*Por Darío Monares Ortiz / Co-Founder & Director of Operations, SOPLAI.
Una de las discusiones más frecuentes sobre inteligencia artificial en Supply Chain comienza con el forecast: ¿qué modelo tiene menor error?, ¿una red neuronal supera a un modelo estadístico?, ¿conviene usar variables externas? Son preguntas importantes, pero insuficientes. Una empresa no gana dinero por tener el mejor algoritmo de pronóstico, realmente gana cuando convierte información en mejores decisiones de inventario, compras, producción, capacidad, transporte y servicio.
La encuesta global de riesgo de Supply Chain de McKinsey publicada en 2025 muestra que los casos de uso de inteligencia artificial generativa que más interés despiertan entre los líderes de cadena son precisamente el pronóstico de demanda, la optimización de inventarios y la planeación de suministro. Sin embargo, el mismo estudio señala una brecha relevante entre intención y escala: tres cuartas partes de las compañías se encontraban planeando, diseñando o piloteando casos de IA, mientras solo 19% reportaba despliegues a escala. La dificultad, por tanto, no está únicamente en el algoritmo; está en integrarlo a la forma real en que la organización decide.
Ese punto es crucial para S&OP. Si el modelo genera un forecast más preciso, pero ventas continúa creando un número paralelo, compras mantiene reglas históricas y producción responde a prioridades distintas, el resultado será una organización con más tecnología pero no necesariamente con mejores decisiones.
Lo que la IA sí puede cambiar
La IA y la analítica avanzada son especialmente valiosas cuando el volumen y la velocidad de la información superan la capacidad de revisión manual. Un planeador puede comprender profundamente un negocio, pero no puede evaluar diariamente miles de SKU, múltiples clientes, restricciones de capacidad, promociones, inventarios, lead times y señales externas con el mismo nivel de detalle. Los algoritmos sí pueden procesar esa complejidad de manera consistente y priorizar dónde existe una desviación que merece atención humana.
McKinsey ha documentado casos de planeación autónoma en consumo masivo en los que la combinación de analítica avanzada y machine learning mejoró la precisión del pronóstico entre 10% y 12% a nivel SKU, redujo inventarios de producto terminado entre 6% y 8% y elevó el fill rate entre 3 y 5 puntos porcentuales. Más importante aún, el sistema permitió generar escenarios y recomendaciones para que los equipos comerciales y de operaciones evaluaran alternativas, en lugar de dedicar la mayor parte de su tiempo a construir manualmente la información de partida.
El MIT Center for Transportation & Logistics está investigando una dirección similar desde la colaboración Humano+IA. Su Digital Supply Chain Transformation Lab reporta proyectos de inteligencia colectiva aplicados a planeación de demanda sobre cerca de 1.900 SKU, buscando identificar en qué condiciones la intuición humana agrega valor al algoritmo. En otro proyecto, la incorporación de variables macroeconómicas y señales de redes sociales a un modelo de forecasting produjo una reducción de error de 11,2%. El mensaje no es que exista un modelo universalmente superior, sino que el desempeño mejora cuando se combina capacidad computacional con contexto de negocio.
Te podría interesar: Infraestructura y parques logísticos: Las claves de la logística argentina
Pasar de procesar datos a planear las decisiones
El cambio más relevante no será tecnológico sino organizacional. El trabajo tradicional del planeador suele estar cargado de tareas que agregan poco valor estratégico: consolidar archivos, limpiar bases, copiar información entre sistemas, revisar referencia por referencia, preparar reportes, perseguir explicaciones y ajustar parámetros. Cuando la automatización absorbe una parte importante de esas tareas, el rol puede desplazarse hacia cuatro capacidades de mayor impacto: interpretar excepciones, construir escenarios, facilitar colaboración y traducir decisiones a resultados financieros y de servicio.
Esto no significa eliminar el juicio humano. MIT CTL ha resaltado que muchos de los diseños más útiles son aquellos en los que la máquina ejecuta la rutina y alerta al ser humano cuando aparece una situación anómala, compleja o de alto impacto. En Supply Chain esa lógica es especialmente potente. Un algoritmo puede recalcular pronósticos, inventarios objetivo o necesidades de abastecimiento y el equipo debe entender cuándo una promoción, una restricción regulatoria, el comportamiento de un cliente estratégico o una decisión comercial futura hacen que la recomendación automática deba ser cuestionada.
En la práctica, el mejor planeador del futuro no será quien más rápido actualice una hoja de cálculo. Será quien pueda formular la pregunta correcta, comprender la lógica del modelo, distinguir ruido de señal, coordinar a las áreas involucradas y tomar una decisión trazable. La alfabetización en datos e IA será tan importante como el conocimiento de inventarios, producción o logística.
S&OP debe gobernar las decisiones que la IA ayuda a construir
S&OP sigue siendo indispensable porque la inteligencia artificial no resuelve por sí sola los conflictos de objetivos. Comercial puede buscar crecimiento; Finanzas, caja; Operaciones, estabilidad; y Compras, economías de escala. Un algoritmo puede cuantificar alternativas y simular consecuencias, pero la organización todavía debe definir qué optimiza, qué restricciones acepta y quién asume la decisión.
Por eso, el S&OP habilitado por IA debería evolucionar desde una reunión mensual centrada en explicar el pasado hacia un sistema continuo de decisión. La tecnología puede detectar cambios relevantes entre ciclos, recalcular escenarios y elevar excepciones. El proceso de S&OP debe establecer las políticas, los umbrales y los derechos de decisión. En lugar de revisar todos los SKU, el comité debería concentrarse en los pocos eventos capaces de alterar ventas, margen, servicio, capital de trabajo o capacidad.
Esta idea coincide con el concepto de “orquestación Humano+IA” desarrollado por Kris Johnson Ferreira y Jordan Tong en Harvard Business Review. A partir de investigación de campo en compañías como Walmart, Amazon, Ericsson, Ramp y Medtronic, los autores plantean que el siguiente salto no está en automatizar tareas aisladas, sino en conectar análisis, información y decisiones entre funciones. En ese modelo, la IA procesa información, hace visibles los trade-offs y coordina flujos de trabajo; las personas aportan contexto, conocimiento tácito, establecen límites y conservan la decisión final. Para S&OP, la implicación es directa: la tecnología agrega más valor cuando ayuda a comercial, finanzas, operaciones y abastecimiento a decidir sobre una misma realidad, no cuando crea otra capa de información independiente.
Mi experiencia operacional confirma este principio. En una operación que lideré, la combinación de disciplina S&OP, segmentación, políticas de inventario, cambios profundos en la cultura organizacional y mejores modelos de planeación apoyados por IA permitió reducir el WMAPE de 47% a 31%, disminuir el capital de trabajo en 9,7%, elevar el OTIF de 87% a 95% y mejorar el OEE de 61% a 71%. El aprendizaje no fue que un único algoritmo resolviera el problema, sino que el valor apareció al conectar datos, proceso, responsabilidades y ejecución.
