Por qué los profesionales tienen razón en ignorar esta visión de “AI Era” para supply chain
Cuando unos cuarenta profesores y figuras de la industria publican un “vision statement” para supply chain en la era de AI, uno 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 y nueve coautores. En su resumen se anuncia que la comunidad de operations management (OM) tiene “un rol y una responsabilidad importantes” no solo en moldear cómo AI transforma supply chains, sino también en asegurar que los supply chains detrás de AI sean “sostenibles, resilientes y equitativos.” Luego desarrolla un marco de cinco capas—inteligencia, ejecución, estrategia, humano, infraestructura—y recorre un amplio cuerpo de literatura de OM y AI a través de ese prisma.
En teoría, esto suena auspicioso. En la práctica, es una ilustración casi perfecta de por qué los profesionales de supply chain tienen razón en 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 opciones bajo incertidumbre en el flujo de bienes físicos y argumento que, en una economía de mercado, el objetivo práctico de supply chain es aumentar la tasa de retorno ajustada al riesgo de la empresa en cada recurso escaso que toca—capital, capacidad, tiempo, goodwill. Todos los desiderata 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 el balance.
A juzgar por ese criterio, este “vision statement” marca casi todas las señales de advertencia en las que he llegado a desconfiar en la escritura académica sobre supply chain: señalización de virtud supra-económica, marcos que no impactan decisiones reales, una avalancha 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 oración más reveladora de todo el artículo aparece en el resumen:
“La comunidad de OM tiene un rol y una responsabilidad importantes para liderar en la configuración no solo de cómo AI transforma supply chains, sino también de cómo se diseñan los supply chains que permiten AI para que sean sostenibles, resilientes y equitativos.”
La conclusión repite el mismo trío de virtudes, declarando que OM debería guiarnos hacia supply chains que sean “más resilientes, equitativos y sostenibles.”
Observe lo que ocurre aquí. Antes de decirnos para qué sirven los supply chains, los autores nos indican qué adjetivos deben satisfacer: sostenibles, resilientes, equitativos. Nunca se establece un objetivo económico explícito. La ganancia, la productividad del capital, el retorno ajustado al riesgo—aparecen, en su caso, solo de manera indirecta. El artículo simplemente asume que “eficiencia” y “resiliencia” flotan junto a un conjunto de objetivos morales preferidos, y que es deber de la comunidad OM impulsar todos ellos a la vez.
En el Capítulo 4.4.5 de mi libro, “Supra-economic goals”, utilizo ese término—supra-económico—para referirme precisamente a este patrón: apelaciones a fines que supuestamente tienen mayor rango que las meras consideraciones monetarias y que, por lo tanto, justifican sobrepasar la disciplina de precios, costos y 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 (“una catástrofe inminente demanda el sacrificio inmediato de la rentabilidad”). En ambos casos, la estrategia es la misma: el cálculo económico es silenciosamente relegado, mientras que la preocupación preferida del autor se eleva 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 dedicados a un objetivo se retiran de otro. Como lo expongo en el libro: invocar un propósito superior “no disuelve la escasez; simplemente rebautiza 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, comportamiento del cliente o 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 se pueda reflejar en las decisiones y auditar posteriormente. De lo contrario, solo estamos decorando la discusión con adjetivos.
Sin embargo, el artículo de visión de AI Era se conforma con declarar que los supply chains “deben” ser sostenibles y equitativos, sin especificar operacionalmente qué significan esos términos, quién los paga y cuánto. En la sección de salud, por ejemplo, se nos indica que los supply chains de delivery deben operar bajo “estrictas restricciones de seguridad y equidad.” En términos éticos, eso suena tranquilizador; en términos de supply chain, es vacío. ¿Qué tan seguro es “suficientemente seguro”? ¿Equidad para qué grupos de pacientes, a qué costo en throughput 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. Es una cosa que un parlamento fije impuestos o estándares de seguridad tras un debate democrático. Es otra completamente distinta que los académicos le digan a los gerentes que tienen la obligación de diseñar supply chains “equitativos” sin una cuantificación explícita de a quiénes se está redistribuyendo y desde quién. 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 que se cuenta hacia los accionistas, tenedores de bonos, empleados y clientes que quizás no compartan las mismas prioridades.
Una vez que aceptas que cualquier causa puede reclamar prioridad supra-económica, no hay ningún principio limitante. Como apunto en el libro, la historia está llena de empresas que se alinearon con entusiasmo con causas que más tarde se reconocieron como desastrosas—desde contrataciones abiertamente discriminatorias hasta el apoyo benéfico 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 haber sido utilizados para servir mejor a los clientes.
La señalización de virtud supra-económica no es un adorno inofensivo. Es un fallo ético por sí mismo, ya que nubla el juicio sobre los trade-offs mientras se gastan recursos que no corresponde a los autores asignar. Una “visión” para supply chain que comienza y termina con tal señalización enseña a la próxima generación de profesionales que deben optimizar para adjetivos en lugar de para las consecuencias en hard currency que tendrán sus decisiones.
Marcos, capas y la apariencia de profundidad
La segunda característica de este artículo es su afición por los marcos de referencia y las citas.
Después del resumen, los autores anuncian que estructurarán su discusión en torno a cinco “capas” de interacción entre AI y la gestión de supply chain: inteligencia, ejecución, estrategia, humano e infraestructura. Cada capa obtiene su propia sección, y el resto del artículo se organiza en torno a esta clasificación.
No hay nada intrínsecamente malo con la taxonomía. La pregunta siempre es: ¿qué decisiones cambian debido a que ahora tenemos esta taxonomía particular en lugar de otra? Si, mañana, colapsáramos las cinco capas en tres o las dividiéramos en ocho, ¿sería diferente una sola orden de compra, transferencia o precio? Los autores nunca intentan responder 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 pocas páginas a cómo “planning” se convirtió en la bandera de marketing para los sistemas empresariales en la década de 1990, incluso cuando contenían poco más que forecast de series temporales y fórmulas básicas de safety-stock. Los proveedores de ERP, seguidos por los de APS, rebautizaron el mantenimiento genérico de registros 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 otra vuelta de esa rueda. Crea la impresión de profundidad, pero no hay evidencia de que conduzca a decisiones diferentes, una mejor automatización o una economía mejorada. Una taxonomía que no altera lo que sucede en el piso del almacén o en la ejecución de replenishment, desde el punto de vista de un profesional de supply chain, es un adorno, no progreso.
Lo mismo se aplica a la lista de referencias y la forma en que se utiliza. El artículo enfatiza que surgió de un “extenso proceso colaborativo” que involucró a 42 investigadores, profesionales y líderes en tecnología, muchos de los cuales también contribuyen al próximo libro de los autores AI in Supply Chains: Perspectives from Global Thought Leaders. Las referencias se inclinan fuertemente sobre ese mismo círculo: múltiples citas de Cohen, Dai, Perakis y sus coautores, así como un grupo de working papers recientes y artículos en prensa del equipo de autores.
De nuevo, no hay nada ilegítimo en citar tu propio trabajo. El problema es que la amplitud de la lista se presenta como una especie de evidencia en sí misma. Se ofrece a los profesionales 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 les diga cómo funciona alguna de estas piezas cuando se aplican a datos corporativos de alcance total, con decisiones no supervisadas y siendo evaluadas en base a ganancias y pérdidas reales.
Si diriges una red de fábricas y almacenes, no te importa cuántos artículos existan sobre un tema. Te importa si hay una receta numérica que puedas implementar en tus registros, bajo tus restricciones, que haga que las órdenes de compra, transferencias y precios de mañana sean mejores en términos de efectivo que los de ayer. Para eso, 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 AI Era ofrece lo primero solo de manera anecdótica y superficial. 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, ningún contrafactual ni detalle sobre el capital total empleado o el perfil de riesgo antes y después. En otros “spotlights” de la industria, se nos indica que JD.com construyó un fuerte equipo de analytics y usó AI para explicar forecasts a la gerencia, o que organizaciones humanitarias pueden usar AI para un mejor pre‑posicionamiento de stocks. Todo esto podría ser cierto; nada de ello trasciende al nivel de un folleto de marketing.
Desde afuera, 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 habían estado 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 de supply chain, indica que nada de esto les ayudará a decidir cuánto comprar la próxima semana.
AI, forecast y el viejo equilibrio de planificación
La esencia del artículo—la “capa de inteligencia”—está dedicada a AI misma. Aquí, los autores describen cómo el machine learning mejora el forecast, cómo el reinforcement learning puede aplicarse al 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 correcto en un sentido acotado. El machine learning puede, de hecho, incorporar muchas características; el reinforcement learning puede, de hecho, aprender políticas bajo simulación; los LLMs pueden, de hecho, analizar y generar texto en torno a modelos de optimización. La cuestión no es si estas herramientas existen; es si su uso, tal como se plantea en el artículo, aborda las verdaderas debilidades estructurales 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 forecasting accuracy” y que las predicciones avanzadas de demanda pueden apoyarse en “cientos de variables dinámicas provenientes de conjuntos de datos tanto internos como externos.” Más adelante, en su discusión sobre decision‑focused AI, reconocen que los procesos 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 de supply chain fuera la falta de sofisticación en los modelos de series temporales. No es así.
En el libro, dedico una sección entera a explicar 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 que importan. 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 semanal no los distingue, pero el riesgo de inventario es radicalmente diferente.
De manera similar, un producto que vende diez unidades por semana podría corresponder a diez cestas pequeñas o a una cesta 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 la información que la agregación misma ha destruido. No se trata de añadir más características o redes más profundas; la representación es incorrecta para la decisión.
La ponencia nunca se compromete con esta crítica estructural. Simplemente asume, como innumerables ponencias anteriores, que un mejor time‑series forecasting es un cuello de botella central en supply chain y que el machine learning es la respuesta natural. El breve guiño a las pérdidas centradas en la decisión 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 mejorar “significativamente” 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 decisiva 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 carrying cost. A menos que se valoren ambos lados y se calcule explícitamente el intercambio, apuntar a “95%” o “97%” es numerología. Como también remito, el service level se ha convertido en un KPI clásico “escapee”: un proxy que se ha liberado de sus raíces económicas y ahora manda en la organización, mientras nadie se ve obligado a establecer precios reales.
El artículo AI Era nunca cuestiona esta cultura de KPI; incrusta AI en ella. Se mejora el forecasting; las políticas de inventario pueden ajustarse; los service levels se vuelven un poco más altos y el inventario un poco más bajo—y se nos dice que esto es progreso. No se menciona nada acerca de tasas de retorno ajustadas al riesgo, de cómo se valoran las opciones frente a una restricción de working‑capital, o de cómo se juzga el rendimiento del modelo en el límite donde las recomendaciones se vuelven a escribir 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 “prometen hacer que advanced planning tools sean más accesibles” y pueden proporcionar interfaces en natural‑language que “democratizan el acceso a advanced decision‑making tools.”
En el libro, sostengo que los language models generalmente consumen órdenes de magnitud más de computación que algoritmos especializados que realizan la misma tarea y es poco probable que sean competitivos para el procesamiento de datos numéricos. Su papel legítimo en supply chain es limitado: acelerar la redacción y el mantenimiento de numerical recipes y documentación, y extraer features de texto no estructurado. Usarlos como motores de forecasting es explícitamente un error: son “ill‑suited to time-series forecasting—or numerical work of any kind” y tienen un rendimiento pobre, a alto costo, en comparación con los modelos estadísticos básicos.
El documento 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 supply‑chain decisions. No hay una discusión seria sobre la confiabilidad numérica, el costo, o el punto básico de que los generadores de texto estocásticos son una base muy pobre para compromisos no atendidos que implican millones de dólares de inventario.
Despojado de su barniz AI, lo que el artículo ofrece es el mismo equilibrio de planificación que ha dominado durante décadas: forecasts como time series, planes como conjuntos de time series, service levels como talismanes, humanos validando los resultados. AI es invitado a situarse en la cima de esta pila como un potenciador, no para desafiar sus premisas.
Por qué los profesionales (y deberían) mirar hacia otro lado
Nada de esto importaría mucho si la ponencia fuera simplemente un ejercicio académico. Pero se presenta explícitamente como una guía para practitioners y educadores. Sus autores concluyen con llamados a investigadores, líderes de la industria y universidades, pidiéndoles que construyan currículos en torno a la colaboración human–AI, que desarrollen marcos de gobernanza para despliegues “ethical” de AI, y que diseñen supply chains que realcen la “resilience, productivity, and social welfare.”
La dificultad es que el modelo mental subyacente nunca sale de la comodidad del aula del seminario.
No se insiste en que las técnicas se prueben en conjuntos de datos corporativos de alcance completo y desordenados, generando decisiones no atendidas y siendo evaluadas contra una referencia denominada en efectivo. No se insiste en que las preocupaciones supraeconómicas se traduzcan en precios, regulaciones o riesgos cuantificados antes de que se les permita prevalecer sobre el beneficio. No se insiste en que los marcos se justifiquen por los cambios concretos que inducen en las emisiones—lo que se compra, se mueve y se fija de precio—y no por la cantidad de diapositivas que puedan 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 elecciones de diseño cruciales—objective, constraints, admissible options—as implícitas. Operan dentro de acertijos ordenados y acotados mientras dejan la parte desordenada, la parte por la que los emprendedores realmente cobran, fuera del escenario. El remedio es conceptualmente simple, aunque difícil en la práctica: establecer el objetivo económico en términos monetarios, enumerar las opciones admisibles, definir condiciones de paro, 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, revisa una literatura mayormente escrita por sus propios autores y sus pares, y luego pide más de lo mismo bajo la bandera de AI. Es elocuente, sincera, y, para cualquiera que intente gestionar un supply chain, casi completamente irrelevante.
Por eso los practitioners ignoran este tipo de trabajo. No porque sean anti‑intelectuales, sino porque han aprendido, a menudo de la manera difícil, que los marcos sin objective functions, los forecasts sin una discusión honesta sobre los límites de representación, AI sin una medida económica y la ethics sin precios convergen todos al mismo lugar: presentaciones de diapositivas impresionantes, proyectos piloto modestos, y ningún aumento duradero en la tasa de retorno del negocio.
Si la academia quiere volver a ser relevante en supply chain, tendrá que invertir el patrón ilustrado tan claramente por este artículo. Comience con la economía, no con adjetivos. Traduza las preocupaciones—ambientales, sociales o de otro tipo—a explicit trade‑offs en lugar de consignas morales. Juzgue los modelos por su rendimiento en datos desordenados, bajo restricciones reales, con decisiones no atendidas y dinero en juego. Acepte que la planificación de series temporales es, para muchos problemas, una calle sin salida, y que AI no es un fertilizante mágico para un paradigma defectuoso.
Hasta entonces, los practitioners no solo están justificados al ignorar este tipo de declaraciones de visión. Están siendo prudentes.
