La vaguedad del discurso de la IA hace que su aplicación y la medición de su éxito sean un objetivo desalentador para los líderes empresariales. Cómo pueden escapar de los eslóganes abstractos y las exageraciones para identificar aplicaciones funcionales de la IA que generen rentabilidad en la cadena de suministro?
Un enfoque práctico implica Diversificación de la IA – inversión estratégica en diferentes capacidades de IA que desempeñan funciones distintas a la vez que operan en colaboración. La diversificación de la IA implica crear una cartera de capacidades que evolucione y crezca constantemente para mitigar los riesgos, optimizar las decisiones y maximizar el valor.
Cómo utilizar la IA en la cadena de suministro
Mucha gente tiene una idea de lo que la IA puede hacer por la cadena de suministro y la planificación en retail. Puede pronosticar la demanda, optimizar el inventario, mejorar el reabastecimiento… y la lista continúa.
Pero, ¿qué es y cómo consigue todo esto?
Amy Webb, de la NYU, clasifica la IA como “hacer que un ordenador haga cosas que normalmente requieren inteligencia humana”. Esta definición nos ofrece un amplio campo a través del cual considerar cómo los algoritmos de IA pueden resolver problemas empresariales tangibles. En lo que respecta a la planificación de la cadena de suministro, estos algoritmos pertenecen a cuatro grandes categorías.
- Heurística
- Optimización
- Aprendizaje automático (ML)
- Gen AI
Hay matices y subcategorías en las clasificaciones anteriores. Por ejemplo, la IA genérica es técnicamente un subconjunto del aprendizaje automático. Sin embargo, dado el interés que ha despertado últimamente y como guiño a su enfoque en el lenguaje natural y el razonamiento, estoy distinguiendo la IA gen de la “IA especializada”, los algoritmos de orientación computacional enumerados en los tres primeros puntos.
A menudo escucho discusiones sobre cuál de estos algoritmos es mejor o si la aparición de uno hace que otro quede obsoleto. Estas discusiones confunden y distraen a los directivos de las empresas. Piense en cada uno de estos algoritmos como una herramienta de una caja de herramientas. Son la llave inglesa, el martillo, el destornillador y los alicates. Una no sustituye a otra. Yo podría utilizar una llave inglesa pesada como martillo para clavar un clavo en una pared, pero no es el mejor uso de la llave inglesa. Del mismo modo, es importante conocer el contexto en el que se aplica cada tipo de IA para poder utilizar la herramienta adecuada para el trabajo adecuado.
Abordemos cada tipo uno por uno.
1. Heurística
Los heurísticos son motores basados en reglas que proporcionan respuestas direccionalmente correctas a los problemas empresariales. Responden a un conjunto de preguntas de forma secuencial, simplificando la planificación al descartar las opciones que no sirven a objetivos concretos o prioridades. Por naturaleza, la heurística es rápida. Por lo tanto, son adecuados para situaciones con menos restricciones o que sólo requieren una respuesta direccionalmente correcta.
Por ejemplo, un cliente estadounidense de RELEX tiene 30 centros de distribución diferentes. Cada artículo viaja desde el proveedor a través de una ruta predeterminada de centros de distribución, lo que significa que la empresa no tiene que decidir dónde enviar las existencias. Esto minimiza las restricciones, por lo que la empresa puede emplear fácilmente la heurística para tomar decisiones de planificación rápidas y precisas que equilibren los plazos de entrega y el tamaño de los lotes.
Pongamos otro ejemplo. Supongamos que soy un distribuidor que selecciona automáticamente el transporte por camión como modo principal de transporte y utiliza el transporte aéreo como opción secundaria. Sin embargo, puedo crear una regla que cambie al transporte aéreo si el tiempo que se tarda en llevar el producto al mercado por camión es mayor de lo que espera el cliente.
La heurística también es excelente para crear planes de corte aproximado. Al tener en cuenta las restricciones más importantes, simplifican y aceleran el proceso de planificación, proporcionando buenos puntos de partida para planes que las capacidades de optimización pueden perfeccionar posteriormente.
2. Optimización
La optimización matemática es una rama de las matemáticas aplicadas que se ocupa de encontrar la mejor solución posible entre un conjunto de alternativas disponibles, según deepai.org. La planificación de la cadena de suministro en entornos con grandes restricciones, como la fabricación, requiere complejas compensaciones, lo que la convierte en un candidato ideal para la optimización.
Por ejemplo, supongamos que produce patatas fritas congeladas de calidad media y alta y las vende a restaurantes de servicio rápido. Tiene dos clientes.
El cliente A sólo acepta patatas fritas de calidad superior. El cliente B opta por las patatas fritas de calidad media, más baratas, pero aceptará las de calidad superior si no le suponen un coste adicional.
Cuando llega el pedido del cliente, ya no le quedan patatas de calidad media, pero puede seguir ofreciendo sus patatas de calidad alta al cliente B por el mismo precio. De este modo, puede obtener ingresos a costa de comprometer el margen.
Sin embargo, todavía tiene que satisfacer el pedido de alta calidad del cliente A. Por lo tanto, los beneficios de cambiar al cliente B por patatas fritas de mayor calidad deben sopesarse con la demanda prevista del cliente A.
Este es un ejemplo extremadamente sencillo del tipo de compensaciones que la optimización sabe equilibrar.
Sin embargo, en la vida real hay que tomar decisiones mucho más complejas en relación con una serie de restricciones: materias primas, capacidad, prioridad de los clientes, etc. Este tipo de casos de uso se prestan muy bien a la optimización, que analiza estas limitaciones, tiene en cuenta los objetivos empresariales (como maximizar los ingresos o minimizar los costes) y procesa rápidamente los datos disponibles para obtener recomendaciones óptimas de compensación.
Consejo: Existen algunas similitudes entre los tipos de problemas a los que pueden aplicarse la heurística y la optimización. A veces oigo debates sobre qué enfoque es superior, pero no debería ser un debate “uno u otro”. Debería ser una respuesta “ambos/y”, eligiendo la mejor herramienta para las circunstancias o utilizando una combinación de las dos.
3. Aprendizaje automático (ML)
El aprendizaje automático es “el uso y desarrollo de sistemas informáticos capaces de aprender y adaptarse sin seguir instrucciones explícitas, mediante el uso de algoritmos y modelos estadísticos para analizar y extraer conclusiones a partir de patrones en los datos”, según Oxford Languages. Este método se utiliza sobre todo para establecer correlaciones entre varios flujos de datos y hacer predicciones.
Ejemplos prácticos de ello son , que detecta cambios en la demanda o realiza análisis de causas.
Por ejemplo, en lo que respecta a la planificación de la demanda, los algoritmos de aprendizaje automático ayudan a los planificadores de todos los sectores a hacer frente a la ingente cantidad de información que generan las cadenas de suministro globales. A diferencia de las engorrosas hojas de cálculo, las soluciones de pronósticos basadas en ML analizan y destilan grandes conjuntos de datos en perspectivas manejables para obtener pronósticos de demanda más precisos y decisiones basadas en datos. Además, los algoritmos de aprendizaje automático aprenden de los resultados y los perfeccionan con el tiempo; cuanto más tiempo se utilicen, mejores serán sus resultados.
La detección de la demanda lleva estas capacidades analíticas al siguiente nivel, utilizando el aprendizaje automático para integrar los datos actuales de toda la cadena de suministro (incluidos los sistemas de punto de venta minorista). Esto lo hace perfecto para minoristas y empresas de bienes de consumo de rápida rotación (FMCG) que necesitan estar al día de los rápidos cambios en las tendencias del mercado o de los fenómenos meteorológicos repentinos. Por ejemplo, si se va a celebrar un gran acontecimiento deportivo, puede aumentar la demanda de refrescos y bebidas alcohólicas. Si va a llover toda la semana que viene, puede caer la demanda de crema solar y aumentar la de paraguas. Mediante el aprendizaje automático, las empresas pueden predecir si venderán más o menos cantidad de un producto. Las predicciones basadas en ML informan a las capacidades de optimización que determinan qué cantidad del producto reponer en cada ubicación.
El aprendizaje automático también ayuda a analizar las causas de los desfases entre la planificación y la ejecución. A menudo, las recomendaciones de planificación -como cuánto fabricar, adquirir y entregar- no se aplican correctamente en el mundo real. Esto puede deberse a discrepancias entre las hipótesis de planificación y la situación real de factores coadyuvantes como los plazos de entrega, los costes o la disponibilidad de transporte. Los parámetros de planificación deben ajustarse constantemente contrastándolos con los datos del mundo real. La capacidad de aprovechar diversos flujos de datos internos y externos y correlacionarlos resulta natural para los algoritmos de ML, lo que los hace especialmente adecuados para situaciones que requieren este tipo de análisis.
¡Alerta friki! A menudo me preguntan si la optimización como técnica quedará obsoleta con el creciente protagonismo del ML. Al contrario, la optimización sobrevivirá y prosperará; no hay aprendizaje automático sin optimización. Esto se debe a que un modelo de ML se refina calculando una “función de pérdida” y ejecutando la optimización para minimizar esa pérdida. (Una función de pérdida cuantifica la diferencia entre las predicciones del modelo y el resultado real, proporcionando información sobre la precisión del modelo para que pueda ajustarse y mejorar en el futuro). Las mejores soluciones de planificación utilizan el aprendizaje automático para predecir y la optimización para decidir.
4. Gen AI
El nuevo chico del barrio es la IA gen. Coursera define la IA gen como un enfoque algorítmico, entrenado a partir de datos existentes, que “permite a los usuarios introducir una serie de indicaciones para generar nuevos contenidos”. Aunque los principios ya existen desde hace tiempo, los avances en los chips de gama alta y el auge de la computación en nube hacen que la técnica sea accesible para aplicaciones prácticas.
Con todo este entusiasmo, es crucial seguir siendo realistas sobre lo que la IA genpuede y no puede hacer . Por ejemplo, los grandes modelos lingüísticos (LLM ) son el caso de uso más común de la IA genérica. No son muy buenos realizando cálculos, pero son muy buenos observando una cadena de palabras y prediciendo cuál será la siguiente (como muchos han comprobado con programas como ChatGPT y Gemini).
Los sistemas de la cadena de suministro son intrínsecamente complejos. La heurística, la optimización y el aprendizaje automático ayudan con los cálculos, pero el contexto y la colaboración son igualmente importantes en la toma de decisiones de la cadena de suministro. Aquí es donde entra en juego la IA gen.
Estamos empezando a ver el uso de chatbots impulsados por LLM como asistentes de IA, que marcan el comienzo de avances significativos en la productividad y la capacitación de los usuarios. Un asistente de la cadena de suministro debe extraer información de una base de conocimientos establecida de las mejores prácticas específicas del sector y de las soluciones, así como de los datos contextualizados. Facilitar el acceso y la comprensión de esta información acelera la incorporación de los empleados, facilita las operaciones diarias y ofrece más oportunidades para el aprendizaje continuo y la mejora de los procesos.
De cara al futuro, estos sistemas evolucionarán hasta convertirse en copilotos de IA de pleno derecho que ofrezcan recomendaciones específicas para cada empresa y ayuden de forma proactiva a los planificadores a anticipar y contrarrestar las perturbaciones y los cambios del mercado.
Cómo beneficia la diversificación de la IA a las cadenas de suministro
Las implementaciones inteligentes de la IA no se limitan a marcar una casilla. Aumentan la eficiencia y la productividad de los usuarios, que pueden mejorar y acelerar la toma de decisiones. Estas decisiones establecen objetivos de inventario en la proporción correcta a la demanda, satisfaciendo las necesidades de los clientes y manteniendo al mismo tiempo los niveles de inventario bajo control. Al evitar el exceso de existencias, el uso estratégico de la IA limita la prevalencia y el impacto de problemas como la obsolescencia y el deterioro, lo que favorece las prácticas sostenibles de la cadena de suministro y libera capital circulante para obtener mejores márgenes.
Los responsables de las empresas deben considerar la IA como un conjunto de algoritmos y aplicar las técnicas a problemas concretos de forma práctica, en lugar de hacer IA por hacer IA. Afortunadamente, hay muchas aplicaciones probadas y contrastadas con un ROI que demuestra su eficacia.
