Para optimizar una cadena de suministro, con la recomendación de la inteligencia artificial (IA) el departamento de transporte de una empresa podría elegir una ruta más barata para reducir costos, pero si es menos confiable, entonces el departamento de inventarios tendría que almacenar más productos para prevenir desabastos. Cada área está cumpliendo, pero el resultado global sigue siendo ineficiente.
Aunque los avances tecnológicos y la optimización matemática permiten automatizar decisiones complejas, los mayores obstáculos para implementar esos cambios están relacionados con las decisiones, los procesos organizacionales y la gestión de datos, más que con los algoritmos.
Tradicionalmente, las empresas optimizan por separado sus sistemas de inventarios, transporte, demanda y producción. Aunque cada uno puede funcionar correctamente, las decisiones que toman no necesariamente benefician a toda la organización.
“Gran parte de lo que separa a un buen modelo de un sistema funcional no es el modelo en sí”, dijo Russell Allgor, Chief Supply Chain Scientist de Augur y miembro de la National Academy of Engineering (NAE) durante el evento organizado por el Tec de Monterrey y la NAE.
Durante su conferencia From Fragile to Resilient Automation, Allgor explicó que los mayores desafíos para automatizar las operaciones de una empresa no están necesariamente en la tecnología, sino en cómo las personas se organizan para trabajar.
Los cuatro obstáculos para la automatización
A partir de una investigación del Global Supply Chain Institute, Allgor —quien trabajó durante más de 24 años desarrollando sistemas de toma de decisiones en Amazon— identificó cuatro desafíos principales que impiden aprovechar la IA.
- El primero es la falta de responsabilidades claras. Cuando una decisión involucra a varios departamentos, muchas veces nadie tiene autoridad para tomarla o modificarla.
- El segundo es la información dispersa. Gran parte del conocimiento necesario para operar una empresa permanece en correos electrónicos, hojas de cálculo o en la experiencia de los trabajadores, fuera del alcance de los sistemas automatizados.
- El tercero es la búsqueda de datos perfectos. Las empresas pueden pasar demasiado tiempo intentando corregir toda su información, cuando lo importante es determinar si los datos disponibles son suficientes para tomar buenas decisiones.
- El cuarto es la falta de autoridad para ejecutar decisiones. Un sistema puede encontrar la mejor solución, pero si no tiene permiso para aplicarla, su utilidad es limitada.
“Una vez que el modelo es suficientemente bueno, la autonomía aumenta a medida que la empresa decide delegarle decisiones”, expresó Allgor.
De mejores algoritmos a mejores decisiones
Para demostrarlo, el experto presentó el caso de Fanatics, una empresa de productos deportivos donde los trabajadores intervenían manualmente en el 59% de los pedidos.
Aunque desarrollaron un algoritmo más eficiente, el verdadero avance llegó cuando la empresa definió responsabilidades, incorporó el conocimiento de sus trabajadores y permitió que el sistema modificara determinadas fechas y cantidades.
Actualmente, Fanatics optimiza alrededor de un millón de pedidos cada noche y más del 90% de las asignaciones se realizan sin intervención humana.
El ejemplo demuestra que desarrollar tecnologías más sofisticadas no garantiza mejores resultados. Las organizaciones necesitan establecer responsabilidades claras, compartir información y definir qué decisiones pueden delegar a las máquinas para realmente poder aprovecharlas.
Esto no significa eliminar la participación humana, sino trasladarla hacia decisiones que requieren mayor criterio y supervisión.
Así, el futuro de la automatización no depende únicamente de crear sistemas más inteligentes, sino de construir organizaciones capaces de trabajar con ellos.
“La autonomía se gana y la responsabilidad se asigna”, dijo Allgor.
¿Te interesó esta historia? ¿Quieres publicarla? Contacta a nuestra editora de contenidos para conocer más marianaleonm@tec.mx
