Automatizacion 6 min lectura

Worldwide Express: agentes AI para resolver excepciones de flete

Worldwide Express transformó su gestión de excepciones de facturación usando una solución multi-agente sobre Amazon Bedrock. El proyecto redujo excepciones activas, aceleró el cobro y liberó flujo de caja significativo.

Por Redaccion TD
Worldwide Express: agentes AI para resolver excepciones de flete

Contexto y el problema

Worldwide Express, parte de ShipStation Global, opera a gran escala: aproximadamente 5.000 millones de dólares en ingresos del sistema, más de 75 carriers LTL y más de 130.000 clientes. Ese tamaño trajo un reto operativo crítico: unos 15 millones de dólares en flujo de caja libre quedaban congelados cada mes por facturas en excepción que nadie resolvía a tiempo.

En el modelo tradicional, cada excepción debía ser investigada manualmente, carrier por carrier, atendiendo reglas y procesos distintos. Worldwide Express había externalizado ese trabajo a un equipo que gestionaba los casos uno a uno: llamadas a clientes y carriers, revisiones manuales y mucha gestión repetitiva. El resultado era una acumulación de excepciones, dinero inmovilizado y demoras en convertir pedidos en efectivo.

Por qué las excepciones son difíciles de automatizar

En flete LTL, aproximadamente el 14% de las facturas no pasan la coincidencia de tres vías estándar entre orden de compra, recepción de la mercancía y la factura del carrier. Cuando falla esa comprobación, la factura entra en manejo de excepciones.

Worldwide Express clasificó las excepciones en tres tipos principales:

  • Desajustes a nivel de línea: cantidades o códigos de servicio que no coinciden con el registro del envío.
  • Variaciones de precio: el carrier facturó una tarifa distinta a la contratada.
  • Cargos accessoriales inesperados: cargos por liftgate, recargos residenciales o ajustes de peso que no estaban en la cotización original.

Resolver estas discrepancias exige juicio contextual: interpretar políticas de accessoriales de cada carrier, comparar cargos con datos de envío y decidir la validez en función del carrier, el tipo de excepción y el monto. Los enfoques tradicionales de RPA basados en reglas no bastan porque la variabilidad del problema es alta y los límites de decisión deben ser auditables y explicables.

Del diagnóstico a la producción: un camino rápido

En junio de 2025, Worldwide Express trabajó con el equipo AWS Business Transformation & Value Advisory y con LTM para identificar oportunidades de automatización en el ciclo Order-to-Cash. Dada la magnitud del impacto en flujo de caja, la compañía pasó de la evaluación a producción en menos de seis meses.

La solución se diseñó para ejecutarse en AWS. Amazon Bedrock aporta la capacidad de razonamiento AI y Amazon EC2 actúa como la plataforma de orquestación. Esta combinación permitió mantener control fino sobre cómo razonan los agentes, dónde se fijan los límites de decisión y cómo se enrutan las excepciones entre componentes.

Diseño de la solución multi-agente

El enfoque central fue construir agentes especializados que actúan como analistas autónomos, pero con límites de decisión explícitos y auditables. Cada agente tiene tres elementos clave: una instrucción que define su rol y límites, un conjunto de acciones integradas con el TMS y acceso a la documentación del carrier relevante.

Los tres agentes principales son:

  • Invoice Matching Agent: localiza el registro de envío que debería corresponder a la factura y marca las discrepancias en líneas y cantidades.
  • Pricing Variance Agent: compara el cargo del carrier con la tarifa contratada y determina si la diferencia es válida.
  • Accessorial Validation Agent: valida si cargos inesperados están justificados por eventos reales de entrega.

Antes de emitir una recomendación, cada agente consulta las reglas y políticas del carrier específico: tarifas, definiciones de recargos, procedimientos de disputa y umbrales de variación. Así, las decisiones se anclan en las reglas de ese carrier y no en suposiciones genéricas.

Integración con SpeedShip y acciones en el flujo operativo

Los agentes se integran directamente con el Transportation Management System (SpeedShip) usando las mismas APIs que usan los analistas humanos. Eso significa que el AI ve exactamente la misma información (tarifas contractuales, detalles del envío, evidencias de entrega) y escribe su resolución en el mismo flujo de trabajo.

Operativamente, las acciones que puede ejecutar cada agente incluyen completar notas de resolución, actualizar estados en el TMS y, cuando procede, generar comunicaciones de disputa. El uso de las APIs nativas de SpeedShip facilita la adopción y evita soluciones ad hoc que crean silos.

Gobernanza, explicabilidad y observabilidad

Dado que cada decisión de facturación puede tener implicaciones financieras y regulatorias, la solución puso énfasis en trazabilidad y explicabilidad. Cada agente genera una nota en lenguaje claro describiendo qué se encontró y qué acción se tomó, y los límites de decisión están explícitos en la instrucción del agente.

Para monitorear el desempeño y brindar confianza al equipo de FinOps, se desarrollaron dashboards de observabilidad que registran volúmenes de excepciones, resultados de decisiones, tiempos de resolución y auditorías de actividad. Mantener la lógica de negocio en producción permitió que cada decisión fuera auditable.

Human-in-the-loop y evolución de la confianza

Durante el despliegue inicial, Worldwide Express mantuvo un paso de aprobación humana para que los analistas validaran las recomendaciones antes de finalizar. Ese enfoque fue clave para la adopción interna.

Con el tiempo, la precisión de los agentes superó el 99% y la compañía habilitó la aprobación masiva por defecto para los casos con alta confianza. Este tránsito controlado redujo fricción y permitió escalar la automatización sin sacrificar control.

Resultados medibles

Seis meses después del lanzamiento en producción, los resultados que Worldwide Express reportó incluyen:

  • 75% de reducción en excepciones activas.
  • Mejora de cuatro semanas en el time-to-cash.
  • Ahorro anual en costos operativos de 1 millón de dólares.
  • Un impulso único de flujo de caja libre de 10 millones de dólares.

Estos impactos financieros y operativos muestran cómo una solución bien gobernada y especializada puede transformar un cuello de botella crítico en productividad y liquidez.

Lecciones y relevancia para América Latina

Aunque este caso proviene de una operación global, la lección es aplicable a empresas y operadores logísticos en América Latina. La fragmentación de carriers, diferencias en políticas de facturación y necesidad de conciliación manual son desafíos comunes en la región. Una arquitectura basada en agentes AI permite:

  • Reutilizar la misma lógica para múltiples carriers sin escribir código específico por carrier.
  • Mantener cumplimiento y auditableidad en procesos financieros sensibles.
  • Reducir el trabajo administrativo repetitivo y liberar talento para tareas de mayor valor.

Para equipos latinoamericanos, comenzar por mapear las categorías de excepción más frecuentes y documentar las políticas de carriers locales facilita priorizar la automatización y estimar el retorno de inversión.

Conclusión

Worldwide Express logró convertir un problema operativo que inmovilizaba millones en una ventaja competitiva mediante una solución multi-agente sobre Amazon Bedrock y Amazon EC2, integrada con su TMS. La combinación de agentes especializados, bases de conocimiento por carrier, integración directa con SpeedShip y controles de gobernanza permitió una automatización segura, explicable y escalable. Para las empresas de logística y finanzas en América Latina, este enfoque ofrece un camino probado para acelerar el cobro, mejorar la eficiencia y recuperar flujo de caja bloqueado.

Fuente original: AWS ML Blog