ISSN: 2806-5697  
Vol. 7 – Núm. E1 / 2026  
Evaluación de la aplicación de inteligencia artificial generativa en  
la planificación de rutas logísticas y su influencia en la gestión de  
la calidad empresarial  
An Evaluation of the Application of Generative Artificial Intelligence in  
Logistics Route Planning and Its Impact on Business Quality Management  
Avaliação da aplicação da inteligência artificial generativa no planeamento  
de percursos logísticos e a sua influência na gestão da qualidade  
empresarial  
Piña Jiménez Adriana Gabriela1  
Instituto Superior Tecnológico Tsa´chila  
adrianapiñajimenez@tsachila.edu.ec  
https://orcid.org/0009-0005-4112-5453  
Aguilar Becerra Byron Andrés2  
Instituto Superior Tecnológico Tsa´chila  
byronaguilar@tsachila.edu.ec  
https://orcid.org/0009-0001-3610-6777  
DOI / URL: https://doi.org/10.55813/gaea/ccri/v7/nE1/1418  
Como citar:  
Piña, A. & Aguilar, B., (2026). Evaluación de la aplicación de inteligencia artificial generativa  
en la planificación de rutas logísticas y su influencia en la gestión de la calidad empresarial.  
Código Científico Revista de Investigación, 7(E1), 2330-2358.  
Recibido: 06/01/2026  
Aceptado: 04/02/2026  
Publicado: 31/03/2026  
pág. 2330  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Resumen  
La presente investigación analiza la aplicación de la inteligencia artificial generativa en la  
planificación de rutas logísticas y su influencia en la gestión de la calidad empresarial. Se  
desarrolló bajo un enfoque cualitativo, con alcance exploratorio y diseño transversal, utilizando  
como técnica principal la revisión documental. Se examinaron 17 estudios publicados entre  
2020 y 2025, provenientes de bases de datos académicas de alto impacto como Scopus, Web of  
Science, IEEE Xplore, ScienceDirect y MDPI, además de informes sectoriales y casos  
empresariales. Los resultados evidencian que la IA generativa ha transformado la planificación  
logística al ofrecer soluciones más precisas, adaptativas y eficientes frente a escenarios  
complejos, como variaciones en el tráfico y restricciones operativas. Los estudios reportan  
mejoras significativas, incluyendo reducciones de hasta el 88 % en retrasos de entrega,  
incrementos de hasta el 40 % en la precisión de los pronósticos y disminuciones relevantes en  
costos logísticos y consumo de combustible. En el contexto ecuatoriano, se destaca que el 68 %  
de las empresas que implementan inteligencia artificial en logística reportan mayor satisfacción  
del cliente, así como mejoras en tiempos de respuesta y reducción de pérdidas operativas. En  
conclusión, la inteligencia artificial generativa se posiciona como un recurso estratégico para  
optimizar la eficiencia, fortalecer la calidad del servicio y promover la sostenibilidad  
organizacional.  
Palabras Clave: IA generativa, planificación de rutas logísticas, gestión de la calidad  
empresarial, optimización logística, cadena de suministro.  
Abstract  
This study analyzes the application of generative artificial intelligence in logistics route  
planning and its impact on business quality management. It was conducted using a qualitative  
approach, with an exploratory scope and a cross-sectional design, employing a literature review  
as the primary method. Seventeen studies published between 2020 and 2025 were examined,  
drawn from high-impact academic databases such as Scopus, Web of Science, IEEE Xplore,  
ScienceDirect, and MDPI, as well as industry reports and business case studies. The results  
show that generative AI has transformed logistics planning by offering more accurate, adaptive,  
and efficient solutions to complex scenarios, such as traffic variations and operational  
constraints. The studies report significant improvements, including reductions of up to 88% in  
delivery delays, increases of up to 40% in forecast accuracy, and substantial decreases in  
logistics costs and fuel consumption. In the Ecuadorian context, it is noteworthy that 68% of  
companies implementing artificial intelligence in logistics report higher customer satisfaction,  
as well as improvements in response times and a reduction in operational losses. In conclusion,  
generative artificial intelligence is positioned as a strategic resource for optimizing efficiency,  
strengthening service quality, and promoting organizational sustainability.  
Keywords: Generative AI, logistics route planning, business quality management, logistics  
optimization, supply chain.  
pág. 2331  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Resumo  
A presente investigação analisa a aplicação da inteligência artificial generativa no planeamento  
de percursos logísticos e a sua influência na gestão da qualidade empresarial. Foi desenvolvida  
sob uma abordagem qualitativa, com alcance exploratório e desenho transversal, utilizando  
como técnica principal a revisão documental. Foram examinados 17 estudos publicados entre  
2020 e 2025, provenientes de bases de dados académicas de alto impacto, como Scopus, Web of  
Science, IEEE Xplore, ScienceDirect e MDPI, além de relatórios setoriais e casos empresariais.  
Os resultados evidenciam que a IA generativa transformou o planeamento logístico ao oferecer  
soluções mais precisas, adaptativas e eficientes face a cenários complexos, como variações no  
tráfego e restrições operacionais. Os estudos relatam melhorias significativas, incluindo  
reduções de até 88 % nos atrasos de entrega, aumentos de até 40 % na precisão das previsões e  
diminuições relevantes nos custos logísticos e no consumo de combustível. No contexto  
equatoriano, destaca-se que 68 % das empresas que implementam inteligência artificial na  
logística relatam maior satisfação do cliente, bem como melhorias nos tempos de resposta e  
redução de perdas operacionais. Em conclusão, a inteligência artificial generativa posiciona-se  
como um recurso estratégico para otimizar a eficiência, fortalecer a qualidade do serviço e  
promover a sustentabilidade organizacional.  
Palavras-chave: IA generativa, planeamento de rotas logísticas, gestão da qualidade  
empresarial, otimização logística, cadeia de abastecimento.  
Introducción  
En la actualidad, el mundo entero se encuentra viviendo una transformación digital en  
diferentes áreas, y las cadenas de suministro y de logística no han sido la excepción, donde se ha  
venido implementando técnicas digitales para resolver diferentes problemas operativos  
complejos (Miraflores & Fausto, 2021). En particular, la aparición de modelos de IA generativa  
capaces de sintetizar soluciones, escenarios y planes a partir de grandes volúmenes de datos  
ofrece nuevas oportunidades para optimizar la planificación de rutas, adaptarse a la variabilidad  
del tráfico y reducir costos operativos. Estas capacidades presentan un cambio de paradigma  
respecto a los métodos tradicionales de optimización, debido a que los modelos generativos  
pueden aprender patrones, proponer soluciones creativas y generar múltiples alternativas de  
una manera rápida y escalable (Burnham, 2024).  
En este contexto, la gestión logística representa un reto constante para los directivos,  
quienes deben buscar alternativas innovadoras que les permitan optimizar y controlar de forma  
pág. 2332  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
más eficiente sus operaciones. Al respecto, la inteligencia artificial se posiciona como un  
recurso transformador, al facilitar la automatización de actividades repetitivas y susceptibles a  
errores, tales como la planificación de la demanda, el control de inventarios y la programación  
de rutas de distribución (Calle et al., 2024). Gracias a ello, las organizaciones pueden destinar a  
su personal a funciones estratégicas y de mayor valor. Del mismo modo, la IA contribuye a  
elevar la exactitud de las proyecciones de demanda y a optimizar el uso de los recursos  
disponibles, generando mejoras en la eficiencia operativa y reduciendo los costos ocasionados  
por excedentes o faltantes de inventario (Peinado & Díaz, 2022).  
En el país andino de Ecuador, uno de los principales retos que las PYMES deben asumir  
en su andadura de innovación se encuentra en cuanto a implantar y administrar las tecnologías,  
si quieren continuar siendo competitivas y conseguir beneficios empresariales. Según Estrada  
et al., (2019), se tiene que tener, en primer lugar, claridad sobre las necesidades tecnológicas de  
la organización para elegir así las mejores herramientas y determinar el presupuesto que se  
destine para ellas.  
En Santo Domingo de los Tsáchilas, las PYMES son un motor para la economía en el  
ámbito logístico, pero suelen tener restricciones en lo que respecta a tener infraestructura  
tecnológica y formas avanzadas de planificación logística. No obstante, la proliferación de  
plataformas de IA y herramientas en la nube accesibles permite realizar transformaciones en la  
gestión logística, mejoras en el trazado de rutas de distribución y en los estándares de calidad de  
las empresas, con la creación de ventajas competitivas y más valor económico (Jara & Naspud,  
2024).  
La adopción de la inteligencia artificial (IA) ha generado una transformación profunda  
en la gestión de las cadenas de suministro, modificando significativamente la eficiencia, la  
exactitud y la capacidad de toma de decisiones a lo largo de toda la cadena de valor empresarial.  
Según Arias et al., (2023), menciona que esta tecnología además de favorecer el flujo físico de  
pág. 2333  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
los materiales y productos favorece la gestión de la información y de los recursos financieros,  
siendo capaz de producir incrementos considerables en la productividad de todos los eslabones  
de la cadena.  
El uso de la IA ayuda a mejorar la visibilidad entre los actores, perfeccionar los procesos  
y elevar el nivel de los productos y servicios proporcionados, así como también en el mejor  
servicio al cliente interno y externo, y la disminución del número de errores y defectos (Satama  
& Terán, 2023).  
Por ello, esta investigación surge a partir del interés en cómo aplicar estratégicamente la  
inteligencia artificial generativa a la planificación de rutas logísticas, ya que la creciente  
complejidad de las cadenas de suministro requiere alternativas innovadoras que propicien la  
eficiencia y la exactitud de los procesos de la empresa. Generando conocimiento acerca de las  
efectividades que poseen los modelos generativos en la optimización de rutas y sus efectos en la  
calidad de los servicios y de los productos, permitiendo a las empresas llevar a cabo estrategias  
basadas en IA que favorecen la reducción de los costos operativos, la disminución de errores en  
inventarios y la mejora de la puntualidad y la confiabilidad de las entregas.  
En cuanto a la utilidad, los beneficiarios directos incluyen empresas, gestores logísticos  
y profesionales de la cadena de suministro, quienes podrán aplicar los hallazgos para optimizar  
procesos, mejorar la calidad del servicio y aumentar la competitividad. El impacto previsto se  
refleja en la optimización de los procesos operativos, reducción del error y optimización de los  
recursos, que permiten obtener un sistema logístico más sostenible, eficiente y eficaz. Para  
terminar la investigación fue posible gracias a tener acceso a herramientas de IA, bases de datos  
logísticas y literatura actualizada, lo que permitió elaborar un análisis aplicable a realidades  
concretas y garantizando obtener resultados precisos y útiles a la hora de tomar decisiones para  
las empresas.  
pág. 2334  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
En el marco del Plan Nacional de Desarrollo “Hacia un Nuevo Ecuador” (2021-2025) se  
relaciona con el Eje Infraestructura, Energía y Ambiente, sector transporte y obras públicas,  
para modernizar y hacer eficiente el sistema logístico nacional haciendo uso de nuevas  
tecnologías; la aplicación de la IA generativa en la planificación de rutas incide positivamente  
en la optimización del transporte, disminución del impacto medioambiental y mejora de la  
calidad de los servicios empresariales, al mismo tiempo que con las estrategias de los objetivos  
nacionales de sostenibilidad, productividad y competitividad.  
En este aspecto, la finalidad central de la presente investigación fue realizar una  
revisión bibliográfica sobre la manera en que inteligencia artificial puede aplicarse de forma  
estratégica en la gestión de la cadena de suministro, con el propósito de incrementar la  
eficiencia, la exactitud y la calidad en la toma de decisiones. Es importante resaltar que, al  
diseñar e implementar tácticas que aprovechen al máximo el potencial de la IA, las  
organizaciones logran fortalecer su capacidad de anticipar y adaptarse a las exigencias del  
mercado, optimizar la administración de inventarios y disminuir los costos operativos.  
Metodología  
La presente investigación se llevó a cabo en la ciudad de Santo Domingo de los  
Tsáchilas, en el Instituto Superior Tecnológico Tsa´chila, cantón Santo Domingo, parroquia  
Chigüilpe, avenida Galo Luzuriaga y Flanklin Pallo, en el periodo lectivo II-2025 durante 4  
meses.  
La presente investigación se desarrolló bajo un enfoque cualitativo, con un énfasis en el  
análisis documental y descriptivo, orientado a comprender de manera integral la aplicación de  
la inteligencia artificial generativa en la planificación de rutas logísticas y su influencia en la  
gestión de la calidad empresarial.  
pág. 2335  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Desde esta perspectiva, la investigación no se limita únicamente a describir la  
problemática, sino que busca analizar, interpretar y proponer estrategias fundamentadas en  
evidencia científica y técnica, provenientes de estudios académicos, informes sectoriales y  
casos empresariales reales. Asimismo, aunque se incorporan datos numéricos reportados en la  
literatura, estos cumplen una función complementaria y contextual, permitiendo reforzar el  
análisis cualitativo sin constituir un estudio cuantitativo de carácter estadístico.  
El alcance de la investigación fue exploratorio, debido a que buscó analizar la relación  
entre la aplicación de la inteligencia artificial generativa en la planificación de rutas logísticas y  
los resultados en la gestión de la calidad empresarial. Se centró en medir el impacto de la IA en  
indicadores clave de eficiencia, precisión y calidad dentro de la cadena de suministro, así como  
en identificar oportunidades de mejora en los procesos logísticos.  
El diseño es transversal o transeccional, ya que se realizó en un momento específico  
para recopilar información sobre la situación actual de diferentes empresas (Cvetkovic-Vega  
et al., 2021). Este diseño permitió describir las condiciones actuales, identificar problemas y  
evaluar la factibilidad de implementar soluciones basadas en IA sin necesidad de un  
seguimiento longitudinal.  
El procedimiento de investigación comprende varias fases que se muestran en la figura  
1:  
pág. 2336  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Diseño del trabajo de  
Construcción y  
validación de los  
instrumentos de  
investigación:  
Elaboración del Marco  
Teórico final:  
integración curricular:  
Se definió el enfoque,  
objetivos, alcance y  
metodología de la  
investigación.  
Se consolidaron la  
información revisada sobre IA  
generativa, planificación de  
rutas logísticas y gestión de  
calidad.  
Se elaboraron las fichas  
de recolección de datos  
documentales.  
Elaboración de  
conclusiones:  
A partir del análisis  
integrado, se identificarán  
los hallazgos principales.  
Procesamiento de datos:  
La información cualitativa  
se organizó en tablas y  
gráficos en Excel.  
Aplicación de  
instrumentos y  
recolección de datos  
Elaboración del informe:  
Se redactó el informe final de la  
investigación, incluyendo  
introducción, objetivos, marco  
teórico, metodología,  
resultados, conclusiones y  
recomendaciones.  
Figura 1. Procedimiento de investigación  
Elaboración propia  
Se aplicó la técnica de revisión documental, utilizando como instrumento fuentes  
bibliográficas tales como artículos científicos, libros especializados y casos empresariales  
relevantes. Esta estrategia permitió recopilar y analizar información existente sobre la  
aplicación de IA generativa en la planificación de rutas logísticas, identificando cómo  
contribuye a mejorar la eficiencia y la precisión de los procesos logísticos. Para la búsqueda de  
información se emplearon palabras clave como: “inteligencia artificial generativa”,  
“planificación de rutas logísticas”, “optimización de rutas”, “gestión de calidad empresarial”,  
“eficiencia logística” y “tecnologías aplicadas a la logística”, que permitieron localizar  
literatura académica y casos prácticos relacionados con el tema de estudio.  
Se registraron de manera organizada en una matriz en Excel donde se incorpore: autor,  
año, título, fuente de consulta, resumen del contenido, hallazgos clave. Esta ficha permitió  
organizar y analizar la información de manera estructurada. La información obtenida de las  
pág. 2337  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
diferentes fuentes fue organizada en tablas y gráficos utilizando Excel, permitiendo un análisis  
descriptivo de los resultados. Se escogieron bajo el criterio de 5 años de antigüedad y de fuentes  
confiables para estudiar a fondo sobre la aplicación de inteligencia artificial generativa en  
planificación de rutas y gestión de calidad.  
Figura 2. Diagrama de flujo PRISMA para la selección de documentos  
Fuente: Elaboración propia  
Resultados  
En la Tabla 1 se presenta la revisión documental sobre la planificación de rutas  
logísticas mediante inteligencia artificial generativa, en la cual se sintetizan investigaciones  
científicas recientes que abordan modelos, enfoques metodológicos, avances y tendencias  
aplicables a la optimización de rutas en la cadena de suministro.  
Tabla 1 .  
Revisión documental sobre la planificación de rutas logísticas mediante inteligencia artificial generativa  
Autor(es)  
Año Título del  
documento  
Tipo de  
fuente  
Objetivo del Metodología Hallazgos  
estudio  
clave  
Base de datos  
Pan,  
Liu, S..  
W.; 2024 Aprendizaje  
Artículo  
Revisar  
metodologías sistemática  
Revisión  
El ML mejora IEEE Xplore  
la predicción de  
automático para científico  
resolver  
problemas  
enrutamiento de  
vehículos: una  
(IEEE  
deITS)  
T- de  
ML  
al  
tráfico  
y
el  
aplicadas  
VRP  
rendimiento del  
ruteo frente a  
métodos  
pág. 2338  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Objetivo del Metodología Hallazgos  
Research Article  
Autor(es)  
Año Título del  
Tipo de  
fuente  
documento  
estudio  
clave  
Base de datos  
encuesta  
clásicos  
Guan,  
Q.; 2025 Transformador Artículo  
Mejorar  
soluciones  
VRP mediante  
DRL  
transformer  
Experimental Supera  
ScienceDirect /  
Scopus  
Cao, H.; Jia,  
L.; Yan, D.;  
Chen, B.  
sinérgico  
científico  
(DRL)  
heurísticas  
impulsado por la  
tradicionales  
hasta en 8,56 %  
atención  
problemas  
para  
de  
y
enrutamiento de  
vehículos  
Marroquín- 2025 Modelo  
DRL Artículo  
VRP científico  
Resolver VRP Modelación + Reduce retrasos MDPI  
Cano, S.F. et  
al.  
para  
bajo  
experimentos hasta  
88  
%
estocástico con  
tiempos de  
servicio y plazos  
Meraliyev, 2025 Métodos yArtículo  
desafíos del VRPcientífico  
incertidumbre  
real  
manteniendo  
tiempos  
competitivos  
Analizar VRPRevisión  
La IA y el DRL MDPI / Scopus  
permiten  
M. et al.  
dinámicos  
yamplia  
con  
(revisión)  
estocásticos  
adaptación  
condiciones  
cambiantes  
a
incertidumbres  
Chen,  
Men,  
Fuster,  
Osorio, C.;  
Juan, A.A.  
W.; 2024 IA  
Y.;  
N.;  
en  
optimización  
logística  
la Artículo  
científico  
con (revisión)  
Revisar  
aplicada  
optimización  
logística  
IARevisión deLa IA mejora MDPI / Scopus  
aliteratura  
eficiencia  
transporte  
del  
y
criterios  
sostenibles  
reduce impacto  
ambiental  
Frederico,  
G.F.  
2023 ChatGPT en las Artículo  
Identificar  
aplicaciones  
prácticas  
ChatGPT  
logística  
Revisión  
documental optimización de  
ChatGPT apoya MDPI  
cadenas  
de científico  
suministro:  
evidencia inicial  
de  
en  
rutas  
y
decisiones  
logísticas  
Kleinováy, 2024 Optimización de Artículo  
Comparar  
LLM  
métodos  
tradicionales  
de ruteo  
Experimental La IA logra MDPI  
soluciones  
K.; Straka,  
M.  
rutas  
modelos  
mediantecientífico  
de  
vs  
rápidas  
y
lenguaje de IA  
eficientes  
García  
Blanes  
de 2025 Aplicaciones deArtículo  
la IA generativa científico  
Analizar  
PRISMA  
+ La  
IAG WoS / Scopus  
aplicaciones de bibliometría optimiza rutas y  
Sebastián,  
M. et al.  
en  
sectores(revisión  
IAG  
en  
sostenibilidad  
en transporte  
estratégicos  
sistemática) transporte  
Nota. ML=Machine Learning (Aprendizaje automático); VRP=Vehicle Routing Problem (Problema de  
enrutamiento de vehículos); DRL = Deep Reinforcement Learning (Aprendizaje por refuerzo profundo); IA =  
Inteligencia Artificial; IAG=Inteligencia Artificial Generativa; LLM = Large Language Models (Modelos de  
lenguaje de gran escala); PRISMA=Preferred Reporting Items for Systematic Reviews and Meta-Analyses; Wo  
=Web of Science.  
Al revisar la literatura científica, se ha podido comprobar que la inteligencia artificial  
generativa (IAG) se ha afianzado como una herramienta relevante a la hora de planificar y  
optimizar rutas logísticas, en contraposición con la implementación de las tradicionales  
heurísticas fijas o la programación matemática clásica. Las investigaciones analizadas  
muestran una evolución clara hacia modelos dinámicos, adaptativos y predictivos, capaces de  
pág. 2339  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
responder a entornos logísticos complejos caracterizados por incertidumbre, variabilidad de la  
demanda y restricciones operativas reales.  
A nivel metodológico, se evidencia cómo la literatura revisada señala un modelo de  
aprendizaje automático y un modelo de aprendizaje por refuerzo profundo (Deep  
Reinforcement Learning, DRL) como una de las novedades relevantes para la solución del  
Problema de Enrutamiento de Vehículos (VRP). Investigaciones como las de Pan & Liu,  
(2023), Guan et al., (2025) y Marroquín et al., (2025) demuestran que estos modelos superan a  
los métodos tradicionales al incorporar la capacidad de aprendizaje continuo, lo que permite  
generar soluciones de ruteo más eficientes en escenarios dinámicos y estocásticos. En  
particular, el uso de sistemas avanzadas como la implementación mediante codificación de un  
Transformador Sinérgico Impulsado por la Atención (SAT) y modelos de atención evidencia  
mejoras sustanciales en la calidad de las rutas, reduciendo tiempos de entrega, retrasos y costos  
operativos (Guan et al., 2025).  
En específico, el uso de arquitecturas avanzadas como los modelos de atención suponen  
importantes mejoras en la propia calidad de las rutas en cuanto a tiempos de entrega, tiempos de  
retraso y costes operativos. Además, la literatura revisada pone de manifiesto la presencia  
creciente de la inteligencia artificial generativa, concretamente, el uso de modelos de lenguaje y  
sistemas generativos, en tanto que línea emergente de ciertas tendencias en la planificación de  
rutas. Autores como Frederico, (2023) y Kleinová & Straka, (2024) afirman que estos modelos  
no son solo de utilidad para lograr acelerar la generación de soluciones logísticas, sino que,  
además, facilitan episodios de simulación de escenarios, comparación de alternativas de ruteo y  
soporte a la toma de decisiones o estratégicas. La capacidad generativa propuesta por estas  
arquitecturas amplia el enfoque que la optimización propone, en la medida que permite a los  
gestores logísticos evaluar distintos escenarios en tiempos rápidos y flexiblidad.  
pág. 2340  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Por otro lado, se manifiestan que los resultados obtenidos a partir de la planificación de  
rutas que emplean la IA tampoco es solo la eficiencia operativa, sino que se acompañan de  
criterios, entre otros, de sostenibilidad y calidad. La revisión llevada a cabo por Chen et al.,  
(2024) concluye que la fusión de IA en la optimización logística acaba reduciendo el consumo  
del combustible, disminuyendo las emisiones contaminantes y mejorando la utilización de los  
recursos de transporte. Este mismo hilo de pensamiento apoya la idea de que la planificación de  
la ruta mediante inteligencia artificial generativa no solo permite mejorar el desempeño  
económico, sino que aporta también valor ambiental y social en la gestión de la logística. En lo  
que respecta a los entornos de incertidumbre, los artículos examinados coinciden en que los  
modelos tradicionales tienen importantes limitaciones para adaptarse a cambios en tiempo real,  
como pueden ser los cambios en el tráfico, las interrupciones operativas o los cambios en la  
demanda. En contraposición, la investigación desarrollada por Meraliyev et al., (2025) y  
Marroquín et al., (2025) concluye que los enfoques por DRL y los modelos generativos son más  
eficaces en la gestión de la incertidumbre porque logran aprender patrones complejos e ir  
ajustando las decisiones de ruteo a medida que estas condiciones del entorno cambian.  
Desde la perspectiva de su uso estratégico, los hallazgos de la revisión enfocan en que la  
inteligencia artificial generativa tiene la facultad de habilitar la transformación digital sobre la  
logística, permitiendo pasar de sistemas reactivos a sistemas proactivos y predictivos. La  
literatura hace constar que el comportamiento los modelos aquí analizados permiten una mayor  
visualización de las operaciones, de la calidad del servicio al cliente y de la toma de decisiones  
en función de los datos. Todos estos aspectos son cruciales para ser competitivos, por lo que la  
pregunta objeto de este artículo indicaría que el uso de la inteligencia artificial generativa en  
combinación con los sistemas inteligentes de gestión logística, incluidos los sistemas de soporte  
a la decisión y de la gestión de la cadena de suministro, es una realidad, así como la tendencia de  
las empresas a extender las capacidades de la planificación de rutas, dándole una connotación  
pág. 2341  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
estratégica que favorezca la eficiencia general de toda la cadena logística y la gestión de la  
calidad de la empresa  
Los resultados sugieren que la inteligencia artificial generativa puede considerarse una  
mejora en la planificación de rutas de nuevas tecnologías avanzadas en cuanto a los modelos  
que permiten planificación logística comparada con las modelos tradicionales basadas en  
algoritmos. En definitiva, este estudio tiene sentido en términos de los resultados encontrados y  
la inteligencia artificial generativa respecto a la planificación de rutas transportes es un hecho  
tangible y en expansión, y no conlleva otras consecuencias que la eficiencia operativa, la  
sostenibilidad y la calidad de gestión logística.  
Análisis de cómo la implementación de soluciones de planificación de rutas  
logísticas basadas en IA generativa puede influir en los indicadores de gestión de calidad  
empresarial tales como eficiencia, precisión en entregas y satisfacción del cliente.  
En la Tabla 2 se presenta la revisión documental sobre como la implementación de  
soluciones de planificación de rutas logísticas basadas en IA generativa puede influir en los  
indicadores de gestión de calidad empresarial tales como eficiencia, precisión en entregas y  
satisfacción del cliente.  
Tabla 2.  
Análisis de soluciones de planificación de rutas logísticas basadas en IA generativa y su influencia en los  
indicadores de gestión de calidad empresarial  
Autores  
Año  
Enfoque principal  
Indicadores de  
Principales aportes  
calidad analizados  
Li et al.  
2024  
GenAI en SCM  
Eficiencia  
Mejora  
significativa  
del  
operativa, precisión  
desempeño logístico mediante  
coordinación basada en IA  
generativa  
Fosso  
Wamba et al.  
2023  
2023b  
2023  
GenAI / ChatGPT en Eficiencia,  
Adoptantes de GenAI reportan  
SCM  
satisfacción  
mayor  
eficiencia  
y
mejor  
percepción del servicio  
Fosso  
Wamba et al.  
Proyectos  
SCM  
GenAI  
en Costos, experiencia La GenAI mejora la experiencia  
del cliente  
del cliente y la confiabilidad  
operativa  
Frederico  
ChatGPT en logística  
Eficiencia,  
precisión  
entregas  
ChatGPT apoya planificación de  
en rutas y reducción de errores  
operativos  
pág. 2342  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Chen et al.  
2024  
2024  
IA logística sostenible  
LLM en ruteo  
Eficiencia, calidad Optimización de rutas reduce  
del servicio  
tiempos, emisiones y mejora la  
calidad  
Kleinováy &  
Straka  
Eficiencia, rapidez Modelos de lenguaje logran  
operativa  
resultados comparables y más  
rápidos  
García  
Blanes et al.  
de  
2025 GenAI multisectorial  
2024 IA estratégica en SCM  
Eficiencia,  
satisfacción  
En transporte, GenAI optimiza  
rutas y mejora decisiones en  
tiempo real  
Calle et al.  
Eficiencia,  
precisión,  
satisfacción  
Evidencia empírica (Walmart,  
P&G) muestra mejoras claras en  
calidad logística  
Nota. GenAI = Generative Artificial Intelligence (Inteligencia Artificial Generativa); SCM = Supply Chain  
Management (Gestión de la cadena de suministro); IA = Inteligencia Artificial; LLM = Large Language Models  
(Modelos de lenguaje de gran escala).  
Análisis del impacto en la eficiencia operativa  
El análisis de la literatura evidencia que la eficiencia operativa es el indicador de gestión  
de calidad más directamente influenciado por la implementación de soluciones de planificación  
de rutas logísticas basadas en inteligencia artificial generativa (IAG). Estudios empíricos como  
el de Li et al., (2024) demuestran que las organizaciones que integran IA generativa en la  
planificación logística experimentan mejoras significativas en el desempeño global de la  
cadena de suministro, gracias a una mayor coordinación y capacidad de adaptación ante  
entornos dinámicos. El uso intensivo de IA generativa se relaciona con incrementos  
estadísticamente significativos en la eficiencia del trabajo, explicitados en función de la  
reducción de los tiempos de ciclo del trabajo y por la mejor utilización de los recursos.  
Esos efectos están en consonancia con los resultados de Fosso et al., (2023), quienes  
encontraron que las empresas adoptantes de IA generativa o ChatGPT mostraban niveles de  
eficiencia mayores que aquellas no adoptantes, fundamentando su afirmación en los usos de la  
automatización de decisiones, la optimización de rutas, y las reducciones de los reprocesos  
logísticos. La evidencia permite a este estudio apuntar que la IA generativa permite un tránsito  
pág. 2343  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
de la planificación reactiva a la planificación proactiva, observaciones que se fundamentan en el  
uso de datos históricos y en tiempo real.  
Además, Calle et al., (2024) ofrecen evidencia práctica mediante una serie de ejemplos  
de empresas reales. En empresas como Walmart, la Imitación de sistemas de IA aplicados a la  
logística permitió un recorte del 20 % de los niveles de inventario; por su parte, Procter &  
Gamble observó una disminución del 30 % de los niveles de inventario; cifras que demuestran  
una planificación futura de rutas y distribución muy superior, de una mejor congestión  
operativa y de una mejor asignación de recursos. Estos datos apuntan a que la mejora de la  
eficiencia logística no solo beneficia en el ámbito operativo, sino que esta mejora del  
funcionamiento operativo se traduce en beneficios económicos directos.  
Análisis del impacto en la precisión de las entregas  
La revisión de los estudios abordados expone que los sistemas de planificación de rutas  
fundamentados en IA generativa consiguen aumentar este indicador como resultado de la  
eliminación de errores humanos y del incremento de la precisión en el proceso de toma de  
decisiones sobre las rutas a seguir.  
Frederico, (2023) manifiesta que la incorporación de modelos generativos como  
ChatGPT en la planificación de la logística permite mejorar la precisión en la planificación de  
las rutas debido a la integración de información sobre demandas, tiempo de entrega,  
restricciones operativas y condiciones externas. Esta posibilidad permite reducir las  
desviaciones con respecto a los tiempos de entrega planificados y la minimización de las faltas  
de cumplimiento en las entregas.  
En una línea complementaria, los autores y Kleinová & Straka, (2024) explican que los  
modelos de lenguaje aplicados a la planificación de rutas pueden llegar a replicar y a igualar los  
métodos de la planificación de rutas más tradicionales, pero con la diferencia de que la  
pág. 2344  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
velocidad en la obtención de soluciones es mucho mayor, lo cual permite reaccionar con  
rapidez ante la aparición de imprevistos, incrementando la exactitud en el proceso de ejecución  
de las entregas y reduciendo retrasos.  
Los datos empíricos que exponen Calle et al., (2024) corroboran este análisis, ya que  
muestran que las empresas que aplican IA en la planificación de la logística son capaces de  
conseguir incrementos de hasta el 15% en la precisión de las previsiones de ventas, lo cual sin  
duda influye en la planificación de rutas más precisas y en el cumplimiento de los tiempos de  
entrega establecidos.  
Análisis de impacto en la satisfacción del cliente.  
La IA generativa impacta directamente en la satisfacción del cliente, debido a que  
puede ofrecer ofreciendo marcos éticos para el diseño de campañas que equilibren la  
efectividad con la protección del consumidor, logrando segmentar audiencias y adaptar  
mensajes a las necesidades individuales de los usuarios, es decir se tienen una personalización  
masiva del contenido, siendo un paso esencial para las marcas que buscan establecer relaciones  
significativas y duraderas con sus clientes (García de Blanes et al., 2025). Además, estas  
herramientas pueden predecir el comportamiento del consumidor analizando datos históricos y  
en tiempo real, lo que facilita la toma de decisiones estratégicas. Por otra parte, Fosso et al.,  
(2023) menciona que la IA generativa Gen-AI/ChatGPT puede transformar la forma de  
colaboración y comunicación entre los miembros de la cadena de suministro, a su vez mejorar  
la eficiencia de los procesos generales, incluyendo la precisión de las entregas, lo que aumenta  
la satisfacción del cliente  
pág. 2345  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Análisis de casos exitosos internacionales por utilizar IA generativa en sus  
empresas  
La Tabla 3 presenta un análisis comparativo de casos empresariales y evidencias que  
reflejan la aplicación de la inteligencia artificial (IA) en procesos logísticos, operativos y de  
atención al cliente en el contexto internacional.  
Tabla 3.  
Análisis de casos internacionales que utilizan IA generativa  
Empresa  
Aplicación  
de IA  
Proceso logístico  
analizado  
Evidencia reportada  
Indicadores  
de calidad  
Fuente  
Procter  
Gamble  
(Consumo  
masivo)  
&
IA y ML para Planificación de Reducción aproximada Eficiencia  
previsión de demanda del 30 % de la flota de operativa,  
camiones en Japón; sostenibilidad, P&G  
mejora en la adaptación confiabilidad (Deguchi,  
Casos  
empresariales  
y
demanda  
distribución  
a picos de demanda.  
del servicio  
2024)  
Walmart  
(Retail)  
IA  
para Inventarios,  
Mejora en  
la Precisión  
de entregas,  
en Casos  
previsión de transporte y ruteo disponibilidad  
Walmart  
–
demanda  
inventarios  
e
productos y reducción satisfacción  
de desabastecimientos del cliente  
durante escenarios de  
SCM (Parvez  
Musani,  
2023).  
alta volatilidad.  
Lenovo  
(Tecnología)  
Plataforma  
IA “Supply demanda  
Chain  
Intelligence”  
Previsión  
de Incremento del 4,8 % Eficiencia,  
Casos Lenovo  
(Perry, 2024).  
y
en ingresos, mejora del precisión  
5 % en entregas OTIF y operativa,  
reducción cercana al 20 calidad  
producción  
del  
% en costos logísticos.  
servicio  
la Precisión  
del entregas,  
More  
(Retail  
alimentario)  
Retail IA  
pronóstico y y distribución  
reposición  
para Reabastecimiento Incremento  
de  
en Amazon  
Forecast  
precisión  
pronóstico del 24 % al satisfacción  
76 % y mejora del 10 % del cliente  
en disponibilidad (in-  
(Supratim  
et al., 2021)  
stock)  
UPS  
(Logística)  
IA  
para Enrutamiento  
y
y
Reducción estimada de Eficiencia,  
Caso  
UPS  
optimización  
de  
(ORION)  
distribución  
100  
millones  
de sostenibilidad, ORION  
rutas  
millas/año, ahorro de confiabilidad  
10 millones de galones  
de combustible/año y  
USD 300–400 millones  
en costos operativos.  
(Hossein  
et al., 2025)  
Industria  
automotriz  
(Nissan  
IA  
para Producción  
Reducción  
sobreproducción,  
de Precisión  
operativa,  
Casos Nissan  
y
(Hossein  
et al., 2025)  
previsión de logística interna  
demanda  
producción  
BMW  
/
y
menor desperdicio y eficiencia  
mejor ajuste de productiva  
BMW)  
capacidad a la demanda  
real.  
C3  
AI IA  
para Planificación de Reducción del 96 % en Eficiencia,  
Casos C3 AI  
pág. 2346  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
(Manufactura) automatizar  
producción  
el  
tiempo  
de agilidad  
(Perry, 2024).  
previsión de  
demanda  
planificación y mejoras operativa  
de precisión entre 10 %  
y
40  
segmento.  
de Incremento del 84 % en Precisión  
el cumplimiento entregas,  
puntual de pedidos.  
%
según  
Martinus  
(Retail)  
IA  
reposición  
dinámica  
para Gestión  
en FutureMargin  
(Hossein  
inventarios  
pedidos  
y
satisfacción  
del cliente  
et al., 2025)  
Nota. ML = Machine Learning (Aprendizaje automático); SCM = Supply Chain Management (Gestión de la  
cadena de suministro); OTIF = On Time In Full (Entregas completas y a tiempo); ORION = On-Road Integrated  
Optimization and Navigation; Fuente: (Deguchi, 2024) (Hossein et al., 2025) (Parvez, 2023) (Denittis, 2024)  
El análisis de los casos evidencia que la planificación de la demanda y la optimización  
de rutas constituyen las principales áreas de aplicación de la IA en el ámbito logístico  
internacional. Empresas como Procter & Gamble y Walmart demuestran que el uso de modelos  
predictivos permite anticipar cambios en el comportamiento del mercado y responder de  
manera eficiente ante escenarios de alta volatilidad (Denittis, 2024). En el caso de Procter &  
Gamble, la reducción aproximada del 30 % de la flota de camiones en Japón refleja una mejora  
significativa en la eficiencia operativa y en la sostenibilidad del transporte, derivada de una  
planificación más precisa de la demanda (Deguchi, 2024).  
A su vez, los resultados aducen que tanto la optimización de los Inventarios como la  
precisión de la entrega son muy altos indicadores de calidad fuertemente afectados por la  
utilización de l.A.. Walmart y More Retail indican haber aumentado la disponibilidad de  
producto y la veracidad del pronóstico de compras que les ayuda a disminuir la ruptura de stock  
y a incrementar la satisfacción del cliente. En especial, el incremento de la precisión del  
pronóstico de compras de More Retail, del 24% al 76%, ratifica la aptitud de la IA para  
transformar la toma de decisiones logísticas que se sustentan en datos (Parvez Musani, 2023).  
Por otra parte, los casos de Lenovo y de C3 IA remarcan el impacto de l.A. en pro de la  
agilidad operativa y de la eficiencia organizativa. El incremento del 4.8% en las ventas, la  
mejora del 5% de las entregas OTIF y la reducción cercana al 20% de los costes logísticos en la  
pág. 2347  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
empresa Lenovo determinan que la IA no solo mejora procesos, sino que también aumenta los  
beneficios económicos directos. De forma análoga, la reducción del 96% del tiempo de  
planificación presentado por C3 IA ratifica la habilidad de la automatización inteligente para  
acelerar los procesos logísticos y de producción (Perry, 2024).  
Finalmente, el caso de UPS (ORION) confirma que la IA aplicada a la optimización de  
rutas genera impactos a gran escala, reflejados en la reducción de distancias recorridas,  
consumo de combustible y costos operativos (Hossein et al., 2025).  
Análisis de casos nacionales que utilizan IA generativa en sus empresas  
La Tabla 4 presenta un análisis comparativo de casos empresariales y evidencias que  
reflejan la aplicación de la inteligencia artificial (IA) en procesos logísticos, operativos y de  
atención al cliente en el contexto ecuatoriano.  
Tabla 4.  
Análisis de casos nacionales que utilizan IA generativa  
Empresa  
Aplicación de  
IA  
Proceso  
logístico  
Datos relevantes  
reportados  
Indicadores de  
calidad  
Fuente  
Capterra  
(estudio  
IA aplicada  
logística  
a
y
Operaciones  
logísticas  
El 68 % de las empresas Satisfacción del (Hossein  
que implementan IA en cliente, calidad et al., 2025)  
y
sectorial)  
atención  
al experiencia del logística reportan mayor del servicio  
cliente  
cliente  
satisfacción del cliente  
DHL Ecuador Algoritmos  
Transporte  
y
Reducción del 36 % en Eficiencia  
(García,  
2025)  
predictivos para distribución  
ruteo y entregas  
tiempos  
de  
respuesta operativa,  
de precisión  
mediante  
análisis  
en  
tráfico, clima y patrones entregas  
de consumo  
DHL Ecuador IA para atención Servicio  
al Los chatbots resuelven Satisfacción del (García,  
aproximadamente el 80 cliente, rapidez 2025)  
% de las consultas sin de atención  
intervención humana  
al  
cliente cliente  
logístico  
(chatbots)  
Startups  
logísticas  
locales  
(alimentos  
farmacias)  
Cervecería  
Nacional  
Machine  
learning  
optimización de  
rutas  
Distribución  
para urbana  
Uso de datos históricos de Eficiencia,  
compra y demanda local precisión  
(García,  
2025)  
para  
mejorar operativa  
y
planificación de rutas  
Visión  
Inspección de Reducción de personal de Eficiencia,  
calidad  
producción  
(Estrada,  
del 2025)  
computarizada  
(computer  
vision)  
en inspección de 12 a 2 calidad  
supervisores técnicos  
proceso  
Empresas  
ecuatorianas  
(informe  
IA  
en Operaciones  
industriales  
Implementación  
de Eficiencia  
Cámara  
Tecnología  
Ecuatoriana  
(Álvarez  
Alvarez,  
2025)  
de  
mantenimiento  
predictivo  
mantenimiento predictivo operativa,  
con sensores (caso confiabilidad  
Petroecuador)  
sectorial)  
&
pág. 2348  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Banco  
Pichincha  
Chatbots  
avanzados  
IA  
Atención  
con cliente  
al Los asistentes virtuales Satisfacción del Cámara  
de  
gestionan el 73 % de las cliente, calidad Tecnología  
consultas  
del servicio  
Ecuatoriana  
(Bonilla,  
2025)  
Indurama  
IA  
para Producción  
y
Incremento del 22 % en Eficiencia  
Cámara  
de  
optimización de logística  
productividad  
tras operativa  
Tecnología  
turnos  
interna  
implementar IA  
Ecuatoriana  
(Estrada,  
2025)  
Megamaxi  
Algoritmos  
predictivos  
demanda  
Gestión  
de inventarios  
de Reducción del 35 % de Precisión,  
pérdidas por inventario eficiencia,  
Cámara  
de  
Tecnología  
Ecuatoriana  
(Estrada,  
2025)  
obsoleto  
satisfacción  
Comercio  
electrónico  
(contexto  
nacional)  
IA  
para Ventas  
y
En 2024, el e-commerce Experiencia del (Ekos, 2024).  
e- movió USD 2.875 cliente,  
millones y 53 millones de eficiencia  
transacciones logística  
recomendaciones logística  
analítica commerce  
predictiva  
y
Nota. ML = Machine Learning (Aprendizaje automático); E-commerce = Comercio electrónico; Computer vision  
= Visión computarizada.  
Los resultados muestran que, aunque la implementación de IA en Ecuador se encuentra  
en una fase de desarrollo progresivo, ya se observan beneficios tangibles en términos de  
eficiencia y calidad del servicio. El estudio sectorial de Capterra indica que el 68 % de las  
empresas que han implementado IA en logística reportan una mayor satisfacción del cliente, lo  
que sitúa al contexto ecuatoriano dentro de una tendencia global favorable hacia la adopción de  
tecnologías inteligentes.  
Ejemplos concretos del uso de la IA, como los de DHL Ecuador, muestran niveles  
fuertes de mejoras operativas y de entrega, percibiéndose mediante una reducción del 36 % de  
tiempos de respuesta y la automatización de la atención al cliente a partir de chatbots que se  
ocupan de alrededor del 80 % de las solicitudes; lo que quiere decir que la IA ayuda a mejorar  
procesos logísticos y la experiencia del cliente final (García, 2025).  
Los casos de startups logísticas locales y de cervecerías nacionales o empresas como  
Cervecería Nacional, Indurama y Megamaxi también demuestran que la IA no es propia de  
grandes multinacionales, sino que también agrega valor a empresas nacionales. Ejemplos de  
reducción de personal para la inspección de la calidad, una productividad aumentada del 22 % y  
pág. 2349  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
la reducción del 35 % de pérdidas por un inventario obsoleto demuestran que la IA aporta  
mejoras a la eficiencia, la precisión operativa y a la gestión de inventarios (Estrada, 2025).  
Por otra parte, la implementación de chatbots avanzados en empresas como el Banco  
Pichincha y el propio crecimiento del comercio electrónico ecuatoriano con transacciones de  
USD 2.875 millones para el año 2024 demuestra que la IA es una de las claves para permitir la  
calidad del servicio y la eficiencia logística, y con ello, la transformación digital (Ekos, 2024).  
Propuesta de estrategias basadas en IA generativa para optimizar la planificación  
logística y fortalecer la gestión de la calidad empresarial.  
A partir de los resultados que se han obtenido principalmente de la revisión de la  
documentación de estudio y del análisis de los casos de estudio se establece la consideración de  
la inteligencia artificial generativa (IAG) como herramienta estratégica en la optimización de la  
planificación logística y el refuerzo de la gestión de la calidad empresarial, para lo cual, se  
definen estrategias para conseguir tanto la eficiencia operativa y de entregas como la  
satisfacción del cliente o el mismo compromiso y mejora continua en la gestión de la  
transformación digital.  
Tabla 5.  
Propuesta de estrategias basadas en IA generativa para optimizar la planificación logística y fortalecer la gestión  
de la calidad empresarial.  
Estrategia  
Descripción  
Aplicación logística  
Impacto en la gestión de  
calidad  
Implementación  
de Incorporar modelos  
de  
-
-
-
Planificación de  
inventarios  
Programación  
de distribución  
Asignación de  
flota y rutas  
-
-
-
Reducción de quiebres de  
stock y sobreinventarios  
Mejora de la precisión  
operativa  
sistemas de previsión inteligencia  
de demanda basados en generativa  
artificial  
aprendizaje  
y
IA generativa  
automático para la previsión  
de la demanda, integrando  
datos históricos de ventas,  
Incremento  
de  
la  
confiabilidad del servicio  
patrones  
de  
consumo,  
estacionalidad,  
promociones  
y
variables  
externas como clima  
comportamiento  
mercado.  
y
del  
Optimización  
Adoptar  
sistemas  
de  
-
-
Transporte  
y
-
-
-
Reducción de tiempos de  
entrega  
dinámica  
mediante  
generativos  
aprendizaje  
refuerzo  
de  
rutas optimización de rutas que  
distribución  
modelos utilicen IA generativa y  
Replanificación  
automática  
entregas  
Disminución  
logísticos  
de  
costos  
y
aprendizaje por refuerzo  
por profundo para generar rutas  
óptimas en tiempo real,  
de  
Mayor  
puntualidad  
y
pág. 2350  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
considerando  
ventanas  
tráfico,  
tiempo,  
precisión en las entregas  
-
Logística  
urbana  
de  
y
de  
al  
capacidad  
vehicular  
y
última milla  
eventos imprevistos.  
Uso  
de  
asistentes Implementar  
asistentes  
-
-
-
Atención  
cliente  
Seguimiento de  
pedidos  
Comunicación  
postventa  
-
-
-
Mejora de la experiencia  
del cliente  
inteligentes y chatbots virtuales  
generativos para la modelos  
basados  
de  
en  
lenguaje  
Reducción de tiempos de  
respuesta  
gestión del servicio al generativo para atender  
cliente  
consultas,  
reclamos  
gestionar  
brindar  
Incremento  
de  
la  
y
satisfacción y percepción  
de calidad  
información en tiempo real  
sobre pedidos y entregas.  
Integración  
de  
IA Desarrollar  
sistemas  
-
-
-
-
Planeación  
-
Toma de decisiones más  
generativa en sistemas inteligentes que utilicen IA  
de apoyo a la toma de generativa para analizar  
táctica  
y
informada  
Reducción  
operativos  
y
oportuna  
estratégica  
de errores  
decisiones logísticas  
grandes volúmenes de datos  
Evaluación de  
escenarios  
logísticos  
y
proponer  
Mejora continua de los  
procesos logísticos  
escenarios,  
logísticos  
recomendaciones  
y
Gestión  
de  
y
acciones correctivas para la  
planificación estratégica.  
riesgos  
contingencias  
Desarrollo  
capacidades  
de Fortalecer las competencias  
Formación del  
personal  
-
-
-
Mayor aceptación y uso  
efectivo de la tecnología  
del  
talento  
humano  
organizacionales para mediante capacitación en  
logístico  
Mejora  
sostenida  
del  
la adopción de IA analítica  
de  
datos,  
-
-
Gestión  
cambio  
Cultura  
del  
de  
desempeño organizacional  
generativa  
inteligencia  
gestión digital innovadora.  
artificial  
y
Alineación  
tecnología,  
personas  
entre  
procesos  
y
mejora continua  
Fuente: Elaboración propia  
Discusión  
Los resultados obtenidos a partir de la revisión documental evidencian que la  
inteligencia artificial generativa (IAG) se está consolidando como un elemento disruptivo en la  
planificación de rutas logísticas, superando progresivamente los enfoques tradicionales  
basados en heurísticas estáticas y modelos de optimización matemática clásica. Esta evolución  
coincide con lo planteado por Pan y Liu (2023) y Guan et al. (2025), quienes sostienen que los  
entornos logísticos actuales requieren soluciones adaptativas capaces de operar bajo  
condiciones de incertidumbre, variabilidad de la demanda y restricciones dinámicas. En este  
sentido, los hallazgos del presente estudio confirman que los modelos basados en aprendizaje  
automático y aprendizaje por refuerzo profundo (DRL) no solo mejoran la eficiencia del ruteo,  
sino que permiten una toma de decisiones más flexible y en tiempo real.  
pág. 2351  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
En concordancia con estudios recientes, se identificó que las arquitecturas avanzadas  
basadas en mecanismos de atención, como los modelos tipo Transformer, generan mejoras  
sustanciales en la calidad de las rutas logísticas, reduciendo tiempos de entrega, retrasos y  
costos operativos (Guan et al., 2025). Este resultado respalda la idea de que la incorporación de  
capacidades de aprendizaje continuo permite a los sistemas logísticos evolucionar en función  
del entorno, lo cual representa una ventaja significativa frente a los modelos deterministas  
tradicionales. Asimismo, investigaciones como las de Marroquín et al. (2025) y Meraliyev et al.  
(2025) refuerzan que estos enfoques son más eficaces en la gestión de escenarios estocásticos,  
lo que coincide plenamente con los hallazgos obtenidos en este estudio.  
Desde una perspectiva emergente, la evidencia recopilada confirma el papel creciente  
de la IAG, particularmente de los modelos de lenguaje de gran escala, en la optimización  
logística. Autores como Frederico (2023) y Kleinová y Straka (2024) destacan que estos  
modelos no solo facilitan la generación de soluciones de ruteo en menor tiempo, sino que  
también permiten simular escenarios, comparar alternativas y apoyar la toma de decisiones  
estratégicas. En línea con estos planteamientos, los resultados del presente estudio sugieren que  
la IAG amplía el enfoque tradicional de optimización, incorporando capacidades predictivas y  
generativas que fortalecen la planificación logística integral.  
En relación con los indicadores de gestión de calidad empresarial, los hallazgos  
evidencian que la eficiencia operativa es el aspecto más impactado por la implementación de  
soluciones basadas en IAG. Esto coincide con Li et al. (2024) y Fosso Wamba et al. (2023),  
quienes reportan mejoras significativas en la productividad, reducción de tiempos de ciclo y  
optimización de recursos en organizaciones que adoptan estas tecnologías. De igual manera, los  
casos analizados, como Walmart y Procter & Gamble, evidencian reducciones importantes en  
inventarios y mejoras en la planificación de la demanda, lo que respalda empíricamente los  
beneficios operativos identificados (Calle et al., 2024).  
pág. 2352  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Por otra parte, los resultados también muestran una mejora significativa en la precisión  
de las entregas, atribuida principalmente a la capacidad de la IAG para integrar múltiples  
variables en la toma de decisiones logísticas. En este sentido, Frederico (2023) señala que el uso  
de modelos generativos reduce errores humanos y optimiza la planificación de rutas, mientras  
que Kleinová y Straka (2024) destacan la rapidez de respuesta ante imprevistos como un factor  
clave en la mejora del cumplimiento de entregas. Estos hallazgos son consistentes con la  
evidencia empírica presentada por Calle et al. (2024), quienes reportan incrementos en la  
precisión de previsiones, impactando directamente en la confiabilidad del servicio logístico.  
En cuanto a la satisfacción del cliente, los resultados confirman que la IAG influye de  
manera positiva al mejorar la experiencia del usuario mediante procesos más eficientes,  
entregas oportunas y una mayor personalización del servicio. García de Blanes et al. (2025)  
sostienen que la capacidad de segmentación y adaptación de la IA generativa permite establecer  
relaciones más sólidas con los clientes, mientras que Fosso Wamba et al. (2023) destacan su  
impacto en la comunicación dentro de la cadena de suministro. En este contexto, el presente  
estudio reafirma que la mejora en la eficiencia y precisión operativa se traduce directamente en  
mayores niveles de satisfacción del cliente.  
A nivel internacional, los casos analizados evidencian que la implementación de  
inteligencia artificial en la logística genera beneficios tangibles en términos de eficiencia,  
sostenibilidad y calidad del servicio. Empresas como UPS, mediante su sistema ORION, han  
logrado reducciones significativas en costos operativos y consumo de combustible, lo que  
coincide con lo planteado por Chen et al. (2024) respecto al impacto positivo de la IA en la  
sostenibilidad logística. Asimismo, casos como Lenovo y C3 AI demuestran que la  
automatización inteligente no solo optimiza procesos, sino que también incrementa la  
rentabilidad empresarial (Perry, 2024).  
pág. 2353  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
En el contexto ecuatoriano, aunque la adopción de la IAG aún se encuentra en una fase  
de desarrollo, los resultados muestran avances relevantes en sectores logísticos y comerciales.  
Estudios sectoriales indican que un alto porcentaje de empresas reporta mejoras en la  
satisfacción del cliente tras implementar soluciones de IA, lo cual se alinea con la tendencia  
global de transformación digital (Hossein et al., 2025). Casos como DHL Ecuador evidencian  
reducciones significativas en tiempos de respuesta y mejoras en la atención al cliente,  
confirmando que la IAG no solo optimiza procesos internos, sino que también fortalece la  
calidad del servicio (García, 2025).  
Finalmente, los hallazgos permiten afirmar que la inteligencia artificial generativa no  
debe ser entendida únicamente como una herramienta tecnológica, sino como un recurso  
estratégico que impulsa la transformación de la gestión logística hacia modelos más  
inteligentes, predictivos y sostenibles. En este sentido, las estrategias propuestas en el estudio  
se sustentan en la evidencia analizada y refuerzan la necesidad de integrar la IAG en los  
sistemas de planificación logística como un elemento clave para mejorar la competitividad  
empresarial, la eficiencia operativa y la gestión de la calidad en entornos altamente dinámicos.  
Conclusión  
La revisión de la literatura permitió identificar que la inteligencia artificial generativa,  
junto con modelos de aprendizaje automático y aprendizaje, representa una evolución  
significativa en la planificación de rutas logísticas, evidenciando que estas tecnologías superan  
a los métodos tradicionales de optimización al ofrecer soluciones más dinámicas, adaptativas y  
eficientes frente a escenarios complejos caracterizados por incertidumbre, variabilidad del  
tráfico y restricciones operativas. Además, se identificó una tendencia creciente hacia la  
integración de modelos avanzados, que facilitan la generación de rutas óptimas, la simulación  
de escenarios y el apoyo a la toma de decisiones logísticas.  
pág. 2354  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
El examinar los casos empresariales internacionales y nacionales ha permitido verificar  
como la implementación de soluciones que incorporan la inteligencia artificial generativa  
tienen un impacto positivo y significativo sobre los principales indicadores de la gestión de la  
calidad empresarial. Los resultados expuestos evidencian mejoras continuas en la eficiencia  
operativa, en la reducción de costes logísticos, de tiempos de entrega o de uso de recursos, así  
como incrementos en la precisa ejecución en las entregas hasta la fiabilidad del servicio.  
La especificación de estrategias con inteligencia artificial generativa representa una  
alternativa viable y necesaria para optimizar la planificación logística y para el refuerzo de la  
gestión de la calidad empresarial. Las estrategias propuestas, orientadas a la previsión de la  
demanda, la optimización dinámica de rutas, el apoyo a la toma de decisiones y la  
automatización de procesos, permiten integrar la tecnología con los principios de eficiencia,  
precisión y mejora continua, fortaleciendo la calidad del servicio, la satisfacción del cliente y la  
competitividad organizacional.  
Referencias Bibliográficas  
Álvarez, C. P. J., & Alvarez, A. R. (2025). Inteligencia artificial en la gestión de proyectos  
petroleros en América Latina: Aplicabilidad en Ecuador. InnDev, 4(2), 1-23.  
https://doi.org/10.69583/inndev.v4n2.2025.162  
Arias Vargas, M., Sanchís Gisbert, R., & Poler Escoto, R. (2023). Potenciación de la resiliencia  
en empresas y cadenas de suministro a través de la inteligencia artificial: Una revisión  
de la literatura reciente. Dirección y organización: Revista de dirección, organización y  
administración de empresas, (81), 13-29.  
Bonilla, A. (2025, mayo 5). Cómo la IA transforma los contact centers en Ecuador. xkale.  
https://xkale.com/como-la-inteligencia-artificial-esta-transformando-los-contact-  
centers-en-ecuador/  
Burnham, K. (2024, agosto 20). How artificial intelligence is transforming logistics | MIT  
Sloan.  
https://mitsloan.mit.edu/ideas-made-to-matter/how-artificial-intelligence-  
transforming-logistics  
Calle, J., Pincay, María, Mendoza, Bryan, & Bravo, Genesis. (2024). USO ESTRATÉGICO  
DE LA INTELIGENCIA ARTIFICIAL EN LA GESTIÓN DE LA CADENA DE  
SUMINISTRO EMPRESARIAL. Ciencia y Desarrollo. Universidad Alas Peruanas,  
27(2).  
https://Dialnet-  
UsoEstrategicoDeLaInteligenciaArtificialEnLaGestio-9604364%20(5).pdf  
Chen, W., Men, Y., Fuster, N., Osorio, C., & Juan, A. A. (2024). Artificial Intelligence in  
Logistics Optimization with Sustainable Criteria: A Review. Sustainability, 16(21),  
9145. https://doi.org/10.3390/su16219145  
pág. 2355  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Cvetkovic-Vega, A., Maguiña, J. L., Soto, A., Lama-Valdivia, J., López, L. E. C., Cvetkovic-  
Vega, A., Maguiña, J. L., Soto, A., Lama-Valdivia, J., & López, L. E. C. (2021).  
Estudios transversales. Revista de la Facultad de Medicina Humana, 21(1), 179-185.  
https://doi.org/10.25176/rfmh.v21i1.3069  
Deguchi, H. (2024). P&G Japan to cut delivery trucks 30% using AI demand forecast. Nikkei  
Asia.  
https://asia.nikkei.com/business/transportation/p-g-japan-to-cut-delivery-  
trucks-30-using-ai-demand-forecast  
Denittis Nicholas. (2024). Artificial Intelligence at Procter & Gamble. Emerj Artificial  
Intelligence Research. https://emerj.com/artificial-intelligence-at-procter-gamble/  
Ekos. (2024). E-commerce en Ecuador: Con USD 2.857 millones en ventas, portales  
nacionales  
superaron  
a
los  
internacionales  
en  
2024.  
Ekos  
Negocios.  
https://ekosnegocios.com/articulo/e-commerce-en-ecuador-con-usd-2-857-millones-  
en-ventas-portales-nacionales-superaron-a-los-internacionales-en-2024  
Estrada. (2025, julio 9). El Boom de la Inteligencia Artificial en la Industria Ecuatoriana:  
Casos Reales y Aplicaciones – Profesionales Ecuador. https://profesionales.ec/el-  
boom-de-la-inteligencia-artificial-en-la-industria-ecuatoriana-casos-reales-y-  
aplicaciones/  
Estrada, S., Cano, K., Aguirre, J., Estrada, S., Cano, K., & Aguirre, J. (2019). ¿Cómo se  
gestiona la tecnología en las pymes? Diferencias y similitudes entre micro, pequeñas y  
medianas  
empresas.  
Contaduría  
y
administración,  
64(SPE1),  
0-0.  
https://doi.org/10.22201/fca.24488410e.2019.1812  
Fosso Wamba, S., Queiroz, M. M., Chiappetta Jabbour, C. J., & Shi, C. (Victor). (2023). Are  
both generative AI and ChatGPT game changers for 21st-Century operations and  
supply chain excellence? International Journal of Production Economics, 265, 109015.  
https://doi.org/10.1016/j.ijpe.2023.109015  
Frederico, G. F. (2023). ChatGPT in Supply Chains: Initial Evidence of Applications and  
Potential  
Research  
Agenda.  
Logistics,  
7(2),  
26.  
https://doi.org/10.3390/logistics7020026  
García de Blanes, M., Díaz-Marcos, L., Tevar, Ó. A., & Vicente, A. T. D. (2025). Análisis de  
las aplicaciones de la Inteligencia Artificial Generativa en sectores estratégicos: Una  
revisión de literatura. Revista Latina de Comunicación Social, (83), 1-24.  
https://doi.org/10.4185/rlcs-2025-2466  
García, J. (2025, julio 16). LA IA OPTIMIZA ENTREGAS EN ECUADOR. OOH SII  
MAGAZINE  
REVISTA  
AUDIOVISUAL  
DIGITAL.  
https://www.oohsiimagazine.com/index.php/tecnologia/la-ia-optimiza-entregas-en-  
ecuador  
Guan, Q., Cao, H., Jia, L., Yan, D., & Chen, B. (2025). Synergetic attention-driven transformer:  
A deep reinforcement learning approach for vehicle routing problems. Expert Systems  
with Applications, 274, 126961. https://doi.org/10.1016/j.eswa.2025.126961  
Hossein Naeini, Vice President, & Hamed Fallah. (2025). The role of artificial intelligence to  
improve  
demand  
forecasting  
in  
supply  
chain  
management.  
Kearney.  
https://www.kearney.com/service/digital-analytics/article/the-role-of-artificial-  
intelligence-to-improve-demand-forecasting-in-supply-chain-management  
Jara, L., & Naspud, M. (2024). Inteligencia Artificial: Desafíos y Oportunidades Para Las  
Pymes  
https://doi.org/10.69639/arandu.v11i2.485  
Kleinová, K., & Straka, M. (2024). Streamlining Distribution Routes Using the Language  
Ecuatorianas.  
Revista  
Científica  
Internacional,  
11(2),  
3036.  
Model  
of  
Artificial  
Intelligence.  
Sustainability,  
16(16),  
6890.  
https://doi.org/10.3390/su16166890  
pág. 2356  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Li, L., Liu, Y., Jin, Y., Cheng, T. C. E., & Zhang, Q. (2024). Generative AI-enabled supply  
chain management: The critical role of coordination and dynamism. International  
Journal  
of  
Production  
Economics,  
277,  
109388.  
https://doi.org/10.1016/j.ijpe.2024.109388  
Marroquín-Cano, S. F., Escobar-Gómez, E. N., Morales, E. F., Ramírez-Álvarez, E., Gasga-  
García, P., Chandomí-Castellanos, E., Velázquez-González, J. R., Guzmán-Rabasa, J.  
A., Bermúdez, J. R., & Rodríguez-Sánchez, F. (2025). A Deep Reinforcement Learning  
Model to Solve the Stochastic Capacitated Vehicle Routing Problem with Service  
Times  
and  
Deadlines.  
Mathematics,  
13(18),  
3050.  
https://doi.org/10.3390/math13183050  
McKinsey, & Company. (2023). El estado de la IA en 2023: El año clave de la IA generativa |  
McKinsey. https://www.mckinsey.com/featured-insights/destacados/el-estado-de-la-ia-  
en-2023-el-ano-clave-de-la-ia-generativa/es  
Meraliyev, M., Turan, C., Kadyrov, S., & Sadyk, U. (2025). A Comprehensive Survey of  
Methods and Challenges of Vehicle Routing Problem with Uncertainties. Mathematics,  
13(23), 3782. https://doi.org/10.3390/math13233782  
Miraflores, Q., & Fausto, C. (2021). Impacto de la tecnología en la gestión logística de las  
PYMES guayaquileñas: Sector Vía Daule.  
Pan, W., & Liu, S. Q. (2023). Deep reinforcement learning for the dynamic and uncertain  
vehicle  
routing  
problem.  
Applied  
Intelligence,  
53(1),  
405-422.  
https://doi.org/10.1007/s10489-022-03456-w  
Parvez Musani. (2023). Decking the aisles with data: How Walmart’s AI-powered inventory  
system brightens the holidays. Decking the aisles with data: How Walmart’s AI-  
powered  
inventory  
system  
brightens  
the  
holidays.  
https://tech.walmart.com/content/walmart-global-tech/en_us/blog/post/walmarts-ai-  
powered-inventory-system-brightens-the-holidays.html  
Peinado Pineda, I. S., & Díaz Salas, I. (2022). Inteligencia artificial aplicada a la cadena de  
suministro globales. https://repositorio.unicordoba.edu.co/handle/ucordoba/5110  
Perry, N. (2024, febrero 2). Lenovo: Using AI for Resilient Supply Chain and Procurement.  
https://procurementmag.com/articles/lenovo-using-ai-for-resilient-supply-chain-and-  
procurement  
Pinheiro de Lima, O., Breval Santiago, S., Rodríguez Taboada, C. M., Follmann, N., Pinheiro  
de Lima, O., Breval Santiago, S., Rodríguez Taboada, C. M., & Follmann, N. (2017a).  
Una nueva definición de la logística interna y forma de evaluar la misma. Ingeniare.  
Revista chilena de ingeniería, 25(2), 264-276. https://doi.org/10.4067/S0718-  
33052017000200264  
Richey Jr., R. G., Chowdhury, S., Davis-Sramek, B., Giannakis, M., & Dwivedi, Y. K. (2023).  
Artificial intelligence in logistics and supply chain management: A primer and roadmap  
for  
research.  
Journal  
of  
Business  
Logistics,  
44(4),  
532-549.  
https://doi.org/10.1111/jbl.12364  
Sablón-Cossío, N., Crespo, E. O., Pulido-Rojano, A., Acevedo-Urquiaga, A. J., Ruiz Cedeño,  
S. del M., Sablón-Cossío, N., Crespo, E. O., Pulido-Rojano, A., Acevedo-Urquiaga, A.  
J., & Ruiz Cedeño, S. del M. (2021). Análisis de integración de la cadena de suministros  
en la industria textil en Ecuador. Un caso de estudio. Ingeniare. Revista chilena de  
ingeniería, 29(1), 94-108. https://doi.org/10.4067/S0718-33052021000100094  
Satama, F. L. V., & Terán, G. A. F. (2023). Inteligencia Artificial: El reto contemporáneo de la  
gestión empresarial. ComHumanitas: revista científica de comunicación, 14(1), 94-111.  
https://doi.org/10.31207/rch.v14i1.393  
pág. 2357  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net  
Volumen 6, Número Especial 5, 2025  
Research Article  
Suárez, L., Porras, C., Díaz-Pando, H., Sánchez-Ansola, E., Rosete, A., & Pérez-Pérez, A. C.  
(2021). Planificación eficiente de rutas de distribución. Caso de estudio de una tienda  
virtual. Revista Cubana de Ciencias Informáticas, 15(4), 86-100.  
Supratim Banerjee, Gaurav Kankaria, & Shivaprasad KT. (2021, marzo 12). Desde la  
previsión de la demanda hasta los pedidos: Un enfoque de aprendizaje automático  
automatizado con Amazon Forecast para reducir las faltantes de existencias, el exceso  
de  
inventario  
y
los  
costes  
|
Inteligencia  
artificial.  
https://aws.amazon.com/blogs/machine-learning/from-forecasting-demand-to-  
ordering-an-automated-machine-learning-approach-with-amazon-forecast-to-  
decrease-stock-outs-excess-inventory-and-costs/  
Zheng, G., & Brintrup, A. (2025). Full article: Enhancing supply chain visibility with  
generative AI: an exploratory case study on relationship prediction in knowledge  
graphs. https://www.tandfonline.com/doi/full/10.1080/00207543.2025.2543964  
pág. 2358  
Código Científico Revista de Investigación/ V.7/ N. E1/ www.revistacodigocientifico.itslosandes.net