IA en operaciones y cadena de suministro, casos que ya funcionan
Pronóstico de demanda, gestión de inventario, compras y planificación: dónde la inteligencia artificial mejora decisiones operativas y qué condiciones hacen falta para que funcione.
Operaciones es donde la inteligencia artificial tiene la historia más larga y los resultados más medibles. No se trata de novedad: hace décadas que se usan modelos para pronosticar y optimizar. Lo que cambió es que el acceso a esa capacidad se abarató y que ahora también se puede trabajar con información no estructurada.
Los casos con resultados comprobados
Pronóstico de demanda. Es el caso clásico y sigue siendo el de mayor impacto. Un pronóstico que incorpora estacionalidad, tendencias, promociones, días festivos y variables externas como el clima suele superar al armado manual, sobre todo cuando hay muchos productos y ubicaciones.
Optimización de inventario. A partir del pronóstico, definir niveles de reposición y stock de seguridad por producto y ubicación según variabilidad real y nivel de servicio objetivo. Acá aparece el ahorro más visible: menos capital inmovilizado con el mismo nivel de servicio.
Planificación de compras. Sugerir qué comprar, cuánto y cuándo, considerando plazos de entrega reales de cada proveedor en lugar de los prometidos.
Mantenimiento predictivo. Donde hay sensores, anticipar fallas de equipos a partir de patrones de operación. El beneficio no es solo el costo de la reparación: es evitar la parada no planificada.
Ruteo y logística. Optimizar recorridos considerando ventanas horarias, capacidades y restricciones. El ahorro en combustible y horas suele ser inmediato.
Lectura de documentos de comercio exterior. Facturas, listas de empaque, documentos de transporte y declaraciones. Alto volumen, formatos variables, y un trabajo manual que consume mucho tiempo especializado.
Las condiciones que hay que cumplir
Antes de evaluar herramientas, conviene chequear tres cosas:
Datos con historia y granularidad. Para pronosticar hace falta historia suficiente, idealmente dos o tres años, al nivel en que se va a decidir: producto y ubicación, no solo total por familia.
Datos maestros ordenados. Códigos de producto consistentes, unidades de medida correctas, equivalencias claras. Es el punto donde más proyectos se traban: un mismo producto con tres códigos distintos arruina cualquier modelo.
Plazos de entrega reales. No los del contrato, los efectivos. Si el sistema planifica con un plazo de 15 días y el proveedor entrega en 28, el inventario de seguridad va a estar mal calculado sin importar la calidad del modelo.
El error más común: optimizar un eslabón
Mejorar el pronóstico sin ajustar las políticas de reposición no cambia el resultado. Optimizar inventario sin considerar los plazos reales del proveedor genera quiebres. Mejorar el ruteo sin coordinar con la preparación de pedidos solo mueve el cuello de botella de lugar.
Por eso conviene definir el alcance mirando el flujo completo, aunque la implementación sea por etapas.
Qué medir
Los indicadores no son nuevos, lo que cambia es la frecuencia con que se pueden mirar:
- Error de pronóstico por categoría, comparado contra el método anterior.
- Nivel de servicio: porcentaje de pedidos completos y a tiempo.
- Días de inventario y capital inmovilizado.
- Quiebres de stock y ventas perdidas estimadas.
- Costo logístico por unidad entregada.
La prueba de que el proyecto funciona es que dos de estos indicadores mejoren sin que los otros empeoren. Bajar inventario a costa del nivel de servicio no es una mejora, es un traslado de problema.
Cómo empezar
Una práctica que funciona bien: correr el pronóstico nuevo en paralelo al método actual durante dos o tres ciclos completos, sin cambiar ninguna decisión. Se compara el error de ambos sobre los mismos períodos.
Si el método nuevo gana de forma consistente, se adopta para un subconjunto de categorías y se amplía desde ahí. Si no gana, el proyecto costó tres meses de cálculo paralelo en lugar de una transformación completa que no iba a funcionar.
Preguntas frecuentes
¿Cuántos datos históricos hacen falta para pronosticar demanda con IA?
Como referencia, dos a tres años de historia con granularidad semanal por producto y ubicación. Con menos historia conviene usar métodos estadísticos tradicionales, que son más estables cuando los datos son escasos.
¿La IA reemplaza al planificador de demanda?
No. Genera el pronóstico base y libera tiempo del armado manual, pero el planificador aporta el contexto que no está en los datos: promociones, cambios de cartera, situaciones de mercado y decisiones comerciales.
¿Qué beneficio concreto se puede esperar en inventario?
En implementaciones bien ejecutadas, reducciones de entre 10% y 25% en stock inmovilizado manteniendo o mejorando el nivel de servicio. El rango depende del punto de partida y de la calidad de los datos.