decisiones de enrutamiento, con reorientación activa cuando las vistas no son concluyentes. Es importante señalar que el sistema mejora con el despliegue. Cada artículo que procesa es una señal de entrenamiento real extraída de devoluciones reales de almacén, no de un entorno simulado. El rendimiento mejora de forma continua, sin que nadie tenga que actualizar reglas ni lanzar ciclos de reentrenamiento. ¡También estamos contratando! Si le interesa unirse a nosotros, póngase en contacto. Los investigadores interesados en nuestro trabajo, en colaboraciones o en cualquier otra consulta pueden escribir a research@sereact.ai. Cerrar Lightbox