IA Agéntica y la próxima generación de decisiones en Supply Chain

La adopción de inteligencia artificial en Supply Chain está entrando en una nueva fase. Después de años de evolución de sistemas transaccionales, herramientas de planeación, modelos de optimización, simulación y aplicaciones de machine learning, comienza a surgir una arquitectura en la que los agentes de IA pasan a actuar como una capa de interacción y coordinación entre el usuario y estas diferentes tecnologías.

Este movimiento ayuda a poner en perspectiva una idea que ganó fuerza con la popularización de la IA generativa: la posibilidad de que los grandes modelos de lenguaje sustituyan a los modelos analíticos tradicionales. Para problemas complejos de Supply Chain, esa sustitución no parece ser el camino más adecuado. El avance más relevante está en la integración entre tecnologías con características distintas.

Las decisiones de localización de instalaciones, asignación de clientes, sourcing, inventarios, transporte o capacidad involucran funciones objetivo, restricciones y un número elevado de alternativas. En estos casos, no basta con producir una respuesta plausible. La solución debe ser consistente con los datos, respetar las restricciones del problema y producir resultados que puedan compararse y reproducirse.

La IA generativa tiene competencias diferentes. Es particularmente eficiente para interpretar lenguaje natural, trabajar con información no estructurada, organizar conocimiento y explicar resultados. La optimización matemática, por su parte, sigue siendo la más adecuada para encontrar buenas soluciones en problemas estructurados de decisión. El machine learning puede apoyar previsiones e identificación de patrones, mientras que la simulación permite evaluar variabilidad, incertidumbre y comportamiento operacional.

La tendencia, por lo tanto, es menos de sustitución y más de integración. Los agentes de IA pueden funcionar como la capa que conecta estas diferentes capacidades. A partir de un problema de negocio, el agente interpreta la intención del usuario, identifica los datos y herramientas necesarios y dirige el análisis hacia el modelo más adecuado. Después de la ejecución, aparece otro papel igual de importante en la salida: interpretar los resultados, comparar escenarios, identificar los principales drivers y recomendar nuevas alternativas para análisis.

Figura 1. Arquitectura simplificada de la IA Agéntica aplicada a la toma de decisiones en Supply Chain. El agente actúa tanto en la entrada, interpretando el problema y seleccionando datos y herramientas, como en la salida, analizando resultados, comparando escenarios y proponiendo nuevas alternativas.

Esta arquitectura cambia la experiencia de uso de las herramientas analíticas. En un proyecto tradicional de Network Design, por ejemplo, buena parte del trabajo ocurre después de la optimización. El modelo encuentra una nueva configuración de la red, pero alguien todavía necesita entender por qué determinado escenario presenta un costo menor, qué flujos se modificaron, qué instalaciones ganaron o perdieron volumen, cómo se vio afectado el nivel de servicio y qué restricciones se volvieron críticas.

Este proceso normalmente implica extracción de datos, construcción de tablas, análisis adicionales y varias rondas entre el modelador y los ejecutivos responsables de la decisión. Un agente analítico conectado a las entradas y salidas del modelo puede asumir parte relevante de ese trabajo.

Imagine que una optimización de red encuentra una configuración capaz de reducir el costo total en un 8%. La cifra, aislada, dice poco. Es necesario entender cuánto de ese ahorro provino del transporte, cuánto de la redistribución de los volúmenes entre los centros de distribución, qué clientes tuvieron cambios en su atención y cuáles fueron los impactos sobre el nivel de servicio. La capacidad de traducir resultados analíticos a un lenguaje de negocio es una de las aplicaciones más inmediatas de la IA generativa en Supply Chain.

Sin embargo, existe un paso adicional. Después de interpretar un escenario, el agente puede usar los resultados para sugerir nuevas alternativas a probar. Puede identificar, por ejemplo, que ciertos flujos podrían consolidarse, que una etapa intermedia de la red tal vez podría eliminarse, que un cambio de modal merece evaluarse o que determinada capacidad está limitando la solución.

En este punto, la división de roles es importante: el agente formula o recomienda la hipótesis; el modelo analítico prueba la hipótesis. La IA no necesita sustituir al modelo matemático para agregar valor. Puede ampliar la capacidad de exploración del espacio de alternativas y reducir el trabajo necesario para transformar una salida técnica en una decisión empresarial.

Esta interacción crea un ciclo distinto del que se observa actualmente. En lugar de depender exclusivamente del modelador para definir manualmente cada nuevo escenario, los agentes pueden ayudar a seleccionar alternativas prometedoras, ejecutar nuevos análisis y comparar los resultados con una línea base. El especialista sigue siendo responsable de validar premisas, evaluar trade-offs y decidir qué recomendaciones tienen sentido para el negocio.

El mismo principio puede aplicarse a diferentes decisiones de Supply Chain. Un agente puede sugerir cambios de sourcing ante una ruptura de proveedor, probar nuevas políticas de inventario, evaluar alternativas de transporte, analizar cambios en la asignación de clientes entre canales o indicar cuándo un cambio relevante en la demanda justifica una nueva ronda de planeación.

La evolución de los Digital Twins tiende a acelerar este movimiento. Hoy, muchos modelos digitales todavía se utilizan de forma periódica: se actualizan los datos, se ejecutan algunos escenarios y los resultados apoyan una determinada decisión. Después de un tiempo, el proceso se repite.

Con agentes conectados a las fuentes de datos y a los modelos, el Digital Twin puede empezar a funcionar de forma más dinámica. Cambios relevantes en la demanda, en los costos logísticos, en la disponibilidad de proveedores o en la capacidad de las instalaciones pueden desencadenar nuevos análisis. El modelo deja de ser solo una herramienta utilizada en proyectos específicos y pasa a aproximarse a un sistema continuo de soporte a la decisión.

Esta evolución aumenta la necesidad de gobernanza. Cuanto mayor sea la autonomía de los agentes, mayor debe ser el control sobre los datos utilizados, las reglas de negocio, los límites de decisión y la trazabilidad de las recomendaciones. En Supply Chain, una recomendación no puede aceptarse simplemente porque fue producida por un sistema de inteligencia artificial. Debe ser económicamente coherente, operativamente posible y compatible con las restricciones del negocio.

El rol del profesional también cambia. A medida que los sistemas automatizan tareas como la preparación de análisis, la comparación de escenarios y la generación de explicaciones, el trabajo del especialista tiende a desplazarse hacia actividades de mayor valor. Formular correctamente el problema, definir premisas y restricciones, evaluar trade-offs e interpretar recomendaciones se vuelve más importante que simplemente operar una herramienta.

El profesional deja gradualmente de actuar solo como modelador y pasa a asumir un rol más cercano al de un arquitecto de decisiones. Esto no reduce la importancia del conocimiento de Supply Chain. Al contrario: cuanto más simple se vuelve la interacción con la tecnología, mayor es la importancia de saber qué preguntas deben hacerse y cómo evaluar la calidad de las respuestas.

La próxima generación de sistemas de Supply Chain probablemente estará formada por una combinación de tecnologías, y no por una tecnología dominante. Los modelos matemáticos seguirán siendo relevantes en problemas de optimización. El machine learning seguirá apoyando previsiones e identificación de patrones. La simulación seguirá siendo importante para analizar variabilidad y comportamiento operacional. La IA generativa podrá facilitar la interacción, la interpretación y la comunicación de los resultados. Y los agentes podrán conectar estas capacidades en flujos de trabajo más integrados.

El avance más interesante está justamente en esa integración. En lugar de discutir si la inteligencia artificial sustituirá a los modelos tradicionales de Supply Chain, vale la pena observar cómo estas tecnologías pueden trabajar juntas. El resultado puede ser un proceso de decisión más rápido, con mayor capacidad de explorar alternativas y, sobre todo, con menor distancia entre el modelado analítico y la decisión empresarial.

* Mauro Sampaio es ingeniero de producción por la UFSCar, magíster y doctor en Administración de Empresas por la EAESP-FGV. Cuenta con más de 25 años de experiencia académica y ejecutiva en Logística y Supply Chain, y es profesor en la Fundação Dom Cabral (FDC) y en la FIA, además de socio de Scinno Consulting. Desarrolla proyectos e investigaciones en las áreas de estrategia logística, Network Design, optimización, planeación y transformación digital de Supply Chain.