En el despacho de carga, persiste una paradoja familiar: un plan de ruta elaborado a las 6 a.m. rara vez sobrevive a las realidades del tráfico de las 9 a.m., la enfermedad de un conductor o un transportista que se desconecta. HERE Technologies está abordando este desafío no mediante la creación de un mejor plan estático, sino desarrollando un sistema que aprende continuamente de lo que ocurre una vez que el plan sale de la oficina del despachador.

Bart Coppelmans de HERE Technologies explicó la hoja de ruta de productos de la empresa en una entrevista con FreightWaves en Home Delivery World. La conversación abarcó mejoras al motor de planificación de recorridos de HERE, una herramienta de retroalimentación de conductores recién lanzada llamada Last Meter Guidance y una capa de razonamiento de optimización de rutas con IA en fase prototipo, diseñada para explicar sus decisiones en lugar de simplemente emitirlas. El enfoque refleja un problema operativo más amplio para los equipos de logística: la optimización de rutas solo genera valor si los despachadores y conductores pueden adaptarse cuando las condiciones del campo se desvían del plan.

La brecha entre planificación y ejecución

La planificación de recorridos se encuentra entre los servicios más consolidados de HERE, con un historial de desarrollo que abarca una década. Las recientes adiciones de funciones están impulsando una mayor adopción en el mercado, según Coppelmans.

"Comenzamos a desarrollar esto hace diez años, pero ahora está realmente despegando en el mercado como uno de los solucionadores con mejor desempeño, especialmente por lo que agregamos el año pasado", dijo Coppelmans.

La más significativa de esas adiciones es la optimización dependiente del tiempo, que toma en cuenta cómo las fluctuantes condiciones de tráfico afectan la capacidad de entrega a lo largo del día.

"A las nueve de la mañana se pueden entregar menos pedidos que a la una de la tarde debido a los embotellamientos", dijo Coppelmans.

HERE también introdujo recorridos superpuestos favorables para el conductor, que reducen los conflictos territoriales que frustran a los conductores en sus rutas. Adicionalmente, una función de agrupación de entregas a pie detecta cuándo un conductor debería estacionar una vez y completar varias entregas a pie en lugar de entrar y salir repetidamente del vehículo.

"Desde un solo lugar de estacionamiento se pueden entregar a pie múltiples pedidos en un área determinada, lo que puede ser más eficiente que entrar y salir del vehículo", dijo Coppelmans.

Last Meter Guidance cierra el ciclo

Estas mejoras de planificación no resuelven lo que Coppelmans identificó como el desafío central: la desconexión entre lo que el despacho planifica por la mañana y lo que un conductor realmente enfrenta en el campo.

"Si se tiene un plan perfecto a las seis de la mañana, a las nueve ya puede ser diferente debido a eventos inesperados —un conductor que se enferma, un transportista que se desconecta o cambios de última hora en los pedidos—", dijo Coppelmans. "Se necesita ser realmente dinámico y flexible, tomando eso en cuenta".

La respuesta de HERE es Last Meter Guidance, un servicio del lado del cliente que opera en un dispositivo de mano o una aplicación del conductor y recopila datos de sensores y posicionamiento desde el campo. En entornos de entrega densos, el enfoque final hacia una parada puede ser materialmente diferente a simplemente navegar hacia una dirección, especialmente cuando el estacionamiento, las entradas de los edificios y los trayectos a pie determinan cuánto tiempo toma realmente una entrega.

"Estamos recopilando automáticamente puntos de sensores y posicionamiento de sondas, tenemos nuestra propia pila de posicionamiento", dijo Coppelmans. "Este servicio se construye sobre eso, asegurándonos realmente de aprender del campo. Estamos recopilando datos de trazas de dónde estaciona el vehículo, el trayecto a pie hacia el edificio, marcando la entrada del edificio y la ubicación del punto final de entrega".

Esos datos fluyen en ambas direcciones. Los despachadores reciben ventanas de entrega más precisas, mientras que los conductores obtienen guía de estacionamiento y entrada basada en dónde los conductores anteriores completaron entregas con éxito, en lugar de depender únicamente de dónde un mapa ubica la entrada de un edificio.

"Ya no hay desconexión", dijo Coppelmans. "Los conductores se sienten más cómodos confiando en lo que se está planificando y pueden decir: 'Bien, esto tiene sentido'".

La optimización de rutas con IA aprende a explicarse a sí misma

Superpuesta a ambos servicios está lo que HERE describe como una capa cognitiva de optimización de rutas —una capacidad agéntica en fase prototipo que la empresa espera que entre en beta cerrada a finales de 2026. Mientras que la API subyacente de planificación de recorridos indica a los despachadores qué acciones tomar, la capa de razonamiento está diseñada para explicar por qué se tomaron esas decisiones. Esa distinción importa en las operaciones de despacho porque una recomendación que parece ineficiente puede estar vinculada a restricciones que el usuario no puede ver de inmediato.

"¿Por qué estos pedidos están sin asignar? ¿Por qué estos dos camiones van por la misma calle el mismo día?", dijo Coppelmans. "Podría deberse a restricciones reales, habilidades de conducción o ciertas prioridades".

La capa va más allá de la explicación. También está diseñada para proponer acciones correctivas —el tipo de ajustes que un despachador experimentado podría hacer de manera intuitiva.

"Tal vez aflojar ciertas restricciones, mover algunos pedidos a mañana o agregar dos vehículos a la capacidad", dijo Coppelmans. "Esa es la capa de razonamiento específica del dominio".

Coppelmans trazó un paralelismo con desarrollos ya en marcha en la telemática, donde las flotas utilizan IA generativa para investigar por qué una llanta está perdiendo presión o por qué un activo ha desaparecido. Aplicada a las operaciones de despacho, la misma metodología significa que un gerente ya no necesita deducir de forma independiente cada causa subyacente de un fallo en el servicio.

"Da respuestas proactivas en términos de lo que se puede hacer para mejorar aún más el plan y hacerlo aún mejor", dijo Coppelmans.

Aterrizar la IA antes de que alucine

Junto con la capa de razonamiento, HERE anunció una capa de razonamiento de ubicación separada, diseñada para evitar que los grandes modelos de lenguaje fabriquen información cuando se les consulta sobre geografía.

Cuando se les pide encontrar un restaurante a mitad de una ruta de camión, los LLM genéricos con frecuencia producen resultados no confiables, señaló Coppelmans.

"Si ahora se pregunta a los LLM genéricos sobre una determinada ubicación geográfica, se obtienen resultados realmente aleatorios, totalmente equivocados, geometría incorrecta o ubicación errónea", dijo Coppelmans. "Se obtiene un POI equivocado que no está cerca del río sino en otro lado. Se puede ser engañado fácilmente, y estos LLM alucinan basándose en consultas de geolocalización".

HERE Location Reasoning está diseñado para proporcionar a los agentes de IA el anclaje espacial necesario para responder a esas preguntas con precisión —ya sea entendiendo la posición de un vehículo en una carretera, trazando un límite alrededor de un punto intermedio o filtrando puntos de interés que genuinamente se encuentran a lo largo de una ruta determinada—. Para aplicaciones de transporte, ese anclaje es central porque los errores geográficos pueden afectar el ruteo, la selección de paradas y las instrucciones transmitidas a los conductores.

"Ese es el viaje en el que estamos, apoyando aún más a los diferentes agentes que se están construyendo en el mercado", dijo Coppelmans. "Los estamos alimentando con una capa correspondiente para que puedan entender realmente el contexto de la ubicación y anclarlo".

El futuro de agente a agente

Coppelmans no contempla que la capa de razonamiento reemplace el juicio operativo propio de una empresa. Los KPI y los acuerdos de nivel de servicio de cada transportista varían demasiado para que un único modelo compartido los aborde de forma independiente, señaló.

"Se necesita tener el propio agente de operaciones agéntico funcionando, pero alimentarlo con los aprendizajes de otros es sumamente crucial, de lo contrario se queda aislado", dijo Coppelmans.

La perspectiva a largo plazo, sugirió, se parece menos a una sola empresa siendo propietaria de un único modelo de IA y más a una red de agentes que se consultan entre sí —el agente de despacho de un transportista consultando a un agente de ruteo tal como una persona podría buscar la segunda opinión de un colega—. Por ahora, el indicador a corto plazo a observar es si la beta cerrada puede demostrar que las recomendaciones de ruta explicables ayudan a los despachadores a gestionar excepciones sin perder el control sobre las reglas operativas.

"Se podría pensar más en términos de comunicaciones de agente a agente conectando ciertas cosas", dijo Coppelmans. "No necesariamente tiene que estar totalmente integrado en el propio sistema; se puede llamar a diferentes agentes para extraer otros conjuntos de datos para verificar y calificar. Pero eso no es algo en lo que estemos todavía, está un poco más adelante en el camino".