Tres grandes retos para afrontar con IA las nuevas reglas en comercio exterior

La trazabilidad del comercio exterior mexicano se juega dentro de las empresas. Demostrar qué se compra, de dónde proviene y cómo se paga exige conectar información dispersa, una tarea que condiciona el alcance de la inteligencia artificial ante mayores exigencias regulatorias.

La Ley Aduanera, por ejemplo, exige integrar expedientes electrónicos con documentos que respalden las operaciones. Paralelamente, las negociaciones en curso del T-MEC queincluyen las reglas de origen, cuyo eventual endurecimiento elevaría la necesidad de rastrear componentes. Son exigencias vigentes y posibles cambios que conviene distinguir.

Valentina Jordan, CEO y cofundadora de Nauta, coloca los datos en el centro de esa preparación. Su organización busca conectar información operativa para facilitar decisiones y tareas, con una advertencia sobre el costo empresarial de llegar sin infraestructura a la transición.

Te recomendamos: Cuando el pedimento ya no alcanza: la nueva trazabilidad que exige la aduana y el SAT

El objetivo es que “esa transición sea también un poco amigable para las empresas, porque también puede ser muy ruda si no tienes los sistemas para poder cumplir con los requisitos”. El desafío comienza por hacer accesible y utilizable la información que las organizaciones ya generan.

Pasar de la visibilidad a la acción

Conocer la ubicación de un contenedor aporta visibilidad, pero decidir qué hacer ante su retraso requiere relacionar inventarios, pedidos y compromisos comerciales. Desde la perspectiva de Jordan, esa conexión permite avanzar hacia acciones apoyadas en inteligencia artificial dentro de la cadena de suministro.

La directiva identifica tres retos para adoptar esta tecnología. El primero es capturar conocimiento no documentado; el segundo, definir por dónde empezar y qué resultado alcanzar; el tercero, construir desde la gerencia una mentalidad dispuesta a cambiar la forma de operar.

Nauta trabaja sobre esa brecha al integrar datos de sistemas y comunicaciones para que agentes de IA ejecuten tareas con contexto empresarial. Su misión, explica Jordan, es democratizar el acceso a la información para operar de manera eficiente en el comercio exterior.

Primer reto capturar el conocimiento no documentado

Las empresas tienen datos estructurados en sistemas de gestión empresarial, transporte y almacenes, conocidos como ERP, TMS y WMS. Sin embargo, parte de las decisiones cotidianas circula por correos, WhatsApp, llamadas o bitácoras, sin incorporarse necesariamente a esos registros formales.

Jordan estima que entre 80 y 90% de la actividad de supply chain ocurre en esos espacios no estructurados. Su diagnóstico incluye la experiencia de colaboradores que llevan décadas resolviendo excepciones y cuyo conocimiento puede perderse cuando abandonan la organización.

“Definitivamente lo primero es que el conocimiento está en los seres humanos y no documentado”. Capturarlo supone registrar criterios, acuerdos y procedimientos que explican cómo funciona el negocio. Esos datos aportan contexto, conocimiento y experiencia para orientar las respuestas de la Inteligencia Artificial.

El contexto convierte una alerta en una decisión

Jordan ilustra esta necesidad con las afectaciones que, según relata, el reciente sismo de Colombia ocasionó en operaciones del puerto de Buenaventura. Una alerta sobre el puerto resulta insuficiente para dimensionar el impacto particular en una empresa que recibe mercancía por esa ruta.

La propuesta consiste en relacionar el evento con embarques, disponibilidad de inventario y riesgo de desabasto o interrupción productiva. Ese vínculo permite interpretar una disrupción desde sus consecuencias operativas, en lugar de dejar al equipo la reconstrucción manual de toda la información.

El mismo principio aplica al especialista que conoce acuerdos de pago y condiciones negociadas con proveedores. Nauta plantea recuperar esos procedimientos de contratos y comunicaciones, y ordenar lo que cada usuario prioriza. Así, los agentes pueden apoyarse en la experiencia acumulada del negocio.

Segundo reto definir una meta antes de contratar tecnología

Un segundo reto viene en la visión que tienen las empresas. “Saben qué quieren, pero no saben por dónde empezar. Y ese para mí es el reto más grande”, dice Jordan quien plantea establecer un indicador, conocer su punto de partida y fijar una meta antes de implementar inteligencia artificial.

Reducir mermas, reclamaciones o costos, acelerar cotizaciones y mejorar márgenes son objetivos distintos. Cada uno exige identificar procesos y fuentes relevantes. La selección de un proveedor necesita responder a esa relación entre problema, información disponible y resultado esperado, más allá de la urgencia tecnológica.

Te recomendamos: Inteligencia Artificial Agéntica: la nueva columna vertebral de la logística inteligente

La dificultad crece porque, en palabras de Valentina, “no hay una sola fuente de la verdad”. Los registros están fragmentados entre sistemas y personas. Integrarlos con un propósito permite evaluar avances; automatizar sobre esa dispersión deja sin resolver la base del problema.

Tercer reto preparar a la dirección para el cambio

La adopción también requiere revisar cómo se distribuye el trabajo. Jordan distingue entre adquirir software para apoyar a un operario y delegar tareas a agentes capaces de preparar reportes, dar seguimiento o intervenir en procesos de cotización, facturación y cobranza.

“Si el mindset no es el correcto, de arriba hacia abajo, hay muchísima fricción”, asegura a The Logistics World.

Te puede interesar: Cómo evitar que fracase la digitalización en la cadena de suministro

La transformación necesita respaldo gerencial porque involucra hábitos, responsabilidades y colaboración entre áreas. La compra de una herramienta, por sí sola, no establece esas condiciones dentro de la empresa.

Su planteamiento vincula el cambio con resultados verificables. Aplicado al comercio exterior, relacionar órdenes de compra, facturas y documentos de embarque puede facilitar la detección de inconsistencias. Esa utilidad requiere equipos dispuestos a compartir información y revisar los procesos que producen los errores.

Un cerebro operativo como base de expansión

Nauta denomina cerebro operativo a la capa que reúne referencias de productos, contratos, rutas y flujos de trabajo. Según la información de la empresa, este modelo dinámico permite a los agentes de inteligencia artificial utilizar el contexto particular de cada empresa para tomar decisiones y ejecutar tareas.

En agosto anunció una inversión liderada por BMW i Ventures, Bosch Ventures, Hitachi Ventures y Yamaha Motor Ventures, con participación de Construct Capital y Predictive. No divulgó el monto; los recursos financiarán expansión global, talento técnico y nuevos ámbitos, incluidos servicios de pago.

Jordan señala que el capital permitirá ampliar casos de uso ante la digitalización del comercio exterior. La apuesta parte de una condición aplicable a las empresas que buscan trazabilidad mediante Inteligencia Artificial: primero reunir y entender los datos que explican su operación.