IA Generativa: nuevo aliado de los profesionales de SC

La inteligencia artificial generativa (IAG) se ha extendido drásticamente en muy poco tiempo. Primero, impulsada por la nueva generación de modelos de lenguaje grande (LLM) lanzados a partir de diciembre de 2022 con ChatGPT y los que siguieron a continuación como MS Bing Chat y Google Bard, entre otros. En segundo lugar, por la posibilidad de acceder masivamente a sus facilidades.

 |   3 de octubre del 2023
IA Generativa: nuevo aliado de los profesionales de SC

Foto: Imagen generada mediante un prompt en Leonardo.Ai.

Por: Jorge Aballay (*)

Para los profesionales y expertos de la gestión de la cadena de suministro (SCM), este potencial avance lleva a la necesidad de revaluar los marcos de procesos y aplicaciones prácticas existentes. Ya sean los propios de cada organización o los estandarizados, como por ejemplo el Modelo de Referencia de la Supply Chain (SCOR) o el marco de procesos de APQC Process Classification Framework (PCF) – Cross Industry.

Los modelos de IA se acercan o incluso, según los casos, trascienden las capacidades humanas en áreas como razonamiento aparente, producción de texto, comprensión del punto de vista de otros, y en el análisis de datos.

Te puede interesar: 12 estadísticas sobre implementación de tecnología en la SC

Como es de público conocimiento, la gama completa de capacidades de estos modelos ni siquiera es comprendida en su totalidad por sus creadores. Aun así, la evidencia preliminar sugiere que los modelos de IAG son excepcionalmente poderosos.

Como estudiosos de SCM, debemos preguntarnos:

  • Si estos sistemas son tan capaces como parecen,
  • Cómo cambiarán las cadenas de suministro y la investigación de SCM ante la irrupción de las IAGs.

Sin embargo, por la velocidad de irrupción de las IAGs, Supply Chain Management, como disciplina, va a necesitar de un tiempo no definido aún, para estar preparada a nivel teórico y práctico para esta irrupción.

Muchas empresas y sus profesionales están explorando e implementando las prácticas de transformación digital y de IA para lograr que las cadenas de suministro sean más eficientes. Mientras que otras han estudiado el potencial de los sistemas de inteligencia artificial para mitigar las interrupciones ocasionadas por causas naturales imprevisibles.

Si bien estas perspectivas son valiosas, a futuro será necesario captar y entender el potencial de disrupción que ofrecen las herramientas de IA.

Hay dos razones principales para pensar en esto:

  • Primero, los sistemas de IAGs más capaces son chatbots personalizados. A diferencia de los sistemas tecnológicos de IA anteriores, esta generación no necesita una gran infraestructura de usuario para funcionar. Cualquier persona con conexión a Internet puede comenzar a usar estas herramientas de inmediato, lo que elimina una barrera importante para su adopción.
  • En segundo lugar, la capacidad de los sistemas más avanzados de IAG, se encuentra en un nivel en el que puede ayudar a un profesional en una gran variedad de tareas complejas, intensivas en conocimiento o creativas. Esta capacidad también implica desafíos, ya que corremos el riesgo de depender demasiado de las herramientas de IA y depositar una confianza indebida en los juicios de la IA.

En otras palabras, ahora vivimos en una realidad en la que todas las personas pueden tener acceso al sistema de inteligencia artificial más poderoso.

En este artículo, aventuramos una perspectiva que sirve como vehículo para comprender el rango de posibles irrupciones e impactos en la cadena de suministro provocados por sistemas de IA que son cada vez más capaces.

Tomemos como perspectiva al modelo SCOR, que plantea el desafío de comenzar a pensar sobre la integración de IA en SCM, considerando a la integración como el uso cada vez más extenso de sistemas de IA para llevar a cabo tareas a lo largo de la cadena de suministro.

En concreto, hay que pensar que la integración de la IA en las cadenas de suministro es un proceso estratégico, operativo, tecnológico y sobre todo, social.

Supply Chain Management y el impacto de la IAG

Podemos considerar que los usos previos de diferentes sistemas de IA han girado en torno a la analítica de datos utilizando Big Data y al Aprendizaje Automático (AA) tradicional (ML: Machine Learning), con el fin de lograr ganancias de eficiencia y productividad o mejoras en la calidad de productos y servicios.

Esta última era la perspectiva predominante hasta 2022. Se centraba en cómo se podría implementar la infraestructura de aprendizaje automático para analizar tipos de datos diferentes (números, textos, imágenes) que ayuden a proporcionar resultados y obtener conclusiones.

Los enfoques de aprendizaje automático requieren de una amplia experiencia en arquitectura e inteligencia artificial, y de lenguajes y librerías especializadas. Además, las soluciones de ML requieren de una configuración específica local de las organizaciones y expertos especializados, que puedan entrenar los modelos para lograr resultados útiles y aplicables.

OpenAI lanzó el chatbot conversacional llamado ChatGPT, basado en redes neuronales generativas, capaz de producir texto moderadamente complejo, relacionado con una amplia variedad de temas. Funciona con la arquitectura GPT (IA Generativa) y no analiza la entrada con los enfoques de ML existentes, sino que predice la salida en función de la entrada del usuario. Esto permitió que todos abrieran ChatGPT y chatearan con la IA sobre temas relativamente complejos.

Además, a diferencia de los sistemas de aprendizaje automático clásicos, donde sólo los expertos en inteligencia artificial entendían los sistemas y podían operarlos o entrenarlos, ChatGPT puede generar resultados para cualquier usuario independientemente de su capacitación o antecedentes.

Esta es la primera razón por la que los enfoques comerciales de la IA cambian tan rápidamente: ChatGPT demostró que los sistemas de inteligencia artificial podrían estar disponibles y accesibles para cualquier persona, y no sólo para ingenieros especializados.

Corresponde mencionar que las IAG no reemplazan a los sistemas basados en aprendizaje automático (ver gráfico anterior), sino que amplían el abanico de posibilidades de las herramientas basadas en Inteligencia Artificial.

 IAG en Supply Chain Management: implicaciones prácticas y colaboración interdisciplinaria

Al considerar las implicancias prácticas para las actividades cotidianas de la cadena de suministro, las organizaciones deben prestar atención no sólo a los aspectos técnicos de la adopción de la IA. También a los elementos humanos, como la gestión de las percepciones y reacciones humanas hacia la inteligencia artificial, el fomento de una cultura consciente de la IA y la capacitación para una colaboración eficaz entre máquina y ser humano.

También deben abordarse los problemas éticos y de responsabilidad asociados con la delegación del poder de toma de decisiones a la IA. Se deben considerar, además, los mecanismos de control para evitar su uso indebido y monitorear su comportamiento. Así como el posible desplazamiento laboral y otros problemas sociales que resulten de la integración de la inteligencia artificial.

La irrupción de la IA puede variar entre las cadenas de suministro, lo que requiere un enfoque sistémico para gestionarlas. Esto incluye la creación de sistemas sólidos para monitorear el desempeño de la inteligencia artificial, establecer medidas para mitigar las interrupciones y desarrollar planes de contingencia.

Te puede interesar: Supply Chain 4.0: Datos: ¿Encontrar el tesoro escondido?

La coordinación y la colaboración con otros actores de la cadena de suministro, alineando las estrategias de IA y desarrollando las mejores prácticas compartidas para su integración y gestión, son parte integral de este enfoque.

Lo cual implica consideraciones operativas y prácticas de gestión responsables. Una situación en la que las empresas integren la inteligencia artificial en sus funciones básicas sin considerar cómo hacerlo de manera responsable, constituye un riesgo importante de efectos disruptivos.

El marco de referencia en Supply Chain Management

En los términos más simples, las diferentes formas de integrar la IA generarán diferentes tipos de situaciones, tanto en la teoría como en la práctica.

Por ejemplo, la integración de inteligencia artificial liviana y de nivel superficial en una cadena de suministro es un desafío diferente al de una cadena de suministro que opera con agentes de IA autónomos.

En resumen, el marco de trabajo se estable en dos dimensiones clave:

  • El nivel de integración de la inteligencia artificial en toda la cadena de suministro a nivel de procesos.
  • El papel de la IA en la toma de decisiones a través de la planificación y la orquestación.

Al considerar estas dos dimensiones, se obtiene una perspectiva global de la integración de IA en SCM, capturando los posibles inconvenientes y transformaciones que pueden ocurrir debido a la adopción de la IAG.

Los expertos de Supply Chain Management podrán visualizar mejor la trayectoria de la integración de la inteligencia artificial y su potencial asociado para las implementaciones, a través de la lente de un marco de referencia integral.

Ahí se desarrolla el campo de acción de un modelo teórico diseñado para capturar las complejidades y los matices de la integración de la IA en las cadenas de suministro, y que a su vez facilite contextualizar el potencial disruptivo que depende más de los detalles de la integración de la inteligencia artificial en una cadena de suministro determinada.

(*)Ingeniero, profesor del curso “Aplicaciones de la Inteligencia Artificial Generativa en Supply Chain con Ingeniería de Prompts” en el IEEC.

Nota completa publicada en  Revista Énfasis   edición octubre 2023.

https://www.skynde.com/

Marizú Olivera Orquera

Lic en Comunicación Social, redactora y periodista. Encargada editorial en Énfasis Logística 2021.

Notas relacionadas
Te podría interesar