Los sistemas de entrega de última milla operan en un mundo que rara vez se detiene. Los pedidos llegan mientras los camiones ya están en movimiento, las condiciones del tráfico cambian y las ventanas de entrega suelen ser ajustadas. En este entorno, un plan estático —una ruta calculada una sola vez al inicio del día— rara vez es suficiente. En su lugar, los despachadores deben actualizar constantemente sus planes, insertando nuevas paradas en rutas existentes o reorganizándolas cuando un cliente cancela o un vehículo se avería. Esta necesidad constante de reoptimizar crea un desafío computacional difícil: el sistema debe encontrar una nueva disposición válida de paradas en cuestión de segundos. Si la computadora tarda demasiado en pensar, la ventana de entrega se cierra o el conductor espera ocioso. Si la computadora supone una nueva ruta que viola las reglas —como un camión que transporta demasiado peso o llega demasiado tarde—, todo el plan colapsa y el sistema debe empezar de nuevo. El objetivo no es solo encontrar el camino más corto, sino encontrar un camino viable, instantáneamente.

Investigadores de la Universidad de Tecnología Automotriz de Hubei han desarrollado un nuevo enfoque para este problema, uno que toma prestada una estrategia del mundo de la inteligencia artificial para hacer que estas decisiones de milésimas de segundo sean más fiables. Llaman a su sistema SRI-ECR-balanced. En lugar de intentar calcular la ruta perfecta desde cero cada vez que llega un nuevo pedido, el sistema trabaja como un editor experto que redacta algunas frases, las revisa para detectar errores, conserva las partes buenas e inmediatamente corrige las malas. Este método, conocido como ejecución especulativa, permite al sistema proponer varias paradas futuras a la vez, verificar cuáles son seguras y descartar el resto antes de que causen un problema. Al hacer esto, el sistema puede recuperarse de los conflictos mucho más rápido que los métodos tradicionales, asegurando que un plan de entrega siga siendo factible incluso cuando la situación sobre el terreno cambia rápidamente.

El núcleo de este nuevo marco de trabajo es un ciclo de redacción, verificación y reparación. Cuando llega un nuevo pedido, un "generador de borradores" propone una secuencia corta de clientes para añadir a la ruta de un camión. En el pasado, los sistemas podrían haber intentado insertar solo un cliente a la vez, lo cual es lento, o podrían haber intentado insertar una lista larga de clientes de una sola vez, lo que a menudo conduce a errores. Este nuevo sistema logra un equilibrio: propone un pequeño grupo de paradas, quizás cinco a la vez. Un "verificador" separado luego comprueba este grupo frente a las reglas de la carretera, como el límite de peso del camión y la ventana de tiempo del cliente. El sistema acepta el tramo más largo del grupo propuesto que se ajuste a las reglas e inmediatamente descarta el resto. Si las tres primeras paradas del grupo propuesto están bien pero la cuarta es demasiado pesada para el camión, el sistema mantiene las tres primeras y revierte la cuarta. No desecha todo el plan; solo elimina la parte que rompió las reglas.

Una vez que las paradas inválidas han sido revertidas, un "experto en reparación" especializado interviene para solucionar el problema. Este no es un reparador genérico; el sistema diagnostica exactamente qué salió mal. Si el problema es que el camión está demasiado lleno, el experto prioriza encontrar un camión diferente con más espacio. Si el problema es que se perderá a un cliente debido a una ventana de tiempo ajustada, el experto busca una ruta que pueda llegar más temprano. Este enfoque dirigido es crucial. Los investigadores descubrieron que sin este paso de reparación específico y consciente de los conflictos, el sistema no logía encontrar rutas válidas en situaciones estresantes. Cuando el sistema se vio obligado a utilizar un método de reparación aleatorio en lugar de uno experto, solo pudo solucionar aproximadamente un tercio de los problemas, dejando muchos pedidos sin atender. Con el enrutador experto, el sistema reparó con éxito cada uno de los conflictos en sus pruebas, manteniendo un registro perfecto de planes factibles.

Para que este proceso sea lo suficientemente rápido para su uso en tiempo real, el sistema también utiliza una forma de memoria llamada caché de prefijo de ruta. En un entorno dinámico, la mayor parte de la ruta de un camión permanece igual de un momento a otro; solo cambia el final de la ruta. Los sistemas tradicionales suelen recalcular todo el trayecto cada vez que realizan un pequeño cambio, desperdiciando tiempo en partes del viaje que no han cambiado. Este nuevo sistema recuerda los cálculos de las partes de la ruta que ya están confirmadas. Cuando necesita comprobar una nueva parada, solo calcula la nueva parte, reutilizando los datos almacenados para el resto. Este sencillo truco hizo que el sistema fuera más de tres veces más rápido al evaluar rutas potenciales. En pruebas con un conjunto estándar de 100 clientes, esta caché permitió al sistema evaluar rutas 3.12 veces más rápido que si tuviera que empezar desde cero. En una prueba más grande con 200 clientes, la aceleración fue de 3.08 veces.

Los investigadores probaron su sistema contra herramientas existentes utilizadas por empresas de logística, incluyendo OR-Tools y PyVRP, que son solucionadores potentes diseñados para encontrar las rutas absolutamente más cortas. Realizaron simulaciones donde llegaban pedidos constantemente y donde las ventanas de tiempo se estrechaban artificialmente para crear estrés. En estas condiciones difíciles, los solucionadores tradicionales tardaban casi los tres segundos permitidos para cada decisión para encontrar una solución, e incluso entonces, a veces producían rutas que eran ligeramente más cortas pero que tardaban más en computarse. El nuevo sistema, por el contrario, encontró una solución válida en menos de medio segundo en promedio. Aunque las rutas que produjo fueron aproximadamente un 7.8% más largas en distancia total que las encontradas por los potentes solucionadores, el compromiso fue deliberado. En un escenario de entrega del mundo real, una ruta ligeramente más larga que está lista instantáneamente es a menudo más valiosa que una ruta perfecta que llega demasiado tarde. El sistema priorizó sacar un plan viable a la calle sobre exprimir hasta el último kilómetro de eficiencia.

El estudio también exploró cómo se comporta el sistema bajo diferentes niveles de riesgo. Compararon un enfoque "equilibrado", que sopesa cuidadosamente el riesgo de añadir una nueva parada, frente a un enfoque "agresivo" que intenta añadir tantas paradas como sea posible antes de comprobar. El método agresivo causó que el sistema cometiera muchos errores que tuvieron que ser revertidos, ralentizándolo significamente. El enfoque equilibrado, que penaliza los movimientos riesgosos incluso antes de que sean propuestos, redujo el número de errores y mantuvo el sistema moviéndose con fluidez. Esto confirmó que el sistema funciona mejor cuando especula con cautela, proponiendo unos pocos pasos por delante pero comprobándolos rigurosamente antes de comprometerse.

Los investigadores no afirmaron que su sistema sea el mejor para encontrar la ruta más corta posible en un mundo estático donde el tiempo no es un factor. Declararon explícitamente que para problemas donde el único objetivo es minimizar la distancia y la computadora tiene varios segundos para pensar, los solucionadores tradicionales siguen ganando. El valor de este nuevo marco de trabajo reside específicamente en el mundo caótico y presionado por el tiempo del despacho dinámico. En estos escenarios, la capacidad de recuperarse de un conflicto instantáneamente y mantener un plan válido es más importante que una mejora marginal en la distancia. El sistema demostró su valía al atender al 100% de los clientes en los escenarios de prueba más estresantes, con cero pedidos rechazados, manteniendo el tiempo de respuesta lo suficientemente bajo como para ser útil para un centro de despacho en vivo.

Incluso cuando los investigadores introdujeron ruido aleatorio para simular retrasos de tráfico impredecibles, el sistema resistió. Continuó atendiendo a todos los clientes y reparando conflictos con éxito, demostrando que el método es lo suficientemente robusto como para manejar la incertidumbre del mundo real. También probaron el sistema con un fragmento de datos de entrega reales de una importante empresa de logística, utilizando coordenadas de entrega reales. El sistema funcionó con éxito en estos datos del mundo real, atendiendo los 80 puntos de parada del conjunto de prueba. Sin embargo, los investigadores fueron cuidadosos al señalar los límites de su diseño actual. Cuando probaron un escenario mucho más grande con 400 clientes, el sistema no pudo encontrar una solución perfecta dentro del límite de tiempo, atendiendo solo alrededor de tres cuartas partes de los pedidos. Esto indica que, si bien el método funciona bien para flotas de tamaño medio, las operaciones más grandes requerirían estrategias adicionales para dividir el problema en piezas más pequeñas.

En última instancia, este trabajo demuestra un cambio en cómo pensamos al resolver problemas de enrutamiento. En lugar de ver a la computadora como una calculadora que debe encontrar la única mejor respuesta, los investigadores trataron a la computadora como un tomador de decisiones que debe encontrar una buena respuesta rápidamente. Al adoptar los patrones especulativos utilizados en la inteligencia artificial moderna —redacción, verificación y caché—, el sistema puede navegar la incertidumbre de la entrega dinámica con velocidad y fiabilidad. Los hallazgos sugieren que, para muchos desafíos logísticos del mundo real, la capacidad de adaptarse instantáneamente es la verdadera medida de un sistema exitoso, incluso si eso significa que las rutas no son matemáticamente perfectas. El sistema no promete eliminar todos los retrasos o encontrar el camino más corto cada vez, pero sí promete que cuando llegue un nuevo pedido, un plan estará listo casi inmediatamente, manteniendo las ruedas de la red de entrega en movimiento.