Rappi y la IA que mueve a sus riders: optimización de rutas y predicción de demanda en tiempo real

Cada vez que alguien en Bogotá, Ciudad de México o Lima pide un almuerzo por Rappi, se desencadena una secuencia de decisiones en milisegundos que no depende de un operador humano: ¿Qué rider está más cerca? ¿Cuánto tardará el restaurante en preparar el pedido? ¿Cuál es la ruta óptima considerando el tráfico actual? ¿Dónde conviene posicionar riders preventivamente en los próximos 20 minutos? Estas preguntas las responde un sistema de inteligencia artificial que opera los 365 días del año. Con una valoración de mercado de aproximadamente US$5,250 millones y más de 150,000 riders registrados solo en Colombia, Rappi es el laboratorio de logística inteligente más activo de LATAM.

El desafío

El negocio del delivery por aplicación parece simple desde afuera: alguien pide, alguien lleva. Pero detrás de esa simplicidad hay un problema de optimización extraordinariamente complejo.

La demanda de pedidos no es uniforme: explota al mediodía y en la noche, varía por día de la semana, por zona geográfica, por clima, por eventos locales y por tendencias en la aplicación. Si Rappi no tiene suficientes riders disponibles cuando la demanda sube, los tiempos de entrega se disparan y los usuarios abandonan la app. Si hay demasiados riders en zonas equivocadas cuando la demanda es baja, los riders ganan poco y se desmotivan, generando alta rotación.

Además, cada pedido involucra al menos tres actores con incentivos diferentes: el usuario (quiere velocidad y precio bajo), el comercio (quiere que la comida llegue perfecta), y el rider (quiere ganar más con menos kilómetros). Optimizar para los tres simultáneamente, en tiempo real, es un problema que ningún sistema manual puede resolver.

La solución con datos e IA

Rappi desarrolló un ecosistema de inteligencia artificial aplicada a la logística que cubre desde la predicción de demanda hasta la validación automática de entregas.

Asignación automática de pedidos. Rappi introdujo la función de "auto-aceptación" para sus riders: el sistema asigna automáticamente el pedido más cercano disponible sin que el rider tenga que confirmarlo manualmente. Esto reduce el tiempo muerto entre pedidos y asegura que la asignación sea siempre la óptima según la posición y carga actual de cada rider.

Mejora de precisión de ubicaciones con datos históricos de riders. Uno de los problemas invisibles en el delivery urbano es que las direcciones de las tiendas y restaurantes en las aplicaciones no siempre corresponden exactamente a la entrada o punto de recogida real. Rappi usó inteligencia artificial para analizar los datos históricos de llegada de sus riders y corregir automáticamente las coordenadas de miles de comercios. Menos tiempo buscando la entrada = más pedidos por hora.

Instrucciones de entrega estandarizadas con LLMs. Rappi implementó modelos de lenguaje (LLMs) para procesar y estandarizar las instrucciones de entrega que dejan los usuarios en texto libre —"tercer piso, timbre roto, llamar al celular"— y convertirlas en instrucciones claras y estructuradas para los riders. Esto reduce la confusión, las entregas fallidas y el tiempo por pedido.

Validación automática de fotos de entrega con Computer Vision. Para reducir el fraude y los reclamos por entregas no realizadas, Rappi usa visión computacional para validar automáticamente las fotos que los riders suben como prueba de entrega. El sistema determina si la foto es válida sin necesidad de revisión humana en la gran mayoría de los casos.

Dark stores para centralizar la demanda de retail. Ante el crecimiento de los pedidos de supermercado y retail, Rappi desarrolló una red de micro-centros de distribución —dark stores— posicionados estratégicamente con base en datos de demanda histórica por zona. Esto permite tener el inventario cerca de donde el modelo predice que habrá pedidos.

Predicción de demanda para posicionamiento preventivo. El sistema de Rappi modela la demanda futura por zona para sugerir a los riders dónde posicionarse antes de que lleguen los pedidos. En lugar de reaccionar a la demanda, el sistema anticipa hacia dónde va a moverse.

Los números que importan

• Valoración de mercado de aproximadamente US$5,250 millones, siendo el segundo unicornio más valioso de América Latina.
• Más de 150,000 riders registrados en Colombia (dato oficial de la empresa), de los cuales más del 52% se conecta regularmente.
• Crecimiento del 37% año a año en 2023, reflejando la expansión sostenida de su modelo de negocio en LATAM.
• Operaciones activas en múltiples países de América Latina, con millones de usuarios activos mensuales.
• La IA aplicada a la validación de fotos de entrega y estandarización de instrucciones redujo materialmente los reclamos por compensaciones proactivas (tiendas cerradas, pruebas de entrega inválidas), aunque Rappi no publica cifras específicas de reducción porcentual.
• Las mejoras en precisión de ubicaciones y asignación automática de pedidos se traducen en mayor cantidad de entregas exitosas por rider por turno, aunque los KPIs exactos son información propietaria.

¿Qué puede aprender tu empresa?

Las herramientas que usa Rappi para gestionar a sus riders son las mismas que cualquier empresa puede usar para gestionar flotas, equipos de campo, o redes de distribución. La escala es diferente; los principios, no.

1. El mayor desperdicio en operaciones físicas es el tiempo muerto. Rappi optimiza para reducir el tiempo que sus riders pasan sin entregar. En tu empresa, identifica cuál es el equivalente: ¿tiempo de un técnico entre visitas a clientes? ¿Tiempo de un camión en ruta sin carga? Los datos de GPS y tiempos de actividad ya existen en la mayoría de las operaciones; el valor está en analizarlos.

2. La calidad del dato de ubicación vale dinero. Rappi descubrió que coordenadas incorrectas costaban minutos por pedido multiplicados por millones de entregas. Muchas empresas en LATAM tienen datos de ubicación de clientes o puntos de entrega desactualizados o imprecisos. Limpiar y enriquecer esa base de datos tiene retorno medible.

3. Las instrucciones no estructuradas son un costo oculto. Cada vez que un rider tiene que llamar para preguntar cómo entrar, hay una pérdida de tiempo. En tu empresa, ¿cuántas instrucciones llegan en texto libre que alguien tiene que interpretar? Los modelos de lenguaje pueden estructurar esa información automáticamente.

4. Anticipar la demanda es más barato que reaccionar a ella. Rappi no espera que lleguen los pedidos para mover a sus riders: los posiciona antes. En distribución, manufactura o servicios, la planificación de recursos basada en predicción de demanda reduce costos de horas extra y mejora el nivel de servicio.

5. El fraude operativo tiene solución técnica. La validación automática de pruebas de entrega resolvió un problema que antes requería supervisión humana costosa. En operaciones de campo, auditoría o control de calidad, la visión computacional puede hacer ese trabajo a escala.

La logística inteligente no es solo para los gigantes del delivery. Si tu empresa tiene operaciones de campo, flotas o redes de distribución, los mismos principios de Rappi aplican a tu escala. DataPrix trabaja con empresas medianas en Perú y LATAM para implementar analítica operacional que reduce costos desde el primer trimestre. Conversemos.