La promesa de los agentes autónomos
La última tendencia en gestión de la cadena de suministro se basa en los agentes de IA.
Denominada «IA genética», esta tecnología promete permitir a la inteligencia artificial realizar tareas de forma autónoma, sin supervisión humana.
Esta tecnología se describe a menudo como el futuro de la productividad en la planificación y ejecución de la cadena de suministro. Es el hype del momento, según los sumos sacerdotes del hype cibernético… https://www.gartner.com/en/webinar/689201/1539147
Es prometedor… pero desconoce el estado actual de la mayoría de los sistemas de gestión empresarial
Un salto de gigante
La introducción de agentes de IA en los sistemas de gestión de la cadena de suministro de muchas empresas industriales y de distribución, incluidas algunas de las más importantes del mundo, probablemente tendrá que esperar un tiempo… e implicará primero la estructuración de datos y reglas de gestión seguidas por agentes humanos. Llamemos a esto «Inteligencia Artificial» para la Inteligencia Humana…
La gran mayoría de las empresas luchan con un sistema ERP inflexible, datos de calidad media, múltiples hojas de Excel y, sobre todo, se enfrentan a una falta crucial de principios operativos, de alineación entre funciones y de reglas de negocio. Carecen de un modelo operativo claramente definido. Carecen de un circuito de retroalimentación para mejorar el sistema. Se enfrentan constantemente a la variabilidad de las políticas internas y a decisiones de gestión que no siempre son racionales.
Insertar un agente de IA en un sistema de este tipo significa añadir el riesgo de alucinación a un flujo de «basura entrante / basura saliente»…
Empieza por una disciplina que pueda automatizarse
Para automatizar, necesitamos modelizar. Modelizar significa representar la realidad física y codificar las reglas de gestión en una solución digital en la que los humanos puedan confiar. Una vez que tenemos confianza, podemos automatizar y confiar a una máquina las operaciones cotidianas, así como parte del proceso de mejora del modelo.
Tomemos un ejemplo básico: la reposición de inventario
Si dejas que tus compradores decidan cuánto pedir en base a previsiones en las que no confían, un valor de stock de seguridad establecido que alguien fijó hace meses, y la presión del responsable que quiere evitar roturas… estás muy lejos de poder introducir IA.
Con un modelo de aprovisionamiento -como DDMRP- puedes, asegurarte de que siempre esté correctamente dimensionado – «AutoPilot»- y definir una regla de gestión: cuando la ecuación de flujo neto alcance el tope del amarillo, reponga hasta el tope del verde.
Ahora ya tienes un modelo básico. Puedes medir su eficacia y mejorarlo. Y pronto podrás automatizarlo. En el siguiente ejemplo, la disciplina se sigue y el rendimiento es aceptable, por lo que probablemente estemos listos para delegarlo en un agente autónomo de IA, o al menos como primer paso, para activar la aprobación automática.
Si, por el contrario, te encuentras en una situación como esta, en la que tu comprador ignora la recomendación y lanza un pedido enorme sin justificación, no puedes validar la eficacia del modelo operativo.
Antes de pensar en automatización, tú y tu equipo debéis validar el modelo operativo, las reglas de negocio y asegurar que la disciplina se sigue a diario. También es clave orquestar revisiones de rendimiento periódicas para impulsar la mejora del modelo.
¿Cómo saber si el modelo funciona, si no sigo sus recomendaciones?
De agentes de HI a supervisores de IA…
Nuestra recomendación es clara: la búsqueda del rendimiento y la productividad comienza involucrando a tus equipos en validar el modelo operativo que mejor se adapta a tus flujos.
En este proceso, tus planificadores se convierten en dos cosas: en supervisores del modelo operativo y, en «agentes HI», que ejecutan la disciplina del modelo, sin atajos en Excel…
Una vez consolidada esta disciplina, será mucho más fácil trasladar la ejecución diaria a un agente de IA —y centrar a tus planificadores en lo realmente valioso: monitorizar y adaptar el modelo a las condiciones reales del mercado.
