Sin duda, en los últimos años y sobre todo en los últimos meses, hemos sido testigos de cómo distintas herramientas que componen el espectro de la Inteligencia Artificial (IA) han sido altamente disruptivas, no sólo por la gran variedad de aplicaciones posibles, sino también por su capacidad para reemplazar y/o complementar el trabajo del ser humano. Uno de los ejemplos más recientes es ChatGPT, que incluso ha motivado la publicación de una carta de 1000 líderes tecnológicos proponiendo una suspensión temporal de las investigaciones en dicho ámbito del conocimiento.

Si bien el término “Inteligencia Artificial” fue acuñado a mediados del siglo pasado, su evolución y reciente uso explosivo, ha sido consecuencia de diversos factores habilitantes. Entre ellos, la disponibilidad de grandes volúmenes de datos y el incremento exponencial de las capacidades de procesamiento y almacenamiento de datos. Este fenómeno ha impulsado el desarrollo de la Ciencia de Datos y el Machine Learning (ML) como ramas de la IA. Por otra parte, el desarrollo de tecnologías para el reconocimiento de imágenes, procesamiento de lenguaje natural y algoritmos especializados de búsqueda, entre otras, están contribuyendo a conformar este amplio y disruptivo espectro de la IA.

La optimización de las cadenas de suministro no es un campo vedado para la aplicación de algunas técnicas de IA. Al respecto, identificamos dos ámbitos de aplicación. Uno de ellos, es la elaboración de pronósticos de venta haciendo uso de sofisticadas técnicas de predicción basadas en ML. El otro es como un complemento en la planificación de las operaciones de abastecimiento y distribución de productos y la planificación y programación de producción.

Respecto de la elaboración de pronósticos de venta, podemos descomponer el proceso completo en 2 etapas: la primera consiste en generar un forecast estadístico basado en datos históricos (implica limpiar datos históricos atípicos y detectar patrones de tendencia y estacionalidad, entre otros). Y la segunda, en alinear el forecast estadístico con el presupuesto anual y metas de venta. Estas intervenciones normalmente van acompañadas de acciones comerciales dirigidas e incentivos de la fuerza de venta que buscan alcanzar dichos objetivos.

Hasta la fecha, los resultados de nuestro trabajo de investigación aplicada nos permiten aseverar que las técnicas de ML, han demostrado ser superiores a los métodos tradicionales de series de tiempo. Dicha superioridad se manifiesta en la construcción de un forecast estadístico con resultados consistentemente más precisos.

Respecto de la planificación de producción e inventarios, podemos decir que normalmente en las empresas este proceso se entiende como la fijación de coberturas de stock máximos y mínimos.  Sin embargo, detrás de esta aparente simplicidad subyacen aspectos que convierten estos procesos en un desafío no trivial. Algunos de los factores que complejizan estos procesos son: los inevitables errores de pronóstico de la demanda, los cambios imprevisibles en la disponibilidad de recursos productivos (fallas de equipos, ausentismo), la capacidad de producción y el uso de materias primas que son compartidas por varios productos. Como agravante, múltiples otras restricciones operacionales deben satisfacerse en forma conjunta. Adicionalmente, desde el punto de vista gerencial existen trade offs entre los KPI’s de las áreas Comercial, Finanzas y Operaciones (para mejorar uno debemos empeorar otro). Existen miles de combinaciones posibles de nivel de servicio versus capital inmovilizado en inventarios, pero no resulta obvio cuál de esas combinaciones es la mejor para la compañía.

Hoy en día, las empresas que están conscientes de que al ejecutar estos procesos en base a Excel pueden dejar varios miles de dólares “sobre la mesa”, están incorporando la tecnología apropiada. Esta consiste en herramientas computacionales que generan en forma automática planes y programas de producción, abastecimiento y distribución que son factibles, eficientes y optimizan indicadores clave de desempeño.  En la incorporación de dicha tecnología se pueden distinguir dos fases. La primera, consiste en modelar, parametrizar y validar la realidad propia de cada empresa en la herramienta computacional utilizada. Este es un proceso complejo, en el que profesionales especialistas, a través del modelamiento matemático, deben identificar variables, parámetros, y sus relaciones con restricciones y objetivos propios de cada empresa. La segunda fase, consiste en la resolución del modelo matemático construido en la primera fase. En otras palabras, esta es la instancia donde se generan en forma automática los planes de producción, abastecimiento o distribución de productos.  Si bien esta problemática ha sido generalmente cubierta por otro dominio del conocimiento (Investigación de Operaciones), los algoritmos de búsqueda de soluciones desarrollados durante las últimas décadas, en años recientes están siendo complementados y potenciados por técnicas de Inteligencia Artificial. Esta integración permite reducir tiempos de búsqueda y la calidad de las soluciones propuestas.

En síntesis, la IA provee herramientas útiles para complementar las metodologías tradicionales utilizadas en la elaboración de pronósticos y en la planificación y programación de operaciones de la cadena de suministro. Sin embargo, en ninguno de estos casos invalida los algoritmos tradicionales, ni elimina la necesidad del conocimiento humano experto. Lo último es particularmente relevante en el caso de planificación de operaciones de producción, abastecimiento y distribución de productos, porque de no existir un modelamiento matemático apropiado, se corre el riesgo de resolver eficientemente el problema equivocado.