Contexto
Distribuidor del sector salud con alto volumen de órdenes B2B, cada una con más de 500 líneas. Los pedidos entran por canales mezclados: imágenes, fotos de documentos impresos, planillas Excel con formato libre y cuerpos de email. El equipo de carga trabajaba contra el ERP línea por línea.
El problema
Cada orden requería horas de trabajo manual y, en picos de demanda, el tiempo de respuesta comenzaba a afectar la operación comercial. Escalar ventas implicaba escalar administración casi en la misma proporción.
Lo que hicimos
Construimos un sistema de Intelligent Document Processing para órdenes B2B: ingiere las órdenes en cualquier formato (imagen, PDF, foto, Excel sin estructura, cuerpo de email), las pasa por un modelo de visión para extraer las líneas de pedido, las mapea contra los SKUs del ERP con un modelo entrenado sobre el catálogo del cliente, y carga al ERP las líneas con alta confianza directo. Las de baja confianza quedan en una cola de revisión humana.
Computer vision para lectura de entradas heterogéneas. El cliente final no iba a cambiar cómo manda las órdenes — la solución se adapta a los formatos existentes.
Modelo de ML entrenado sobre el histórico del cliente para el mapeo a SKUs. Cada producto aparece descrito de mil formas según el comprador; el modelo aprende del catálogo y del histórico real.
Cola de revisión humana para líneas de baja confianza. El operador deja de cargar y pasa a validar excepciones, con score de confianza por línea.
Integración directa al ERP, sin capa intermedia. Las órdenes mapeadas entran al sistema con los SKUs ya resueltos.
Lo que descartamos
Construir un portal de carga estructurada para que los clientes B2B mandaran las órdenes en formato uniforme. Hubiese resuelto el problema “en origen”, pero los compradores del sector llevaban años mandando órdenes como las venían mandando: forzar un cambio de hábito hubiese sumado fricción comercial mayor al ahorro técnico. Quedó documentado como opcional para fase 2.
Por qué funcionó
El cliente no tuvo que cambiar cómo trabaja.
La IA aprendió sobre datos reales y no sobre catálogos teóricos.
Las personas dejaron de cargar y pasaron a gestionar excepciones.
Se automatizó el 95%; el objetivo no era 100%.
Stack
.NET
React
Azure DevOps
Computer Vision
Machine Learning
Integración ERP
Resultado
95% de órdenes procesadas sin intervención humana
De un día por orden a minutos
+500 líneas procesadas automáticamente por OC
Crecimiento absorbido sin sumar headcount
Eliminación del cuello de botella operativo