Un sistema que integra Inteligencia Artificial (IA) predictiva, modelos matemáticos de optimización y modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) fue aplicado a la cadena de suministro para servicios de la nube de Microsoft, incrementando entre 20 y 30% la productividad de los trabajadores encargados de planificar la compra y distribución de servidores. Decisiones que antes requerían dos días y medio para tomarse, ahora pueden resolverse casi en tiempo real.
Este es un ejemplo de cómo la IA, los LLMS y los sistemas de agentes ya están ayudando a las empresas a reducir costos, anticipar la demanda de sus productos y tomar mejores decisiones.
Tradicionalmente, los LLMs —como los que usa ChatGPT— se han asociado con tareas como redactar, resumir o analizar textos, pero su capacidad para comprender el lenguaje humano también puede aprovecharse para transformar las operaciones empresariales.
Para David Simchi-Levi, investigador del Massachusetts Institute of Technology (MIT) y Purdue University, estos modelos son excelentes intermediarios entre los trabajadores y los complejos sistemas matemáticos que usan las compañías para tomar decisiones.
“Podemos entrenarlos para traducir el lenguaje de la tecnología al de los planificadores”, dijo Simchi-Levi durante su conferencia plenaria Supply Chain and Business Transformation with AI and Large Language Models en el evento From Resilience to New Opportunities: Building the North American Supply Chain of the Future, organizado por el Tec de Monterrey y la National Academy of Engineering (NAE).
Actualmente, las cadenas de suministro enfrentan desafíos crecientes, como la inestabilidad geopolítica, incertidumbre comercial, escasez de trabajadores y aumento de costos de materiales, energía y transporte.
Estos problemas obligan a las compañías a buscar mayor eficiencia, resiliencia y productividad, a través de tecnologías como estas. Sin embargo, aunque los avances son prometedores, todavía existen obstáculos importantes, como la confiabilidad.
LLMs para explicar decisiones matemáticas complejas
Para mejorar las operaciones de una empresa, un sistema de optimización podría recomendar comprar un producto específico a un proveedor concreto, pero si la persona responsable de compras no entiende el porqué, podría ignorar la recomendación.
Así, los LLMs permiten que los trabajadores hagan preguntas en lenguaje cotidiano y reciban explicaciones comprensibles.
Desde 2017, Simchi-Levi y su equipo han trabajado con empresas de distintas industrias para transformar sus procesos mediante aprendizaje automático, modelos predictivos y optimización matemática. En los últimos años, han incorporado IA generativa para automatizar parte de estos procesos y facilitar su uso.
“Esto conduce a una toma de decisiones rápida y basada en datos, proporciona capacidad de explicación y un proceso interactivo que conduce a la automatización”, explicó el experto.
En Zalando, una empresa europea de comercio electrónico, utilizaron modelos predictivos y optimización para ajustar los precios de aproximadamente seis millones de productos en 23 países y recomendar alternativas cuando se agotan los artículos populares.
En una empresa farmacéutica, los trabajadores comenzaron a seguir más las recomendaciones de la IA cuando el sistema pudo explicarles cómo llegaba a ellas. Su uso aumentó de 22 a 83% y la empresa logró reducir en alrededor de 5% la cantidad de productos que mantenía almacenados.
Estos ejemplos muestran que el potencial de los LLMs no está necesariamente en sustituir las herramientas existentes, sino en hacer que sus recomendaciones sean más fáciles de comprender y utilizar.
Hacia cadenas de suministro autónomas y confiables
El siguiente paso —y el sueño de muchos— sería lograr desarrollar sistemas capaces de tomar decisiones y adaptar sus estrategias sin depender de la intervención humana directa, resultando en cadenas de suministro completamente autónomas.
Para evaluar qué tan cerca estamos de conseguirlo, Simchi-Levi y su equipo desarrollaron una plataforma experimental que compara las decisiones de agentes de IA con las de personas que administran cadenas de suministro simuladas.
Los resultados mostraron que algunos modelos de razonamiento lograron reducir los costos aproximadamente 30% frente a los humanos. Al incorporar un agente coordinador, llamado orquestador, la reducción alcanzó alrededor de 50%.
El problema fue que aunque los agentes obtenían buenos resultados en promedio, sus decisiones podían variar considerablemente incluso cuando enfrentaban las mismas condiciones.
En algunos experimentos, esta inconsistencia aumentaba con el tiempo y se amplificaba entre los distintos eslabones de la cadena de suministro.
“Tenemos una tecnología que funciona bien en promedio, pero que es muy poco confiable”, apuntó Simchi-Levi.
Para mejorar su confiabilidad, los investigadores probaron entrenar los modelos con conocimientos especializados e incorporar restricciones a sus decisiones. Ambas estrategias produjeron mejoras, pero fueron complejas de implementar.
Sus hallazgos sugieren que una IA capaz de tomar decisiones económicamente eficientes todavía no es necesariamente una IA confiable.
El reto para alcanzar la autonomía no consiste solamente en desarrollar modelos más inteligentes, sino en garantizar que sus decisiones sean consistentes, comprensibles y adecuadas incluso cuando cambian las condiciones.
Aunque durante la conferencia no se abordó, el hecho de que sean cada vez más autónomas refuerza preguntas sobre quién debe supervisar sus decisiones y asumir la responsabilidad cuando hay errores.
¿Te interesó esta historia? ¿Quieres publicarla? Contacta a nuestra editora de contenido para más información: marianaleonm@tec.mx
