--- type: BCI asset_id: BCI-UPS-ORION-v02 version: v02 status: Operativo readiness: ⭐⭐⭐⭐⭐ owner: Victor Heredia sherpa: Jay fecha_creacion: 2026-06-20 intellbank: IB-PO-Posta subbank: BC-PO-Research tipo: BCI — Brain Code Iniciativa (sub-instancia de BCE) empresa_padre: BCE-UPS-CognitionStack-v01 programa_padre: BCI-UPS-EfficiencyReimagined-v01 sujeto: ORION — On-Road Integrated Optimization and Navigation (UPS) dominio: Optimización combinatoria · machine learning en logística · inteligencia colectiva operativa v1_referencia: BCI-UPS-ORION-v01.md corpus_base: - UPS Annual Reports 2013–2024 - MIT Technology Review — UPS ORION 2016 - Harvard Business Review — ORION Case Study 2016 - UPS Technology Blog — ORION Dynamic 2022–2024 - Supply Chain Management Review — ORION 10 years 2022 - Jack Levis (director ORION) — IEEE Transportation 2016 - "The Traveling Salesman Problem" — Applegate, Bixby, Chvátal, Cook (Princeton UP 2006) --- # BRAIN CODE INICIATIVA — ORION · v02 ## UPS · On-Road Integrated Optimization and Navigation · 2012–presente **Tipo:** BCI — Brain Code de Iniciativa **Iniciativa:** ORION (On-Road Integrated Optimization and Navigation) **Empresa padre:** UPS (BCE-UPS-CognitionStack-v01) **Programa padre:** Efficiency Reimagined (BCI-UPS-EfficiencyReimagined-v01) **Director del programa:** Jack Levis (VP Advanced Technology) **Iniciado:** 2003 (investigación) → 2012 (piloto) → 2016 (despliegue completo) → 2022 (dinámico con HEAT) **Estatus:** Operativo · Versión dinámica activa · v02 del Brain Code --- ## O1 — MAPA ONTOLÓGICO ORION parte de una observación contraintuitiva que solo los datos revelan: **la ruta más corta no es la ruta más eficiente, y la experiencia del mejor conductor no es replicable sin un sistema.** **La trampa cognitiva que ORION resuelve:** El conductor experto optimiza sobre su propia memoria de rutas pasadas. Esa memoria es local (su zona), temporal (no sabe lo que pasó ayer en la zona del conductor C), y no transferible (se va con el conductor cuando renuncia). ORION convierte ese conocimiento tácito en un sistema que no olvida, no duerme, y mejora cada día. **El hallazgo fundacional — el principio de giros:** Al analizar millones de rutas reales, ORION descubrió que los giros a la izquierda (en países con conducción por la derecha) concentran desproporcionadamente el desperdicio: tiempo de espera cruzando tráfico, mayor riesgo de accidente, mayor consumo en ralentí. Una ruta que evita giros izquierda puede ser 1–2 km más larga pero 8–15 minutos más rápida y 3–5% más económica en combustible. Ningún conductor había articulado esta regla — emergió del análisis de los datos. --- ## MM — MODELOS MENTALES OPERATIVOS **MM-1: Vehicle Routing Problem (VRP) como lente** ORION es, en su núcleo matemático, la implementación industrial más grande del mundo del Vehicle Routing Problem with Time Windows (VRPTW). El modelo mental VRP dice: existe una solución óptima matemáticamente definible para cualquier conjunto de entregas + restricciones + grafo de red vial. El trabajo es aproximarse a ese óptimo suficientemente bien, suficientemente rápido, para que sea operativamente útil. Sin este lente, la ruta se convierte en "el criterio del conductor" — no medible, no mejorable, no transferible. **MM-2: Inversión (Inversion Thinking — Charlie Munger)** En lugar de preguntar "¿cuál es la mejor ruta?", ORION preguntó "¿qué hace a una ruta ineficiente?" y eliminó esos elementos. El No-Left-Turns principle es inversión aplicada: no optimices los giros buenos, elimina los giros malos. La inversión como método de resolución es más poderosa que la optimización directa cuando el espacio de soluciones es enorme (10^100+ rutas posibles para 120 paradas). **MM-3: Hard Constraints vs. Soft Constraints (Constraint Satisfaction)** El universo de ORION se divide en dos tipos de restricciones: - **Hard**: ventanas de entrega comprometidas al cliente — ORION NUNCA las viola, sin excepción - **Soft**: orden de paradas, tipo de giro, secuencia de descarga — ORION las optimiza dentro del espacio que dejan las hard constraints Esta distinción no es técnica — es epistémica. Si no tienes clara esta jerarquía, optimizas lo incorrecto y fallas en lo que importa. La mayoría de los sistemas de routing pre-ORION no hacían esta distinción explícitamente — optimizaban distancia (soft) mientras fallaban en ventanas de tiempo (hard). **MM-4: Pensamiento de Segundo Orden** ORION opera sistemáticamente en segundo orden: - Primer orden (lo obvio): ruta más corta en km - Segundo orden (lo que importa): menor tiempo total considerando tráfico, giros, ventanas de tiempo, tiempo de acceso al domicilio, fatiga del conductor La optimización de primer orden produce rutas que se ven bien en el mapa. La optimización de segundo orden produce rutas que funcionan en la calle. **MM-5: Inteligencia Colectiva vs. Experiencia Individual** 60,000 conductores generan 7.2 millones de puntos de dato por día. El mejor conductor individual genera 120 por día. ORION agrega la inteligencia de los mejores conductores de los últimos 10 años y la hace disponible para cada conductor en cada entrega. Es la diferencia entre conocimiento tácito (que se va con la persona) y conocimiento explícito sistematizado (que se queda y mejora). **MM-6: Bayesian Updating — Actualización de Creencias** El modelo de ORION no es estático. Cada entrega completada actualiza las probabilidades del sistema: - El tiempo real en un domicilio actualiza la estimación para ese domicilio en el futuro - Si el conductor elige una ruta diferente a la de ORION y llega antes, esa decisión actualiza el modelo - El modelo de mañana incorpora todo lo que pasó hoy Este es updating bayesiano implícito: el prior es el modelo actual, la evidencia es cada entrega, el posterior es el modelo actualizado. **MM-7: Exploración vs. Explotación (Multi-Armed Bandit)** ORION navega la tensión fundamental del aprendizaje: si siempre explota lo que ya sabe (usa la ruta óptima conocida), no descubre rutas mejores. Si siempre explora (prueba rutas alternativas), no optimiza. La solución de ORION: explotar la ruta óptima conocida como default, y tratar las divergencias del conductor como exploración involuntaria que alimenta el aprendizaje. --- ## SC — STACK DE CIENCIAS APLICADAS **SC-1: Operations Research (OR) — Disciplina Fundacional** OR es la ciencia de optimizar sistemas complejos bajo restricciones. ORION es una de las aplicaciones más grandes del mundo de OR en operaciones físicas. *Conceptos clave aplicados:* - **Vehicle Routing Problem with Time Windows (VRPTW)**: El problema formal que ORION resuelve. NP-hard — no existe algoritmo que encuentre la solución óptima en tiempo polinomial para instancias grandes. - **Savings Algorithm (Clarke-Wright, 1964)**: El punto de partida heurístico para construir rutas combinando entregas cercanas. - **Lin-Kernighan Heuristic**: Mejora local de rutas intercambiando segmentos (k-opt moves) hasta no encontrar mejoras. - **Meta-heurísticas**: Simulated Annealing (acepta soluciones peores temporalmente para escapar óptimos locales), Tabu Search (lista de movimientos prohibidos para diversificar búsqueda), y Genetic Algorithms (evolución de soluciones mediante selección y cruce). *Por qué OR y no fuerza bruta:* Para 120 paradas, el número de rutas posibles es 120! ≈ 6.7 × 10^198. El universo observable tiene ~10^80 átomos. Ninguna computadora puede evaluar todas las soluciones. OR proporciona el marco para encontrar soluciones excelentes (no necesariamente perfectas) en tiempo computacional útil. **SC-2: Graph Theory — Representación de la Red Vial** La red vial se modela como un **grafo dirigido y ponderado** donde: - Cada intersección es un nodo - Cada segmento de calle es una arista dirigida (la calle puede ser de una sola vía) - Cada arista tiene múltiples pesos: tiempo promedio, varianza del tiempo, probabilidad de congestión por hora, tipo de giro requerido *Innovación de ORION:* Los grafos tradicionales de ruta (Google Maps, Waze) optimizan para el conductor individual en un momento específico. ORION optimiza para el conjunto de 120 entregas en el horizonte del día, considerando la evolución temporal del grafo (el tráfico cambia durante el día). **SC-3: Machine Learning — Aprendizaje Supervisado** ORION usa ML para aprender patrones que no son codificables manualmente: - **Tiempo real de acceso por domicilio**: cuánto tarda realmente el conductor en llegar desde el vehículo hasta la puerta (varía enormemente por tipo de edificio, distancia de estacionamiento, etc.) - **Probabilidad de congestión por segmento y hora**: aprendida de millones de recorridos históricos - **Patrones de "no entregado"**: qué domicilios tienden a no tener nadie en ciertos horarios *Arquitectura del aprendizaje:* Random Forests y Gradient Boosting Trees para predicción de tiempo de entrega (interpretables, robustos a outliers). Deep Learning para reconocimiento de patrones en datos geoespaciales de alta dimensión. **SC-4: Física Estadística — Simulated Annealing** El algoritmo de Simulated Annealing (recocido simulado) está inspirado en el proceso físico de enfriar metales: cuando el metal está caliente, los átomos se mueven libremente; cuando se enfría lentamente, encuentran configuraciones de mínima energía (estado cristalino óptimo). En ORION: la "temperatura" controla cuánto se acepta soluciones peores. Al inicio (temperatura alta), el algoritmo explora ampliamente. A medida que "enfría" (temperatura baja), explota las mejores soluciones encontradas. Este proceso escapa de óptimos locales — trampas donde una solución es mejor que sus vecinas inmediatas pero no que soluciones más lejanas. **SC-5: Análisis Geoespacial (GIS)** - **Clustering geográfico**: agrupar entregas por proximidad geográfica para reducir tiempo de tránsito entre paradas - **Isocrona analysis**: modelar las áreas alcanzables en N minutos desde un punto dado (considera dirección de las calles, no solo distancia euclidiana) - **Turn penalty modeling**: cuantificar el costo de cada tipo de giro en cada intersección específica --- ## PT — PROCESO DE TRANSFORMACIÓN **Estado A — Antes de ORION (pre-2012):** Cada conductor planea su ruta basándose en: - Experiencia personal en su zona (no transferible al jubilarse) - Reglas simples impresas en papel (sin considerar condiciones del día) - Criterio de "el cliente más difícil primero" (heurística razonable pero no óptima) Resultado: rutas heterogéneas, no medibles, con calidad que depende del número de años en ruta del conductor. Los conductores nuevos son sistemáticamente menos eficientes durante años. **Mecanismo de Transformación (2003–2022):** *Fase 1 (2003–2011) — Investigación y prototipo:* - Modelado del problema VRPTW con datos reales de UPS - Validación de que la solución computacional supera consistentemente la intuición humana - Desarrollo del sistema de recolección de feedback en tiempo real *Fase 2 (2012–2015) — Piloto y validación:* - Despliegue controlado en grupos piloto - Comparación rigurosa A/B: conductores con ORION vs. conductores control - Identificación de las razones por las que los conductores se desviaban de ORION - Cada razón de desviación = input para mejorar el modelo *Fase 3 (2016) — Despliegue total:* - 55,000 rutas diarias optimizadas por ORION - Entrenamiento de conductores en la racionalidad del sistema (no solo en cómo usarlo) - Protocolo para capturar desviaciones como datos de aprendizaje *Fase 4 (2022) — ORION Dinámico:* - Integración con HEAT (recalculación cada 10 minutos) - Eliminación del problema "ruta óptima a las 6am = subóptima a las 2pm" - Notificación push al conductor cuando la ruta óptima cambia significativamente **Estado B — Después de ORION (2022):** El conocimiento de los mejores conductores de los últimos 10 años está embebido en el sistema. Cada conductor, desde su primer día, opera con la inteligencia acumulada de 60,000 conductores. El sistema mejora con cada entrega. La eficiencia ya no depende de los años en ruta del conductor individual. --- ## RD — REGLAS DE DECISIÓN CANÓNICAS Las reglas que ORION usa para tomar decisiones, en orden de prioridad: **RD-1 — Hard constraints first, siempre:** Antes de optimizar cualquier otra variable, verificar que todas las ventanas de tiempo comprometidas sean cumplibles. Si no son cumplibles, escalar inmediatamente — no "optimizar alrededor" del incumplimiento. **RD-2 — Minimizar giros izquierda cuando hay alternativas de costo similar:** Si dos rutas tienen un costo similar (+/- 5% en tiempo), elegir la que tenga menos giros izquierda. El costo del giro izquierda no está en el tiempo de giro en sí, sino en la varianza que introduce (el tiempo de espera para cruzar tráfico es impredecible). **RD-3 — La varianza importa tanto como el promedio:** Una parada con tiempo promedio de 5 minutos y varianza de 30 segundos es preferible a una parada con tiempo promedio de 4 minutos y varianza de 15 minutos, cuando la segunda parada precede a entregas con ventanas de tiempo ajustadas. ORION modela explícitamente la distribución de tiempos, no solo la media. **RD-4 — Tratar desviaciones del conductor como señal, no como error:** Cuando un conductor se desvía sistemáticamente de la ruta ORION en una zona específica, la primera hipótesis es que sabe algo que ORION no sabe (construcción reciente, acceso complicado, cliente que siempre está afuera a cierta hora). Investigar la desviación antes de corregir al conductor. **RD-5 — Recalcular cuando el delta supera el umbral:** En ORION dinámico, recalcular la ruta solo cuando la diferencia entre la ruta actual en ejecución y la nueva ruta óptima supera un umbral de beneficio (para evitar recalculaciones constantes que distorsionan la jornada del conductor). --- ## AP — ANTI-PATRONES **AP-1 — Optimizar distancia cuando se debería optimizar tiempo+costo:** La métrica incorrecta produce la decisión incorrecta. "Ruta más corta en km" es la métrica intuitiva, no la correcta. ORION usa tiempo total + costo de combustible + probabilidad de incumplimiento de ventana de entrega. **AP-2 — Ignorar la varianza de tiempos:** Un sistema que optimiza solo el promedio falla sistemáticamente cuando las rutas tienen alta varianza. El buffer de tiempo necesario para cumplir ventanas de entrega con alta probabilidad depende de la varianza, no del promedio. **AP-3 — Tratar el grafo vial como estático:** La red vial a las 7am es un grafo diferente al de las 5pm. ORION v1 cometió este error (ruta calculada overnight con condiciones históricas). ORION v2 lo corrigió con HEAT. **AP-4 — Forzar adopción sin entender las desviaciones:** Los primeros intentos de ORION encontraron resistencia de conductores. El anti-patrón sería imponer el sistema ignorando esa resistencia. El patrón correcto fue investigar cada categoría de resistencia como potencial bug del modelo. **AP-5 — Creer que el óptimo matemático es el óptimo operativo:** La solución matemáticamente óptima ignora variables que el modelo no captura: el conductor que sabe que el cliente X siempre está en casa antes de las 10am aunque la ventana de entrega diga todo el día, la calle que el modelo dice que está abierta pero tiene obras desde hace 3 días. El óptimo operativo es el óptimo matemático + el conocimiento no codificado del conductor. **AP-6 — Escalar sin pilotar:** ORION tardó 13 años desde la investigación inicial hasta el despliegue completo. No por burocracia — por diseño deliberado. Cada fase de piloto descubrió categorías de problemas que el siguiente piloto resolvió. --- ## TF — TENSIONES FUNDAMENTALES **TF-1 — Exploración vs. Explotación:** Si ORION siempre repite la mejor ruta conocida, no descubre rutas mejores. Si siempre explora alternativas, no entrega el máximo valor actual. ORION resuelve esto usando la ruta óptima como default y tratando las desviaciones del conductor como exploración de facto. **TF-2 — Optimalidad vs. Predictibilidad del Conductor:** Una ruta matemáticamente óptima que el conductor no puede seguir intuitivamente genera errores de ejecución que anulan el beneficio de la optimización. ORION balancea optimalidad matemática con rutas que sean comprensibles para el conductor. **TF-3 — Centralización vs. Autonomía:** Un sistema que toma todas las decisiones de ruta elimina la discreción del conductor — y con ella, su capacidad de manejar situaciones que el sistema no anticipó. ORION da la ruta óptima como recomendación, no como mandato. El conductor tiene autoridad de desviarse. Sus desviaciones enseñan al sistema. **TF-4 — Estabilidad vs. Reactividad:** Recalcular la ruta constantemente maximiza la optimalidad matemática pero genera incertidumbre operativa para el conductor. ORION introduce un umbral de delta: solo recalcula cuando el beneficio del cambio supera el costo de la disrupción. --- ## ML-LOOP — MECANISMO DE APRENDIZAJE ORION aprende a través de **cuatro loops de feedback** de diferente escala temporal: **Loop 1 — Inmediato (intra-jornada, ORION Dinámico v2):** HEAT envía actualizaciones cada 10 minutos. Si las condiciones cambian significativamente (accidente, cierre de calle, volumen de tráfico), ORION recalcula y notifica al conductor. **Loop 2 — Diario (post-jornada):** Comparación entre ruta ORION predicha y ruta ejecutada real por el conductor. Para cada parada: tiempo predicho vs. tiempo real. Las divergencias sistemáticas alimentan ajustes del modelo. **Loop 3 — Semanal/Mensual:** Reajuste de pesos de variables según correlación estadística con eficiencia real. Si el tiempo de acceso real a domicilios tipo "edificio de apartamentos sin portero" consistentemente difiere del modelo, el modelo ajusta. **Loop 4 — Anual:** Reentrenamiento completo del modelo con datos acumulados del año. Captura patrones de largo plazo: nuevas rutas de construcción, cambios demográficos en zonas, patrones estacionales. **Escala del aprendizaje:** - 60,000 conductores × 120 paradas/día = **7.2 millones de puntos de dato por día** - 365 días = **2.6 billones de puntos de dato por año** - A esta escala, patrones que serían estadísticamente insignificantes para cualquier empresa de logística mediana son altamente significativos para ORION. --- ## FK — FRONTERA DEL CONOCIMIENTO **Pregunta abierta 1 — Optimización multi-conductor:** Actualmente ORION optimiza la ruta de cada conductor de forma relativamente independiente. La frontera es optimizar el conjunto de todas las rutas simultáneamente (si el conductor A deja de cubrir la zona X, el conductor B puede cubrirla más eficientemente). Esto es computacionalmente mucho más costoso. **Pregunta abierta 2 — Vehículos autónomos:** Cuando los vehículos autónomos estén disponibles a escala, ORION deberá reoptimizarse: el conductor no es la única restricción, pero sí la más importante en la versión actual. Los vehículos autónomos eliminan algunas restricciones (horas de conducción, fatiga) pero añaden otras (recarga eléctrica, supervisión remota). **Pregunta abierta 3 — Integración con demanda en tiempo real:** Actualmente ORION optimiza sobre las órdenes del día conocidas a las 6am. La frontera es integrar órdenes que llegan durante el día (same-day delivery) en la ruta en ejecución, sin comprometer las ventanas ya comprometidas. **Pregunta abierta 4 — Transferibilidad del No-Left-Turns a países de conducción izquierda:** En países donde se conduce por la izquierda (Reino Unido, Australia, Japón), el principio se invierte: los giros a la derecha cruzan tráfico. ORION ha sido adaptado para estos mercados, pero la magnitud del impacto varía significativamente por densidad de tráfico. --- ## SÍNTESIS — LO QUE ORION PRUEBA ORION demuestra que **el conocimiento tácito de expertos puede ser sistematizado, escalado y mejorado indefinidamente** con las metodologías correctas. El conocimiento del mejor conductor de UPS no muere cuando se jubila — vive en el modelo y mejora con cada entrega que cualquier conductor haga en cualquier parte. La implicación más transferible para cualquier empresa operativa: antes de contratar al "mejor" de cualquier rol, pregúntate si el conocimiento de ese "mejor" está sistematizado. Si no lo está, eres dependiente de una persona. Si lo está, estás construyendo un activo. **Para México y logística urbana:** El tráfico en CDMX, MTY y GDL tiene patrones de complejidad análogos al entorno donde ORION se desarrolló. Un ORION v0 — solo GPS unificado + análisis de los conductores más eficientes + codificación de sus patrones — puede generar el 20–30% del impacto del sistema completo con una fracción de la inversión. --- ## CHANGELOG | Versión | Fecha | Cambio | |---------|-------|--------| | v01 | 2026-06-20 | Creación inicial — estructura O1-V1 básica | | v02 | 2026-06-20 | Reescritura completa — Modelos Mentales · Ciencias Aplicadas · Proceso de Transformación · Reglas de Decisión · Anti-Patrones · Tensiones Fundamentales · Mecanismo de Aprendizaje · Frontera del Conocimiento | --- *BCI-UPS-ORION-v02 · IB-PO-Posta/BC-PO-Research/ · 2026-06-20* *Brain Code Iniciativa — UPS ORION · EmpowerLabs Brain OS*