Por qué los profesionales tienen razón al ignorar esta visión de la “era AI” para supply chain
Cuando unos cuarenta profesores y figuras de la industria publican una “declaración de visión” para supply chain en la era de AI, se podría esperar algo que ayude a un profesional real de supply chain a tomar mejores decisiones el lunes por la mañana.
El artículo que tengo en mente es Supply Chain Management in the AI Era: A Vision Statement from the Operations Management Community de Maxime Cohen, Tinglong Dai, Georgia Perakis y treinta‑nueve coautores. En su resumen se anuncia que la comunidad de operations management (OM) tiene “un papel y una responsabilidad importantes” no solo en moldear cómo la AI transforma supply chain, sino también en asegurar que las supply chain que respaldan la AI sean sostenibles, resilientes y equitativas. Luego desarrolla un marco de cinco capas —intelligence, execution, strategy, human, infrastructure— y recorre un amplio cuerpo de literatura de OM y AI a través de ese prisma.
Sobre el papel, esto suena auspicioso. En la práctica, es una ilustración casi perfecta de por qué los profesionales de supply chain tienen razón al ignorar la mayor parte de la producción académica en nuestro campo.
En mi reciente libro Introduction to Supply Chain, defino supply chain como el dominio de las opciones bajo incertidumbre en el flujo de bienes físicos y sostengo que, en una economía de mercado, el objetivo práctico de supply chain es elevar la tasa de retorno ajustada por riesgo de cada recurso escaso que toca—capital, capacidad, tiempo, buena voluntad. Todos los deseos habituales—mayores niveles de servicio, tiempos de entrega más cortos, transporte más ecológico, empleados más felices—importan solo en la medida en que contribuyen a la ganancia a largo plazo expresada en hard currency. Supply chain no es filosofía moral; es economía aplicada que sobrevive o perece según la contabilidad.
A la luz de ese criterio, esta “declaración de visión” activa casi todas las señales de alerta que he llegado a desconfiar en la escritura académica sobre supply chain: señalización de virtud supra‑económica, marcos que no inciden en decisiones reales, una nevada de citas autorreferenciales y la creencia persistente de que otra capa de modelado de series temporales más AI moderna de alguna manera redimirá el paradigma de planificación que ya ha fallado a los profesionales durante décadas.
Permítanme desglosar por qué.
Virtudes supra‑económicas y la ética de los balances de otras personas
La frase más reveladora de todo el artículo aparece en el resumen:
“La comunidad de OM tiene un papel y una responsabilidad importantes, no solo en moldear cómo la AI transforma supply chain, sino también en diseñar las supply chain que permiten a la AI para que sean sostenibles, resilientes y equitativas.”
La conclusión repite el mismo trío de virtudes, declarando que OM debería guiarnos hacia supply chain que sean más inteligentes, equitativas y sostenibles.
Observa lo que sucede aquí. Antes de decirnos para qué sirven las supply chain, los autores nos indican qué adjetivos deben satisfacer: sostenibles, resilientes y equitativas. Nunca se establece un objetivo económico explícito. El beneficio, la productividad del capital, el retorno ajustado por riesgo—estos aparecen, si es que aparecen, solo de forma indirecta. El artículo simplemente asume que la eficiencia y la resiliencia flotan junto a un conjunto de objetivos morales favorecidos, y que es deber de la comunidad de OM impulsarlos a todos al mismo tiempo.
En el Capítulo 4.4.5 de mi libro, “Supra‑economic goals”, uso ese término—supra‑economic—precisamente para este patrón: apelaciones a fines que supuestamente tienen mayor peso que las consideraciones monetarias “simples” y que, por lo tanto, justifican pasar por alto la disciplina de los precios, los costos y los costos de oportunidad. A veces el tono es moralista (“la empresa debería promover una agenda social más allá de servir a los clientes”); a veces, apocalíptico (“la catástrofe inminente exige el sacrificio inmediato de la rentabilidad”). En ambos casos, la maniobra es la misma: el cálculo económico se degrada silenciosamente, mientras que la preocupación preferida del autor es elevada por encima de él.
El problema no es que la sostenibilidad o la equidad sean poco importantes. El problema es que la escasez no desaparece solo porque las invoquemos. Cada pallet, hora‑hombre y moneda dedicada a un objetivo se retira de otro. Como lo expreso en el libro: invocar un propósito superior “no disuelve la escasez; simplemente renombra los trade‑offs … no hay alternativa a las ganancias y pérdidas.”
Si las emisiones de carbono importan, deben entrar en el cálculo como costos—mediante precios de carbono, regulaciones, el comportamiento del cliente o el riesgo de marca—para que las decisiones alternativas puedan compararse en una unidad común. Si la equidad importa, debemos decir de quién es la equidad, a qué precio y con qué consecuencias, nuevamente de una manera que pueda reflejarse en las decisiones y ser auditada posteriormente. De lo contrario, simplemente estamos decorando la discusión con adjetivos.
Sin embargo, el artículo de visión de la era AI se contenta con declarar que las supply chain “deben” ser sostenibles y equitativas, sin especificar jamás qué significan operativamente estas palabras, quién las financia y cuánto. En la sección de salud, por ejemplo, se nos dice que las supply chain de distribución deben operar bajo “restricciones estrictas de seguridad y equidad.” En términos éticos, eso resulta tranquilizador; en términos de supply chain, es vacío. ¿Qué tan seguro es “lo suficientemente seguro”? ¿Equidad para qué grupos de pacientes, a qué costo en rendimiento perdido y en comparación con qué alternativas? Sin números, sin precios, sin trade‑offs.
Peor aún, el artículo presenta estos objetivos supra‑económicos como una responsabilidad de la comunidad de OM sobre los balances de otras personas. Una cosa es que un parlamento fije impuestos o estándares de seguridad tras un debate democrático. Es algo muy distinto que los académicos digan a los gerentes que tienen la obligación de diseñar supply chain “equitativas” sin una cuantificación explícita de a quiénes están redistribuyendo y de quién los toman. Lo primero es política; lo segundo es, en el mejor de los casos, paternalismo y, en el peor, una silenciosa invitación a traicionar el deber fiduciario con los accionistas, tenedores de bonos, empleados y clientes que podrían no compartir las mismas prioridades.
Una vez que aceptas que cualquier causa puede reclamar prioridad supra‑económica, no existe un principio limitante. Como señalo en el libro, la historia está llena de empresas que se alinearon entusiastamente con causas que luego se reconocieron como desastrosas—desde contrataciones abiertamente discriminatorias hasta el apoyo caritativo a la eugenesia—armadas en su momento con un impresionante “consenso científico.” En cada caso, el cálculo económico fue subordinado a la retórica supra‑económica; en cada caso, se desperdiciaron recursos que podrían haberse utilizado para servir mejor a los clientes.
La señalización de virtud supra‑económica no es un adorno inofensivo. Es un fallo ético por sí mismo, porque nubla el juicio sobre los trade‑offs mientras se gastan recursos que no le corresponden a los autores asignar. Una “visión” para supply chain que comienza y termina con esa señalización enseña a la siguiente generación de profesionales que deben optimizar en función de adjetivos en lugar de las consecuencias en hard currency que tendrán sus decisiones.
Marcos, capas y la apariencia de profundidad
La segunda señal distintiva de este artículo es su amor por los marcos y las referencias.
Después del resumen, los autores anuncian que estructurarán su discusión en torno a cinco “capas” de interacción entre la AI y la gestión de supply chain: intelligence, execution, strategy, human, and infrastructure. Cada capa recibe su propia sección, y el resto del artículo se organiza en torno a esta clasificación.
No hay nada intrínsecamente incorrecto en la taxonomía. La pregunta siempre es: ¿qué decisiones cambian porque ahora tenemos esta taxonomía en particular en lugar de otra? Si, mañana, redujéramos las cinco capas a tres, o las dividiéramos en ocho, ¿sería diferente una única orden de compra, transferencia o precio? Los autores nunca intentan responder a esto. El marco actúa como un archivador para ideas preexistentes; no se convierte en un instrumento de elección.
Los profesionales ya han visto esta película antes. En Introduction to Supply Chain dedico unas páginas a cómo el “planning” llegó a ser el eslogan de marketing para los sistemas empresariales en los años 90, incluso cuando contenían poco más que forecast de series temporales y fórmulas básicas de stock de seguridad. Los proveedores de ERP, seguidos por los proveedores de APS, reetiquetaron el registro genérico como “integrated planning,” luego “advanced planning,” y, más recientemente, “digital twins” y “control towers.” La terminología cambió; las hojas de cálculo y los flujos de trabajo administrativos subyacentes no lo hicieron.
La arquitectura de cinco capas en este artículo se siente como otro giro de esa rueda. Crea la impresión de profundidad, pero no hay evidencia de que conduzca a decisiones diferentes, a una mejor automatización o a una economía mejorada. Una taxonomía que no altera lo que sucede en el almacén o en la reposición, desde el punto de vista de un profesional, es ornamentación, no progreso.
Lo mismo se aplica a la lista de referencias y a la manera en que se utiliza. El artículo enfatiza que surgió a partir de un “extenso proceso colaborativo” que involucró a 42 investigadores, profesionales y líderes tecnológicos, muchos de los cuales también contribuyen al próximo libro de los autores AI in Supply Chains: Perspectives from Global Thought Leaders. Las referencias luego se inclinan fuertemente hacia ese mismo círculo: múltiples citas de Cohen, Dai, Perakis y sus coautores, así como un grupo de documentos de trabajo recientes y artículos en prensa del equipo de autores.
Nuevamente, no hay nada ilegítimo en citar tu propio trabajo. El problema es que la amplia extensión de la lista se presenta como una especie de prueba en sí misma. A los profesionales se les ofrece un desfile de títulos—“How machine learning will transform supply chain management,” “Using AI to detect panic buying,” “Large language models for supply chain optimization”—sin que se explique cómo desempeña cada una de estas piezas cuando se aplican a datos corporativos de alcance completo y desordenados, que emiten decisiones sin supervisión y se juzgan en función de las ganancias y pérdidas reales.
Si diriges una red de fábricas y almacenes, no te importa cuántos artículos existan sobre un tema. Lo que importa es si existe una receta numérica que puedas aplicar a tus registros, bajo tus limitaciones, que haga que las órdenes de compra, transferencias y precios de mañana sean mejores en términos de efectivo que las de ayer. Para ello, una implementación de campo bien documentada, con resultados económicos completos y limitaciones claras, vale más que una docena de declaraciones de visión y cincuenta citas.
El artículo de la era AI ofrece lo primero solo de manera superficial y anecdótica. Una sección sobre “Optimal Machine Learning” menciona dos estudios de caso de Fortune‑150 donde, supuestamente, una firma consultora mejoró los niveles de servicio y redujo los costos de inventario. Al lector no se le proporciona una línea base, ni un contrafactual, ni detalles sobre el capital total empleado o el perfil de riesgo antes y después. En otros “spotlights” de la industria, se nos dice que JD.com construyó un sólido equipo de análisis y utilizó AI para explicar forecast a la gerencia, o que las organizaciones humanitarias pueden usar AI para un mejor pre‑posicionamiento de stocks. Todo esto podría ser cierto; nada de ello va más allá del nivel de un folleto de marketing.
Desde fuera, parece un circuito cerrado: un círculo de autores que se citan entre sí y a sus estudiantes en apoyo de un marco en el que ya estaban de acuerdo, con la ocasional historia de un profesional salpicada encima. Para los académicos, esto puede ser la forma en que un campo señala actividad. Para los profesionales, indica que nada de esto les ayudará a decidir cuánto comprar la próxima semana.
AI, forecast y el viejo equilibrio de planificación
El núcleo del artículo—la “capa de intelligence”—está dedicado a la AI en sí misma. Aquí, los autores describen cómo el machine learning mejora el forecast, cómo el reinforcement learning puede usarse para el control de inventario, cómo un paradigma emergente llamado “decision‑focused AI” incorpora objetivos de optimización en la función de pérdida, y cómo los large language models (LLMs) podrían proporcionar interfaces en lenguaje natural y “agentic reasoning via chain‑of‑thought” para problemas complejos de supply chain.
Mucho de esto es técnicamente preciso en un sentido reducido. El machine learning puede, en efecto, incorporar muchas características; el reinforcement learning puede, en efecto, aprender políticas en simulación; los LLMs pueden, en efecto, analizar y generar texto alrededor de modelos de optimización. La cuestión no es si estas herramientas existen; es si su uso, tal como se plantea en el artículo, aborda las debilidades estructurales reales del paradigma de planificación en supply chain.
No lo hace.
El forecast es un buen ejemplo. Los autores afirman que el machine learning “mejora la precisión del forecast,” y que las predicciones avanzadas de demanda pueden apoyarse en “cientos de variables dinámicas provenientes de conjuntos de datos internos y externos.” Más adelante, en su discusión sobre decision‑focused AI, reconocen que las metodologías tradicionales de “predict‑then‑optimize” pueden desalinear la predicción y la decisión, y proponen entrenar modelos directamente sobre los costos de las decisiones posteriores.
Todo esto procede como si el problema fundamental del forecast en supply chain fuera la falta de sofisticación en los modelos de series temporales. No lo es.
En el libro, dedico una sección entera a por qué el paradigma de series temporales es estructuralmente inadecuado para las decisiones empresariales. Una serie temporal colapsa un historial de transacciones en una secuencia de números indexados por intervalos de tiempo. Esa representación pierde información de maneras relevantes. Dos estructuras de demanda pueden producir series de ventas semanales idénticas—una en la que mil clientes independientes compran una unidad por semana, y otra en la que una sola gran cuenta compra las mil unidades. En el primer caso, la demanda colapsa lentamente; en el segundo, puede colapsar de la noche a la mañana. La serie temporal semanal no las distingue, pero el riesgo de inventario es radicalmente diferente.
De manera similar, un producto que vende diez unidades por semana podría presentarse en diez canastas pequeñas o en una canasta grande. La serie temporal es idéntica; la posición de stock sensata difiere por un factor de cuatro o más. El forecast de series temporales, por sofisticado que sea, no puede recuperar información que la propia agregación ha destruido. No se trata de añadir más características o redes más profundas; la representación es incorrecta para la decisión.
El artículo nunca se compromete con esta crítica estructural. Simplemente asume, como innumerables artículos anteriores, que un mejor forecast de series temporales es un cuello de botella central en supply chain y que el aprendizaje automático es la respuesta natural. El breve reconocimiento a las pérdidas centradas en decisiones es incremental: los modelos ahora optimizan una función de pérdida más relevante, pero aún se entrenan con el mismo objeto empobrecido.
Peor aún, cuando el artículo toca criterios de decisión específicos, recurre a los sospechosos habituales: service levels e inventory costs. OML es elogiado por “significativamente” mejorar los service levels y reducir los inventory costs en estudios de caso. La cuestión económica subyacente—cuánto capital debería asignarse a qué opciones, bajo qué perfil de riesgo—nunca se formula explícitamente.
En el libro, llamo a las fórmulas de safety‑stock “hazardous stocks” y señalo que proporcionan una prueba de fuego para la incompetencia grosera en supply chain. Estas fórmulas dependen de elegir un service level objetivo—por ejemplo, 95%—y tratar ese porcentaje como si tuviera una conexión intrínseca con el beneficio. No la tiene. El service level es un sustituto para un intercambio en efectivo entre el dolor del faltante de stock y el costo de mantenimiento. A menos que valoremos ambos lados y calculemos explícitamente el intercambio, apuntar a “95%” o “97%” es numerología. Como también comento, el service level se ha convertido en un KPI “escapee” clásico: un proxy que se ha liberado de sus raíces económicas y ahora domina la organización, mientras nadie se ve obligado a establecer precios reales.
El artículo AI Era nunca cuestiona esta cultura de KPI; la AI se integra en ella. Se mejora el forecast; las políticas de inventario pueden ajustarse; los service levels son un poco más altos y el inventario un poco menor—y se nos dice que esto es progreso. No se menciona nada sobre tasas de retorno ajustadas al riesgo, ni sobre cómo se valoran las opciones frente a una limitación de working‑capital, o sobre cómo se juzga el rendimiento del modelo en el límite donde las recomendaciones se escriben de nuevo en el ERP y el dinero realmente se mueve.
El tratamiento de los large language models es otro ejemplo. El artículo sugiere que los LLMs “promise to make advanced planning tools more accessible” y pueden proporcionar interfaces en natural‑language que “democratize access to advanced decision‑making tools.”
En el libro, sostengo que los language models generalmente consumen órdenes de magnitud más en cómputo que algoritmos especializados que realizan el mismo trabajo y es poco probable que sean competitivos para el procesamiento de datos numéricos. Su papel legítimo en supply chain es estrecho: acelerar la redacción y el mantenimiento de recetas numéricas y documentación, y extraer características de texto no estructurado. Usarlos como motores de forecast es explícitamente erróneo: son “ill‑suited to time‑series forecasting—or numerical work of any kind” y tienen un rendimiento deficiente, a un alto costo, en comparación con modelos estadísticos básicos.
El artículo de visión, nuevamente, se inclina hacia la moda: los LLMs se convierten en solucionadores de problemas “agentic” que pueden ayudar a ajustar políticas de reinforcement‑learning y razonar a través de chain‑of‑thought sobre complejas decisiones de supply chain. No se discute en serio la fiabilidad numérica, el costo, ni el punto básico de que los generadores de texto estocásticos son una base muy pobre para compromisos sin supervisión que involucran millones de dólares de inventario.
Despojado de su barniz de AI, lo que el artículo ofrece es el mismo equilibrio de planificación que ha dominado durante décadas: forecasts como series temporales, planes como conjuntos de series temporales, service levels como talismanes y humanos validando los resultados. Se invita a la AI a sentarse en la cima de esta pila como un potenciador, no para desafiar sus premisas.
Por qué los profesionales mirarán (y deberían) hacia otro lado
Nada de esto importaría mucho si el artículo fuera meramente un ejercicio académico. Pero está explícitamente dirigido como una guía para profesionales y educadores. Sus autores concluyen con llamados a investigadores, líderes de la industria y universidades, pidiéndoles que construyan currículos en torno a la colaboración humano‑AI, que desarrollen marcos de gobernanza para despliegues de AI ético, y que diseñen supply chain que potencien la resiliencia, la productividad y el bienestar social.
La dificultad es que el modelo mental subyacente nunca abandona la comodidad de la sala de seminarios.
No se insiste en que las técnicas sean probadas en conjuntos caóticos y completos de datos corporativos, emitiendo decisiones sin supervisión y siendo juzgadas contra una línea base en efectivo. Tampoco se insiste en que las preocupaciones supraeconómicas se traduzcan en precios, regulaciones o riesgos cuantificados antes de permitirles sobrepasar la ganancia. Tampoco se insiste en que los marcos se justifiquen por los cambios concretos que inducen en las emisiones—lo que se compra, mueve y se le asigna precio—y no por la cantidad de diapositivas que pueden llenar.
En el capítulo 6.2 de mi libro, al discutir la inteligencia general y el papel del software en supply chain, señalo que muchos modelos publicados tratan las decisiones de diseño cruciales—objetivo, restricciones, opciones admisibles—como implícitas. Operan dentro de rompecabezas ordenados y acotados, dejando la parte caótica, la parte por la que los empresarios realmente son remunerados, fuera de escena. El remedio es conceptualmente simple, aunque difícil en la práctica: establecer el objetivo económico en términos monetarios, enumerar las opciones admisibles, definir las condiciones de detención y, luego, descomponer el trabajo en subproblemas acotados que las máquinas puedan resolver.
La declaración de visión AI Era no hace eso. Comienza con adjetivos sin precio, acumula una clasificación, repasa una literatura escrita en su mayoría por sus propios autores y sus colegas, y luego pide más de lo mismo bajo la bandera de la AI. Es elocuente, sincera y, para cualquiera que intente gestionar una supply chain, casi completamente irrelevante.
Por eso los profesionales ignoran este tipo de trabajo. No porque sean antiintelectuales, sino porque han aprendido, a menudo de la manera difícil, que los marcos sin funciones objetivo, los forecasts sin una discusión honesta de los límites de representación, la AI sin una medida económica y la ética sin precios convergen todos en el mismo lugar: presentaciones impactantes, proyectos piloto modestos y ninguna mejora duradera en la tasa de retorno del negocio.
Si la academia quiere volver a tener importancia en supply chain, tendrá que invertir el patrón ilustrado tan claramente por este artículo. Empiece con la economía, no con adjetivos. Traduza las preocupaciones—ambientales, sociales o de otro tipo—en trade‑offs explícitos en lugar de lemas morales. Juzgue los modelos por su rendimiento en datos caóticos, bajo restricciones reales, con decisiones sin supervisión y dinero en juego. Acepte que la planificación de series temporales es, para muchos problemas, un callejón sin salida y que la AI no es un fertilizante mágico para un paradigma defectuoso.
Hasta entonces, los profesionales no solo están justificados en ignorar ese tipo de declaraciones de visión. Están actuando con prudencia.
