:quality(85))
Desde que OpenAI lanzó ChatGPT en noviembre de 2022, gran parte del mundo ha estado fascinada, inquieta y perpleja ante los avances tecnológicos y el potencial aparentemente infinito de la inteligencia artificial. En los 18 meses transcurridos desde entonces, las empresas han apresurado la incorporación de plataformas y modelos de IA en sus productos, procesos internos y estrategias corporativas generales. Como resultado, una tendencia que crecía de forma gradual se ha convertido rápidamente en una oleada de inversiones.
Según The Wall Street Journal, las empresas prevén destinar cerca de 39.000 millones de dólares a IA generativa este año, el doble del gasto realizado en 2023. Las proyecciones publicadas el año pasado por Goldman Sachs auguran un aumento aún mayor en estas inversiones en IA. Los economistas de la firma financiera estiman que la inversión de las organizaciones en IA podría alcanzar los 100.000 millones de dólares en EE. UU. para 2025 (la nota de investigación no diferenciaba entre IA generativa —la modalidad que representa ChatGPT— y tecnologías de inteligencia artificial en términos generales).
Si bien muchas de las grandes corporaciones del mundo continúan en una suerte de luna de miel con esta revolucionaria tecnología, ya existen datos confiables que establecen un historial de casos de uso de IA en diversas industrias. Un estudio de diciembre de 2022 de McKinsey & Company encuestó a cerca de 1.500 empresas de todo el mundo para evaluar cómo se implementaba la inteligencia artificial en el ámbito corporativo y en qué medida aportaba valor a esas organizaciones. La consultora concluyó que las empresas generalmente experimentaban aumentos modestos de ingresos y reducciones de costes en distintas áreas, como fabricación, ventas y marketing, y desarrollo de productos. Una de las actividades que más se beneficiaba de la integración de IA era la gestión de la cadena de suministro. El 52% de los encuestados informó que implementar IA estaba generando disminuciones de costos en sus procesos de gestión de la cadena de suministro. Casi el 60% señaló que también estaba incrementando los ingresos.
Si bien muchas de las grandes corporaciones del mundo continúan en una suerte de luna de miel con esta revolucionaria tecnología, ya existen datos confiables que establecen un historial de casos de uso de IA en diversas industrias.
En cierto modo, que la IA y su desarrollo más reciente y apasionante —la IA generativa— resulten beneficiosos para la gestión de la cadena de suministro no debería sorprender. Esta disciplina depende de procesar grandes volúmenes de datos, aplicar análisis complejos para orientar estrategias y decisiones, y detectar y analizar riesgos hipotéticos; todas funciones que pueden mejorar considerablemente gracias a las capacidades singulares que ofrece la IA.
Sin embargo, para un ámbito tan práctico como la gestión de la cadena de suministro, y en igual medida la gestión de riesgos en la cadena de suministro (SCRM, por sus siglas en inglés), no basta con deslumbrarse ante la posibilidad de incorporar estas plataformas avanzadas en el día a día. Lo verdaderamente útil consiste en analizar en profundidad cuáles son los casos de uso legítimos de la inteligencia artificial y si estos superan los riesgos potenciales que implica adoptar una tecnología incipiente, costosa y posiblemente disruptiva.
Casos de uso de la IA en la gestión de la cadena de suministro
La inteligencia artificial ya no es una hipótesis en el mundo de la gestión de la cadena de suministro y SCRM. Es una herramienta poderosa, multifacética y actualmente accesible para los profesionales del sector. Además, ya se emplea en diversas aplicaciones que están aportando valor tangible a fabricantes en EE. UU. y otras organizaciones.
- Análisis predictivo para equipos de fabricación
- Pronóstico de la demanda
- Mapa de la cadena de suministro
- Evaluaciones y matrices de riesgo
- Proveedores alternativos
Análisis predictivo para equipos de fabricación
En contraste con la impresionante cantidad de información que lo alimenta, el análisis predictivo como concepto es notablemente claro y directo. La Harvard Business School lo define como “el uso de datos para predecir tendencias y eventos futuros”. Estas predicciones, continúa la definición, “pueden referirse al futuro cercano —por ejemplo, anticipar la avería de una máquina más tarde ese mismo día—, o a un horizonte más lejano, como calcular los flujos de efectivo de una empresa para el próximo año”.
En el contexto de la gestión de la cadena de suministro, la mayor relevancia la tiene el primer escenario. Este aspecto específico del análisis predictivo suele denominarse “mantenimiento predictivo”. En el mantenimiento predictivo, la IA y el aprendizaje automático recopilan grandes volúmenes de datos procedentes de sensores instalados en equipos o infraestructuras concretas. Los datos, que incluyen métricas como temperatura, vibración, presión, humedad y velocidad, permiten al modelo de IA aprender las condiciones normales de operación de la maquinaria y los equipos. Una vez que toda esta información ha sido analizada de manera exhaustiva, la IA puede reconocer de inmediato desviaciones respecto a las condiciones óptimas—y de este modo identificar precoces señales de una posible avería, fallo o malfuncionamiento significativo.
La capacidad de detectar una falla antes de que se materialice —con lo cual no solo se mitiga una posible interrupción, sino que incluso se la previene por completo— puede beneficiar a múltiples actores de la cadena de suministro de la electrónica. Los fabricantes de dispositivos electrónicos por contrato (ECM) y otros proveedores pueden evitar paradas de equipos, reducir el tiempo de inactividad y maximizar la productividad en plantas y otras instalaciones de fabricación. Los actores ubicados aguas abajo, incluidos los fabricantes de equipos originales (OEM) y demás empresas, se benefician de menores interrupciones y retrasos en la producción, lo que les permite cumplir objetivos de fabricación con mayor regularidad. Y, en caso de fallas importantes que no puedan mitigarse de inmediato, el mantenimiento predictivo basado en IA al menos permite alertar a los distintos actores de la inminencia de una disrupción, brindándoles la oportunidad de activar planes de contingencia y reaccionar con cautela y precisión.
Pronóstico de la demanda
Las empresas practican el pronóstico de la demanda mucho antes de que el término se acuñara y popularizara en las últimas décadas. Los fabricantes siempre han debido adaptarse a las fluctuaciones y cambios impredecibles del mercado. (Durante la “manía de los tulipanes” en los Países Bajos en el siglo XVII, por ejemplo, la demanda creció de tal modo que un solo bulbo llegó a costar el equivalente a 750.000 dólares actuales). Históricamente, la respuesta ha sido tratar de generar predicciones —o “pronósticos”— a partir de una amplia gama de datos cuantitativos, incluyendo tendencias de ventas, ajustes estacionales y patrones históricos. Los resultados han sido muy diversos, en parte porque el ser humano solo puede analizar una cantidad limitada de información. Lo complica aún más el hecho de que las conjeturas a partir de datos incompletos suelen ser imperfectas, como resultado de sesgos internos, expectativas inadecuadas o incluso factores emocionales inconscientes.
Las nuevas generaciones de modelos de IA actualmente disponibles no presentan las mismas limitaciones humanas al abordar el pronóstico de la demanda. Más relevante aún, estas plataformas de IA pueden analizar muchísima más información de la que cualquier persona podría procesar. Sus análisis van más allá de los datos históricos de ventas e incorporan indicadores más sutiles e indirectos, como el desempeño de los competidores, factores macroeconómicos y cambios en el comportamiento del consumidor que pueden anticipar variaciones importantes en la demanda. Algunos modelos incluso detectan las primeras señales de compras de pánico, lo que permite a las empresas responder de forma estratégica y oportuna sin interpretar un aumento pasajero como una tendencia permanente.
Al aprovechar las capacidades que ofrecen las herramientas de IA, los fabricantes y otras empresas pueden aumentar significativamente su capacidad de anticipar la demanda de mercado para sus productos. Como consecuencia, es mucho menos probable que enfrenten el devastador coste de oportunidad de los desabastecimientos o que deban recurrir a medidas improvisadas para liquidar rápidamente los excedentes.
Al aprovechar las capacidades que ofrecen las herramientas de IA, los fabricantes y otras empresas pueden aumentar significativamente su capacidad de anticipar la demanda de mercado para sus productos.
Mapa de la cadena de suministro
Uno de los mayores retos para profesionales de compras y aprovisionamiento es comprender el alcance y complejidad total de sus cadenas de suministro. Un estudio realizado en 2021 también por McKinsey ilustra la dificultad del mapeo extenso y profundo de la cadena de suministro, y cómo se pierde visibilidad a medida que las organizaciones investigan más allá de sus proveedores directos. Mientras que casi la mitad de los líderes encuestados afirmaba tener buena visibilidad de sus proveedores de primer nivel, esa cifra caía a apenas una quinta parte para los fabricantes de nivel dos. Y más allá del segundo nivel, la visibilidad prácticamente desaparecía: solo el 2% de los encuestados sabía quiénes eran sus proveedores de nivel tres.
La capacidad de realizar un mapeo más completo y profundo ofrece beneficios operativos claves. Las empresas que obtienen visibilidad sobre su base de proveedores de segundo y tercer nivel pueden efectuar evaluaciones de riesgos mucho más completas de su cadena de suministro; identificar materiales, países de origen y otros datos relevantes para el cumplimiento normativo; y diagnosticar con precisión las fuentes de retrasos y desabastecimientos de manera que no está disponible para las organizaciones con menor visibilidad. Este último aspecto es especialmente relevante, ya que poder identificar con exactitud la fuente de una disrupción ayuda a los fabricantes a planificar y resolver problemas de manera mucho más eficaz. Si usted sabe que un fabricante de tercer nivel es responsable del desabastecimiento de un proveedor directo, podrá trabajar con ese proveedor para buscar remedios concretos.
Pero el principal desafío asociado al mapeo de la cadena de suministro no radica en dudas sobre su valor, sino en las enormes dificultades logísticas inherentes a la construcción de esos mapas basados en datos. Aquí es donde la IA puede aportar un caso de uso sustancial. Estas herramientas pueden rastrear recursos digitales remotos y difíciles de encontrar, cruciales para dar visibilidad a las transacciones entre fabricantes y, por tanto, conectar los eslabones de sus niveles de proveedores. Las plataformas de IA pueden acceder a órdenes de compra, recibos, declaraciones de aduanas, reservas de transporte y otros documentos que construyen una cadena de custodia para sus productos, componentes y materias primas. Gracias a estos registros y documentos, las empresas pueden crear mapas de cadena de suministro más detallados y sólidos, mejorando así su gestión de riesgos en la cadena de suministro (SCRM).
Las plataformas de IA pueden acceder a órdenes de compra, recibos, declaraciones de aduanas, reservas de transporte y otros documentos que construyen una cadena de custodia para sus productos, componentes y materias primas.
Evaluaciones y matrices de riesgo
Una matriz de riesgos es una herramienta visual que ayuda a las organizaciones a evaluar los diversos riesgos que afrontan para sus operaciones y negocio. Habitualmente, la matriz sintetiza dos factores clave: la probabilidad de que ocurra un riesgo y la severidad de sus consecuencias si llega a materializarse. Estos factores se categorizan generalmente a lo largo de los ejes x e y, lo que permite a los responsables de la gestión de riesgos contextualizar y valorar la gravedad e impacto de cada amenaza específica. (Por ejemplo, un ciberataque puede tener una probabilidad baja para una empresa con sólidos controles de ciberseguridad, pero consecuencias de alta gravedad.)
Aunque el uso de una matriz de riesgos es una estrategia esencial para los equipos de SCRM, existe un margen importante de subjetividad cuando se asignan los niveles de severidad y probabilidad a riesgos como cierres de fábrica, fenómenos meteorológicos extremos o quiebras de proveedores. Esta función específica es precisamente donde la IA puede aportar un gran valor. En lugar de depender de la experiencia personal, percepciones imperfectas o conjuntos de datos limitados, la IA puede procesar cantidades masivas de información y producir evaluaciones altamente objetivas y precisas sobre la aplicabilidad de un riesgo para su empresa y sector. Aunque sin duda es una tarea especializada, utilizar una matriz de riesgos con mayor precisión permite a las organizaciones asignar recursos de manera más eficiente.
Identificación de proveedores alternativos
La búsqueda de proveedores alternativos —también denominado multisourcing— es otra función relativamente sencilla que las herramientas de IA pueden ayudar a llevar a cabo con mayor rigor y exhaustividad. Diversas empresas ofrecen actualmente modelos de IA capaces de presentar a las organizaciones una lista de proveedores potenciales en función de parámetros y criterios específicos. Estos modelos no solo buscan en Internet fabricantes que respondan a dichos criterios, sino que analizan factores como datos financieros, desempeño ESG (ambiental, social y de gobernanza) y satisfacción de clientes, para ofrecer una lista de candidatos evaluados de manera integral.
Dada la amplitud de búsquedas que pueden realizar los modelos de IA en poco tiempo, también pueden identificar una gama más amplia de empresas, que quizás no hubieran sido localizadas a través de métodos manuales tradicionales. Esto incluye, por ejemplo, pequeñas y medianas empresas (pymes), proveedores diversos y otras organizaciones a menudo subestimadas.
Si bien esta función específica no es necesariamente revolucionaria para los equipos de gestión de la cadena de suministro, sí facilita a las organizaciones recursos clave para incrementar la resiliencia en su SCRM. En un artículo para la Harvard Business Review, un ejecutivo de gestión de la cadena de suministro de Siemens explicó cómo una aplicación basada en IA ayudaba a compilar información sobre proveedores alternativos, información esencial para mitigar eficazmente futuros problemas de suministro. Aunque “la tecnología no le da visibilidad para prevenir las disrupciones antes de que sucedan”, indicó el director sénior a HBR, “sí le proporciona información que le permite responder a disrupciones en la cadena de suministro mucho más rápido que un comprador humano”.
Los posibles riesgos de la IA en la gestión de la cadena de suministro
Los casos de uso previamente mencionados —junto con las cuantiosas inversiones por parte del sector corporativo— demuestran el gran potencial de las herramientas y modelos de inteligencia artificial en la gestión de la cadena de suministro. Sin embargo, una tecnología tan poderosa y transformadora también presenta desafíos. Los fabricantes interesados en integrar IA deben considerar ciertos riesgos inherentes al proceso.
- Costos iniciales elevados
- Escepticismo del personal
- Datos no verificados o poco fiables
La mayoría de las plataformas disponibles actualmente —tanto de gigantes tecnológicos consolidados como de startups especializadas— presentan costos iniciales significativos. Muchas soluciones personalizadas de IA, por ejemplo, pueden superar las seis cifras. Las organizaciones deben ser selectivas y metódicas en estas inversiones, recurriendo a herramientas como el análisis coste-beneficio y el cálculo del retorno de inversión (ROI) para evaluar el valor neto de incorporar la tecnología.
Además, estas plataformas requieren una aceptación amplia y consistente por parte de los empleados; los directivos y gerentes no deberían tomar decisiones unilaterales sobre su integración. Si no se comunica adecuadamente el contexto, los casos de uso y los parámetros en que se emplearán estas herramientas, las empresas corren el riesgo de alejar al personal, afectar su motivación e incluso desencadenar una rotación no deseada.
Por último, las empresas que confían demasiado pronto en los análisis predictivos de soluciones basadas en IA pueden sobrestimar la fiabilidad e integridad de dichos resultados. Como cualquier persona que haya observado inexactitudes generadas por ChatGPT sabe bien, las herramientas de IA dependen en última instancia de la calidad de los datos de entrada. Información defectuosa, antigua o irrelevante puede llevar a evaluaciones y análisis no confiables. Por ello, se recomienda actuar con precaución, especialmente en las primeras etapas de implementación de herramientas de IA que extraen información de fuentes no verificadas en Internet.
