OneRail lanza OmniSTAR con Nvidia cuOpt y cuDF para…
La plataforma afirma una optimización hasta 10 veces más rápida y cita implementaciones tempranas en empresas, además de un objetivo de GMV para el cuarto trimestre de 2026 superior a $6 mil millones.
OneRail ha lanzado OmniSTAR, una plataforma de optimización de entrega de última milla acelerada por GPU, construida sobre cuOpt y cuDF de Nvidia. La compañía dice que la aceleración es suficiente para trasladar la selección de rutas y modos de entrega de la planificación por lotes a la ejecución en vivo, pedido por pedido.
OmniSTAR se presenta como una "Capa de Decisión" acelerada por GPU para la entrega de última milla.
OmniSTAR de OneRail está posicionado como un sistema de decisión que se sitúa dentro del cumplimiento de última milla, la etapa final desde un centro local hasta el cliente donde los costos y las fallas en el servicio tienden a concentrarse. La tarea principal del producto no es solo mapear una ruta. Se trata de elegir cómo debe ejecutarse cada pedido a través de múltiples modos de cumplimiento.
Mecánicamente, OmniSTAR evalúa opciones que incluyen flotas propias, mensajeros, transportistas de paquetes y otros modos de entrega, y luego selecciona la opción de menor costo que aún cumple con el nivel de servicio requerido, dijo OneRail.
Esa restricción de "nivel de servicio" es lo que convierte esto en un problema de optimización en lugar de un simple minimizador de costos, porque el modo más barato es a menudo el que no cumple con la ventana prometida.
Bajo el capó, OmniSTAR combina el motor de optimización de decisiones cuOpt de Nvidia y el software de procesamiento de datos cuDF con los datos de precios y rendimiento de entrega de OneRail. Los cálculos de rutas y modos de entrega se ejecutan en la infraestructura de computación acelerada por Nvidia, según OneRail.
La compañía enmarcó la construcción como una integración más profunda que una asociación a nivel de logo, diciendo que se comprometió directamente con el equipo de ingeniería cuOpt de Nvidia y participó en el programa Nvidia Inception. El proyecto tomó tres años de trabajo con Nvidia antes de su lanzamiento, informó CNBC.
OneRail también vinculó el producto a un conjunto más amplio que mezcla predicción y optimización. Dijo que sus modelos de aprendizaje automático estiman el tiempo de servicio, el riesgo de retraso, la probabilidad de éxito en la entrega en el primer intento y los rangos de precios esperados, y que esas predicciones se alimentan en sistemas de optimización que deciden cómo debe ejecutarse un pedido.
De la Planificación por Lotes a la Optimización en Vivo: La Reclamación de Velocidad 10x y el Marco de Márgenes.
La reclamación que está haciendo el trabajo aquí es la latencia. OneRail dijo que OmniSTAR puede reducir los tiempos de computación hasta en un 10x, con ejemplos que incluyen un cálculo que anteriormente tomaba 20 minutos completado en menos de dos minutos, y un cálculo que tomaba una semana reducido a aproximadamente dos días.
El argumento de la compañía es que esta es la diferencia entre la optimización como un ejercicio de planificación y la optimización como un bucle de control operativo.
En la práctica, la planificación por lotes tiende a bloquear decisiones temprano porque volver a calcular es demasiado lento para hacerlo repetidamente a medida que cambian las condiciones. OmniSTAR se presenta como lo suficientemente rápido como para funcionar "dentro de las operaciones de entrega en vivo", donde se pueden comparar múltiples opciones de cumplimiento antes de que se asigne un pedido, dijo OneRail.
Ese es un patrón de uso diferente: en lugar de producir un plan para el día, el sistema sigue resolviendo el problema de enrutamiento de vehículos (VRP), una clase de problemas de optimización que busca rutas eficientes bajo restricciones como ventanas de tiempo, capacidad y costos.
La propia descripción de Nvidia de cuOpt es importante porque define el compromiso. Nvidia describe cuOpt como una biblioteca de optimización de código abierto, acelerada por GPU, para el enrutamiento de vehículos y otros problemas de optimización matemática, y dice que utiliza heurísticas en lugar de probar exhaustivamente cada ruta posible.
El solucionador genera soluciones candidatas y las mejora iterativamente para producir resultados de alta calidad dentro de un tiempo de computación establecido, dijo Nvidia.
Ese enfoque limitado por el tiempo se adapta a las operaciones de última milla donde la pregunta a menudo es "suficientemente bueno, ahora", no "perfecto, más tarde". El CEO de OneRail, Bill Catania, enmarcó la consecuencia empresarial directamente en una entrevista con CNBC: "Si no tienes la capacidad de tomar decisiones rápidas como un rayo, estás renunciando a margen", y agregó: "El cumplimiento de última milla es caro."
OneRail dijo que OmniSTAR ya está desplegado con clientes empresariales seleccionados y citó a US Foods como un ejemplo. En ese despliegue, OneRail dijo que el sistema señaló configuraciones de entrega que estaban reduciendo márgenes, incluidos productos de bajo margen transportados a largas distancias utilizando equipos de mayor costo, y que US Foods ajustó precios y reestructuró algunos patrones de entrega basándose en esos hallazgos.
Los números de ROI más grandes son más difíciles de respaldar solo con el paquete. OneRail le dijo a CNBC que un distribuidor de neumáticos grande no identificado logró $40 millones en ahorros de tasa de ejecución durante tres años utilizando la plataforma. El cliente no fue identificado, y no se proporcionó metodología ni verificación de terceros junto con la cifra.
OneRail también le dijo a CNBC que espera que OmniSTAR supere los $6 mil millones en volumen bruto de mercancía (GMV) durante el cuarto trimestre de 2026. Ese es un objetivo a futuro, y las suposiciones detrás de él no fueron divulgadas en el material proporcionado.
Señales a observar para el lanzamiento de OneRail impulsado por Nvidia en la última milla.
El primer punto de confirmación es la nominación del cliente y la calidad del estudio de caso. US Foods es una referencia de despliegue concreta, pero la mayor reclamación de ahorros en el paquete está vinculada a un distribuidor de neumáticos no identificado.
Si OneRail comienza a publicar estudios de caso verificables de manera independiente, la reclamación de "hasta 10x" en el tiempo de computación y la cifra de ahorros de $40 millones en tasa de ejecución se convierten en más que una narrativa de ventas.
El segundo es el establecimiento de referencias que separa la velocidad de la calidad de decisión. El diseño de cuOpt es entregar soluciones de alta calidad dentro de un presupuesto de computación fijo, no garantizar optimalidad.
Lo que importa operativamente es si la menor latencia de OmniSTAR se mantiene a gran escala mientras sigue cumpliendo con las restricciones de servicio y produciendo mejores resultados de costos bajo eventos de reoptimización como tráfico, bloqueos de carretera, ausencias de conductores o nuevos pedidos de alta prioridad, que Nvidia enumera como desencadenantes para la reoptimización dinámica.
El tercero es si OneRail puede fundamentar su ambición de volumen. La expectativa declarada de la empresa de superar los $6 mil millones en GMV en el cuarto trimestre de 2026 es un hito claro, pero necesita divulgaciones interinas o volumen reportado por terceros para ser negociable como una señal de adopción en lugar de una proyección.
El cuarto es la expansión de distribución que aumenta la red de entrega alcanzable. En marzo de 2026, FedEx lanzó FedEx SameDay Local en colaboración con OneRail, conectando a los clientes con una red nacional de más de 1,000 proveedores de entrega. Más asociaciones de ese tipo ampliarían el conjunto de modos de cumplimiento que OmniSTAR puede comparar de manera realista para un pedido dado.
Mi opinión: Esta es una señal de adopción de IA empresarial, no un catalizador de criptomonedas—todavía.
El mecanismo que decide si OmniSTAR importa no es "IA en logística". Es si la optimización acelerada por GPU realmente pasa de ejecuciones de planificación periódicas a la asignación de pedidos en vivo, porque ahí es donde la selección de modo se convierte en una palanca de margen en lugar de una herramienta de informes.
Si el ejemplo de 20 minutos a menos de dos minutos se mantiene en producción, la propuesta de OneRail de que puedes comparar flotas, mensajeros y opciones de paquetes por pedido comienza a parecer operativamente plausible.
El problema es que los números más grandes del paquete son proporcionados por la empresa y están ligeramente especificados. El umbral que importa es la evidencia verificable de manera independiente de que la aceleración y los ahorros persisten a escala empresarial, además del progreso creíble de GMV hacia el objetivo del cuarto trimestre de 2026, porque eso es lo que convertiría esto de una historia de proveedor en una señal de adopción duradera.
