Una revisión crítica del Gartner Magic Quadrant for Supply Chain Planning Solutions, abril 2025

Por Léon Levinas-Ménard

Última modificación: 5 de abril de 2025

Introducción

El Magic Quadrant (MQ) de Gartner 2024 para Supply Chain Planning Solutions pretende mapear a los principales proveedores de software según la “Completeness of Vision” y la “Ability to Execute”, un formato que lleva una ilusión de objetividad. En la práctica, sin embargo, este MQ nos dice más sobre los propios incentivos de Gartner y el bagaje legacy de la industria que sobre un mérito técnico genuino. Esta revisión crítica adopta una mirada escéptica en busca de la verdad detrás del cuadrante pulido. Analizamos la metodología y estructura del MQ, exponiendo fallos sistémicos – desde dinámicas pay-to-play que distorsionan los rankings, hasta una sobrerrepresentación de proveedores “dinosaurios” de hace décadas. Examinamos el cuadrante de Líderes, señalando vagas afirmaciones de marketing (cifras de ROI infladas, promesas mágicas de AI/ML sin detalles técnicos, automatización de “caja negra”), y resaltamos contradicciones internas en las narrativas de los proveedores (p.ej. alardear de real-time planning mientras también afirman optimizar masivos surtidos – una combinación que es computacionalmente incompatible en la computación del mundo real). A lo largo del texto, recurrimos a un razonamiento técnico profundo y análisis independientes (incluida la investigación de Lokad 2021–2025) para cortar a través del bombo mediático. También destacamos lo que el MQ omite – en particular, las frecuentes implementaciones fallidas de estas mismas soluciones, y la ausencia de proveedores disruptivos y científicamente rigurosos que eligen no jugar el juego de Gartner. El objetivo es un análisis escéptico y exhaustivo que desafíe la visión de Gartner sobre el panorama del software de planificación de la supply chain y equipe a los lectores para ver a través de la simplicidad reconfortante pero engañosa del cuadrante.

La Metodología del Magic Quadrant: Estructura, Sesgos y Pay-to-Play

El MQ de Gartner se presenta como una evaluación imparcial: un gráfico ordenado con dos ejes, “Ability to Execute” (eje y) y “Completeness of Vision” (eje x). En teoría, un proveedor en el codiciado cuadrante superior derecho de “Leaders” tiene tanto una fuerte ejecución como una visión convincente. Sin embargo, el proceso detrás de estos rankings está lejos de ser neutral. En las propias descripciones de Gartner, los criterios incluyen aspectos como las capacidades del producto, la experiencia del cliente, la capacidad de respuesta al mercado, la estrategia, etc. – factores altamente cualitativos que otorgan a los analistas una amplia libertad. Es un secreto a voces en el mundo del software empresarial que las grandes firmas de analistas, como Gartner, operan bajo un modelo pay-to-play, y sus respaldos a menudo reflejan relaciones con los proveedores más que la excelencia del producto ¹. Como lo expresa sin rodeos un FAQ de Lokad, “los proveedores que eligen no participar en las sustanciales interacciones pagadas con Gartner generalmente se ven relegados a posiciones menos favorables o incluso son completamente omitidos.” El resultado es que los Magic Quadrant tienden a funcionar como infomerciales para aquellos que pagan, en lugar de evaluaciones rigurosas – muchos ejecutivos tratan estos rankings “con la misma credibilidad que asignarían a horóscopos casuales” ².

Este sesgo sistémico no es solo una acusación de los competidores; se confirma en la forma en que Gartner conduce sus negocios. Los proveedores invierten fuertemente en relaciones con analistas – comprando servicios de investigación de Gartner, informando a los analistas, comprando derechos de reimpresión – sabiendo muy bien que su posición en el MQ puede mejorar con mayor compromiso. Gartner, por supuesto, niega cualquier quid pro quo, pero incluso si los analistas individuales se esfuerzan por mantener la objetividad, el conflicto de intereses es ineludible. Como observó Joannes Vermorel, hay una “pretensión de neutralidad” en estas evaluaciones de proveedores, pero en realidad “los conflictos de intereses son tan prominentes que no se obtiene neutralidad; lo que se obtiene es pay-to-win.” ³ ⁴ Ningún código de conducta o muro de analistas puede eliminar completamente las sutiles presiones; como señala Vermorel, incluso las personas bien intencionadas muestran sesgos inconscientes cuando intereses comerciales significativos están en juego ⁵ ⁶. En el contexto del MQ, esto significa que los grandes proveedores con grandes presupuestos de marketing y suscripciones a Gartner son sistemáticamente favorecidos. La ausencia de un análisis verdaderamente independiente está incorporada en el modelo – los ingresos de Gartner provienen de las mismas empresas que están siendo “objetivamente” evaluadas.

Visión vs. Ejecución – ¿Quién Define el Éxito?

Los dos ejes del MQ miden ostensiblemente la “Visión” y la “Ejecución” de un proveedor, pero estos conceptos son nebulosos. ¿Qué se considera una visión audaz en el software de planificación de la supply chain? En muchos casos, es lo que los analistas de Gartner han estado escuchando en las presentaciones de los proveedores y en los términos de moda del mercado. Por ejemplo, tener todos los acrónimos de moda en tu hoja de ruta (AI/ML, digital twin, real-time IBS, etc.) marcará la casilla de Visión, independientemente de si tu producto verdaderamente los cumple. A la inversa, un proveedor con un enfoque verdaderamente novedoso podría ser penalizado si no encaja en el molde preconcebido de Gartner sobre “cómo debe ser lo bueno.” La capacidad de Ejecutar a menudo se reduce al tamaño: número de clientes, presencia global, red de socios de implementación – esencialmente un proxy del alcance de marketing y de la ejecución de ventas empresariales, y no de resultados exitosos reales. Esto distorsiona el MQ en contra de las firmas pequeñas e innovadoras tecnológicamente (que podrían tener mejores algoritmos pero menos grandes referencias) y favorece a los incumbentes que tienen grandes bases instaladas, incluso si sus implementaciones a menudo no cumplen con las expectativas.

Crucialmente, la puntuación de Gartner no tiene en cuenta la tasa de éxito en el mundo real de las implementaciones de manera transparente. Un proveedor que vende 100 copias de su software y tiene 80 fallos de 100 aún obtendrá una alta puntuación en “Ability to Execute” por pura fuerza de ventas y presencia, mientras que un proveedor que vende 10 copias y logra el éxito 10 de 10 podría ser considerado de ejecución más débil. La metodología del MQ, por lo tanto, penaliza la calidad en favor de la cantidad. Es revelador que los propios analistas de Gartner admitieron que la adopción por parte de los usuarios de estas soluciones de planificación es abismalmente baja. En la Supply Chain Planning Summit 2024, Pia Orup Lund de Gartner compartió que, en promedio, solo el 32% de los planificadores de una organización típica migró al nuevo herramienta de planning que fue implementada – una tasa de adopción sorprendentemente baja dado los proyectos multimillonarios ⁷. En otras palabras, dos tercios de las implementaciones supuestamente exitosas no logran conquistar a los usuarios, convirtiéndose en software de estantería. Sin embargo, tales resultados apenas afectan la posición del proveedor en el Magic Quadrant, ya que la evaluación de Gartner pasa por alto estos fracasos. El eje de “Ability to Execute” no es una medida de la entrega de valor, sino en gran medida una medida de penetración de mercado y de la resistencia del proveedor. Esto cuestiona la significancia del cuadrante de Líderes: ejecución de nombre solamente, y no en la realidad.

La Falsa Objetividad del Cuadrante

El mismo formato del MQ – un gráfico de cuadrante – confiere un aire de análisis científico, como si los proveedores fueran medidos y ubicados con precisión en un gráfico cartesiano. Esto es engañoso. A diferencia de un gráfico de dispersión basado en datos, las posiciones en un Magic Quadrant son el resultado de discusiones a puerta cerrada, rúbricas de puntuación ponderadas que Gartner no revela completamente, y en última instancia, juicios subjetivos. La simplicidad visual (¿quién está arriba y a la derecha versus abajo y a la izquierda?) enmascara una multitud de elecciones subjetivas. También impone una comparación de talla única que ignora el contexto: un “Líder” para un tipo de empresa podría ser una elección terrible para las necesidades de otro, sin embargo, el MQ seguirá retratándolo como universalmente mejor. Al condensar productos multifacéticos en un solo punto, se pierde la sutileza. Por ejemplo, un proveedor podría tener una solución excelente para forecasting pero una mediocre para production scheduling – ¿cómo se refleja eso en un solo punto X–Y? La respuesta de Gartner es, efectivamente, promediarlo y ponderarlo según los criterios que ellos prefieran ese año. El resultado es un desdibujamiento de distinciones que puede llevar a los lectores a pensar que las diferencias son meramente incrementales. El formato de cuadrante fomenta una interpretación perezosa: “lo superior derecho es lo mejor, lo inferior izquierdo es lo peor”, evitando el arduo trabajo de comprender las compensaciones y las capacidades específicas. Como bromeó Vermorel, “Los Magic Quadrants son, como sugiere el nombre, superstición en su mejor momento, y ciencia falsa en su peor.” ⁸ La severa expresión subraya que el gráfico del cuadrante es más teatro de marketing que una investigación rigurosa.

Vendedores legacy Dominando el Cuadrante de Líderes

Al observar el MQ 2024 para Supply Chain Planning, no se puede evitar notar que el cuadrante de Líderes es, en efecto, un club de exalumnos de vendedores legacy. Kinaxis, Blue Yonder, Oracle, OMP, Logility – estas compañías (o sus nombres predecesores) han existido durante décadas. Kinaxis se fundó en los años 80 (como WebPlan), Blue Yonder data de 1985 (como JDA Software), OMP de los años 70, Logility de los 90, y Oracle es tan antigua como la propia TI moderna. Su presencia continua en la cima podría indicar una excelencia perdurable – o podría indicar que los criterios de Gartner favorecen inherentemente la escala y la longevidad. La historia sugiere lo último. Estos incumbentes alcanzaron la prominencia muchas veces no puramente por tecnología superior, sino a través de adquisiciones agresivas y la expansión de sus portafolios. Blue Yonder es un claro ejemplo: es “el resultado de una larga serie de operaciones de M&A”, que resultaron en “una colección desordenada de productos, la mayoría de ellos anticuados” bajo una misma marca ⁹. El MQ de Gartner aún lista a Blue Yonder como Líder con una “arquitectura de microservicios integral” y una suite completa de extremo a extremo, pasando por alto la realidad de que gran parte de esa suite está ensamblada a partir de herramientas más antiguas. El software empresarial no se unifica mágicamente mediante M&A; la integración es difícil, y el stack de Blue Yonder muestra sus fisuras. El estudio de Lokad sobre proveedores observó que Blue Yonder “destaca el AI” en el marketing, pero las “afirmaciones son vagas y con poco o ningún contenido.” De hecho, las pocas pistas de los materiales técnicos públicos de Blue Yonder (p.ej., algunos proyectos de código abierto) “insinúan enfoques anteriores al 2000” como modelos básicos ARMA para forecast ¹⁰. Así que tenemos a un Líder hypeando “AI” mientras probablemente utiliza técnicas de forecast de más de 20 años bajo el capó. Esto plantea una difícil pregunta: ¿Es Blue Yonder un Líder por mérito técnico, o por el impulso legacy?

Kinaxis y Oracle son también ejemplos instructivos. Kinaxis, reconocida por su plataforma RapidResponse, es de hecho una pionera en cierto modo – introdujo el “concurrent planning” rápido en memoria mucho antes que muchos competidores, y sigue siendo muy popular para Sales & Ops Planning. Pero ella también es una jugadora legacy en proceso de modernización. Históricamente, Kinaxis no ofrecía forecasting estadístico avanzado o ML en su núcleo; los usuarios tenían que importar forecast o usar métodos simples. Hace unos años, Kinaxis reconoció esta brecha y comenzó a incorporar herramientas probabilísticas a través de adquisiciones/alianzas (por ejemplo, adquiriendo Rubikloud para AI forecasting, asociándose con Wahupa para la optimización de inventario) ¹¹ ¹². Estos son movimientos positivos, pero esencialmente Kinaxis está poniéndose al día en capacidades de AI/ML que otros ya tenían, y lo hace integrando módulos separados. Esto plantea cuestiones sobre la coherencia tecnológica – las nuevas características de Kinaxis son “bolt-ons” que “plantean preguntas sobre la coherencia del tech stack” ¹². Queda por verse si estos módulos probabilísticos están profundamente integrados o son simplemente add-ons superficiales para marketing. En la narrativa del MQ, Kinaxis está en la cima debido a su “Ability to Execute” y una década de éxito, pero una auditoría técnica profunda muestra una arquitectura legacy determinista evolucionando hacia un híbrido. Sin mencionar que el propio enfoque en memoria que le da a Kinaxis velocidad también impone límites – los despliegues grandes enfrentan “altos costos de hardware y límites de escalabilidad a medida que crecen los datos (los despliegues grandes requieren una RAM masiva)” ¹³. A esta sutileza le falta la evaluación de “execution” de Gartner. Un planificador que lea el MQ podría pensar que Kinaxis es una apuesta segura debido a su estatus de Líder, sin darse cuenta de que si sus datos de supply chain son enormes, podrían enfrentar muros de costo/rendimiento o necesitar una inversión significativa en hardware para usar las simulaciones en tiempo real de Kinaxis. Estas realidades rara vez salen a la luz en el informe de Gartner.

La inclusión de Oracle como Líder en 2024 es otro reconocimiento a la presencia incumbente. La solución SCP de Oracle es parte de su vasta suite Cloud SCM. Gartner aplaude la “vision for composable architecture” de Oracle y su capacidad para “plan at any level of detail” ¹⁴. Pero eso suena como un folleto – planificar a “cualquier nivel de detalle” suena genial, excepto que los practicantes experimentados saben que planificar con una granularidad extremadamente alta (por ejemplo, a nivel de SKU-tienda con restricciones complejas) no será instantáneo ni siquiera factible si realmente se quiere decir cualquier detalle. Hay una compensación computacional: o agregas para planificar rápidamente, o tomas más tiempo (o más poder de cómputo) para planificar en detalle. Oracle, al igual que otros, está efectivamente implicando que puede lograr lo imposible. Quizás su cloud pueda procesar más que los sistemas más antiguos, pero la afirmación de granularidad completa sin consecuencias desafía la credulidad. Refleja una tendencia general: proveedores legacy rebautizándose como “cloud AI platforms” pero que bajo la superficie aún luchan con limitaciones. Oracle ha adquirido numerosas compañías a lo largo de los años (Demantra para demand planning, G-Log, etc.) e integrado ellas para construir su suite. Hay que reconocer: Oracle ha invertido para modernizarse, pero de nuevo el resumen del MQ no menciona cuántos años y horas de consultoría podría requerir realizar esa visión “composable” en un despliegue del cliente.

También es notable cuáles proveedores legacy no aparecen en los MQ Leaders o en absoluto. SAP, por ejemplo, es solo un Challenger en 2024 (a pesar de ser el gigante ERP con un producto de SCP, IBP). Infor – otro gran actor del ERP que había adquirido empresas como Mercia y Predictix para planificación – está ausente completamente del MQ 2024. ¿Por qué? Posiblemente porque el enfoque de Infor cambió (o eligió no participar en la evaluación de Gartner). El estudio de proveedores de Lokad señaló que Infor adquirió Predictix (un especialista en AI forecasting) en 2016, pero “el forecast angle permaneció como ciudadano de segunda” dentro de la suite de Infor ¹⁵. Las supuestamente avanzadas técnicas de ML de Predictix fueron “deprioritized” y es “dubious that those methods outperform pre-2000 forecasting models”, con las afirmaciones de “AI” de Infor también siendo consideradas dudosas ¹⁶. En resumen, la innovación en planificación de Infor se apagó, por lo que no aparecen en el MQ. Esto es en realidad un punto a favor de la integridad de Gartner – no les importó eliminar un nombre grande cuando se quedó atrás. Pero también subraya cómo las adquisiciones pueden no llevar a ninguna parte: comprar startups de AI no garantiza liderazgo si la empresa central no puede integrar y ejecutar. La sobrerrepresentación de proveedores legacy sugiere que la cuota de mercado pasada y la relación con Gartner a menudo superan la excelencia técnica actual.

Hype vs. Realidad: Afirmaciones Cuestionables en el Cuadrante de Leaders

El blá de marketing en la planificación de supply chain es legendario, y los informes del MQ a menudo reflejan afirmaciones de proveedores que justifican un escepticismo extremo. Un patrón recurrente con Leaders es la presunción de un ROI altísimo y resultados transformadores – usualmente sin evidencia concreta. Por ejemplo, muchos proveedores publicitan cifras como “30% reducción de inventario, 98% nivel de servicio, 90% mejora en productividad” después de implementar su solución. ToolsGroup, ahora un Niche Player pero históricamente frecuentemente citado por analistas, ha anunciado resultados tales como “90+% product availability, 20-30% less inventory, 40-90% reduced workload.” Aunque se presume que estos números han ocurrido para algún cliente en algún lugar, suenan too good to be true in combination. Un análisis de Lokad advirtió que tales estadísticas suelen ser seleccionadas cuidadosamente: “likely come from different clients each hitting one of those high marks, not one client hitting all simultaneously” – nadie debería esperar all esos beneficios a la vez ¹⁷. La realidad implica compensaciones; podrías reducir el inventario en un 20% pero entonces el nivel de servicio podría bajar, o viceversa. Sin embargo, el MQ rara vez incluye tales advertencias al alabar la “ability to deliver value” de un Leader. Tiende a hacer eco de las historias de éxito que proporciona el proveedor. El resultado es una inflación de expectations. Un ejecutivo de supply chain que lea sobre Kinaxis o Blue Yonder en el MQ podría pensar que estas herramientas resolverán problemas automagically y generarán un ROI rápido, cuando en realidad la implementación podría tener dificultades y los beneficios, si los hay, llegar después de largos esfuerzos de gestión del cambio.

Otro ámbito del hype es la precisión en forecasting y la AI. Ahora, cada proveedor afirma tener alguna forma de “AI-powered forecasting” que mejorará drásticamente las predicciones de demanda. Sin embargo, los detalles casi siempre faltan. Los resúmenes de Blue Yonder y Logility mencionan AI/ML, Kinaxis habla de “Planning AI,” etc., pero el resumen de Gartner no exige detalles sobre cómo es diferente o comprobada su AI. Un ejemplo contundente es el concepto de “demand sensing” – una palabra de moda para el uso de datos a muy corto plazo para ajustar los forecasts. ToolsGroup ha usado este término, al igual que otros. Sin embargo, como señaló la investigación de Lokad, “claims about ‘demand sensing’ are unsupported by scientific literature.” ¹⁸ Básicamente es un término de marketing; hay poca evidencia de que lo que los proveedores llaman demand sensing produzca forecasts consistentemente mejores más allá de lo que las buenas estadísticas a corto plazo pueden hacer. De manera similar, un proveedor (John Galt Solutions, un Challenger) se jacta de que un algoritmo propietario “Procast” es más preciso que los de la competencia, pero provides no public proof – de hecho, resulta revelador que este algoritmo estuviera ausente de los primeros puestos de la M5 forecasting competition, donde los métodos open-source sobresalieron ¹⁹. Lo más probable es que la secret sauce de John Galt no supere a referentes como Facebook’s Prophet o los paquetes R de Hyndman en precisión pura, pero el informe del MQ no lo revelaría. Se necesita una investigación independiente para descubrir estas cosas. El eje Vision del MQ tiende a recompensar a los proveedores por hablar sobre AI y analytics, sin importar si sus enfoques son novedosos o estadísticamente sólidos. Considera o9 Solutions: el año pasado (2023) Gartner ubicó a o9 en el cuadrante de Leaders, en parte por la fuerza de su hype como plataforma “digital brain”. Para 2024, o9 pasó a ser Visionary. ¿Qué cambió? Posiblemente Gartner se dio cuenta de que algunas de las grandes afirmaciones de o9 no estaban comprobadas. La inspección de o9 por parte de Lokad encontró que “many of its [AI] claims (for example, that its knowledge graph uniquely improves forecasting) are dubious without scientific backing” ²⁰. De hecho, el análisis de los componentes tecnológicos públicamente visibles de o9 mostró principalmente técnicas estándar, “nothing fundamentally novel enough to justify the grand ‘AI’ branding” ²⁰. Esta es una historia común: marketing outpaces reality. Gartner, para su crédito, finalmente se ajusta (como ocurrió con o9), pero solo después de amplificar inicialmente parte de ese hype al situar al proveedor como Leader. Este cambio también resalta cuán subjetivo es el MQ – un Visionary un año, un Leader al siguiente, y de nuevo Visionary – lo cual no inspira confianza en un proceso estable y basado en criterios.

Una de las afirmaciones más engañosas difundidas entre los proveedores Leader es la idea de “real-time, end-to-end planning.” Esta redacción sugiere que puedes tener un plan verdaderamente sincronizado al minuto en toda tu supply chain, quizá incluso ajustándose automáticamente en real-time. Tanto Kinaxis como Blue Yonder han utilizado lenguaje relacionado con la planificación concurrente o continua; el texto de Gartner para Oracle destaca “planning at any level of detail” y Kinaxis es elogiado por la automatización y la alineación. La contradicción radica en la compensación entre escala y velocidad. Para grandes empresas, “any level of detail” puede significar millones de combinaciones SKU-location, complejas restricciones multinivel, estacionalidad, etc. Lograr un plan óptimo, incluso diario, para ese alcance es una enorme tarea computacional. Hacerlo en real-time (actualizaciones sub-second o instantáneas cada vez que cambian los datos) es prácticamente imposible con los algoritmos y el hardware actuales, a menos que sacrifiques detalle u optimality. Kinaxis aborda esto utilizando una arquitectura in-memory para recalcular rápidamente, pero incluso ellos tienen límites (necesitan una gran cantidad de RAM y simplificar algunos cálculos) ¹³. La plataforma “Luminate” de Blue Yonder habla de un engine de AI y quizá utiliza heurísticas para ajustes rápidos en lugar de una reoptimization completa. Los informes del MQ no reconocen estas realidades técnicas. Permiten a los proveedores tenerlo de ambas maneras: afirmar un análisis integral y granular and una respuesta instantánea. Un ojo crítico debería notar esto como marketing doublethink. Por ejemplo, si un proveedor afirma manejar “real-time planning” y también “attribute-based planning at highly granular levels” (como también señala Gartner para algunos Visionaries) ²¹ ²², uno debería preguntarse: ¿cómo mantienen la velocidad en real-time con tal granularidad? La respuesta probable: no lo hacen, no sin hardware pesado o simplifications. El equipo de Lokad ha señalado que empujar los límites en ambos extremos suele fallar – o el sistema se ralentiza, o silenciosamente pierde la granularidad (por ejemplo, actualiza algunos números agregados en real-time pero no todo). Desafortunadamente, el MQ de Gartner no presiona a los proveedores para resolver estas contradicciones. Se presenta la apariencia de cutting-edge capability, y recae en los usuarios descubrir más tarde que ciertas combinaciones de promesas son inviables.

Black-Box “AI” y Falta de Transparencia

Otro problema con los proveedores del cuadrante Leader es cuánto dependen de soluciones “black-box”. Muchos se jactan de la automatización impulsada por AI en la que el sistema toma decisiones con mínima intervención humana. En teoría, esto es genial – ¿quién no querría un autopilot para supply chain? – pero en la práctica, si la AI es una black box, puede ser peligrosa. Los planificadores tienen décadas de experiencia con software de optimización que es inexplicable; tienden a no confiar en él o produce recomendaciones extrañas que son difíciles de depurar. Blue Yonder, por ejemplo, se ha inclinado fuertemente hacia la AI desde su rebranding (el propio nombre “Blue Yonder” provino de una startup de AI que adquirió). Sin embargo, se publica muy poco sobre cómo funciona su AI, y los usuarios a menudo describen la necesidad de anular o ajustar manualmente los outputs. Léon Levinas-Ménard señaló que el enfoque de Blue Yonder viene acompañado de “black-box AI complexity”, una espada de doble filo ²³. Puede ser sofisticada internamente, pero si es opaca, aumenta la resistencia de los usuarios y el riesgo de errores no detectados. La evaluación de Gartner ofrece casi ninguna perspectiva sobre esto. Un proveedor podría tener un frágil modelo de machine learning bajo el capó, pero mientras tenga algunos clientes de referencia dispuestos a decir que les ayudó, Gartner lo calificará alto. Existe un patrón más amplio de lack of technical transparency: con pocas excepciones, estos proveedores no publican artículos de investigación, no compiten en competiciones de algoritmos open-source (como se mencionó con la ausencia de John Galt en M5, y de modo similar ninguno de los grandes Leaders tuvo entradas destacadas en tales eventos), y no hacen open-source de partes significativas de su software. Operan basándose en la confianza y la marca. El Cuadrante de Gartner perpetúa eso porque no exige evidencia más allá de entrevistas con clientes y demos. Es revelador que un proveedor como ToolsGroup, que históricamente tenía un enfoque más analytical y white-box (con su bien conocido motor de optimización SO99+), sintiera la necesidad de sumarse recientemente a la ola del hype de AI. ToolsGroup comenzó a etiquetar todo como “AI-powered” e introdujo probabilistic forecasting en marketing alrededor de 2018, pero lo hizo de manera torpe – publicitando probabilistic forecasts y aun así jactándose de mejoras en MAPE ²⁴ ²⁵ (¡aunque MAPE, una métrica de error, es meaningless for probabilistic forecasts!). Este tipo de inconsistencia muestra una adopción de buzzwords impulsada por el marketing sin un verdadero entendimiento. La crítica de Lokad fue contundente: las afirmaciones de AI de ToolsGroup eran “dubious” y sus materiales “hint at pre-2000 forecasting models” disfrazados de nuevos ²⁶.

El informe del Gartner MQ reconoce ocasionalmente cuando algo es mayormente vision. Por ejemplo, señala la “vision for AI” de un proveedor como un punto fuerte (p.ej., se menciona la “above-average vision for AI” de Logility después de sus recientes adquisiciones) ²⁷ ²⁸. Pero llamar a la “vision for AI” un punto fuerte esencialmente significa que saben hablar un buen AI game. No es una característica entregada – es un plan o aspiración. Alabar eso en el mismo aliento que las capacidades reales difumina la línea entre la realidad actual y la roadmap futura. Esto nuevamente beneficia a los proveedores: recompensa las slideware y las intenciones anunciadas. Un cliente podría contratar a un Leader pensando que está comprando una solución AI-powered, totalmente automatizada y de real-time planning, solo para descubrir que muchas de esas capacidades están en fase inicial, no comprobadas o requieren proyectos separados para implementarse. El formato de Gartner no diferencia claramente entre funcionalidad probada y features en roadmap en el gráfico del MQ; ambos se incorporan en esa colocación de “Completeness of Vision”. Así, el cuadrante de Leaders tiende a estar lleno de empresas que son great at telling a compelling story sobre el futuro de supply chain (a menudo tomando prestada esa historia de las propias tendencias publicadas por Gartner para ganar favor), sin importar si son las que realmente están realizando ese futuro.

Ignorando lo Feo: Fracasos Omitidos y Luchas en Curso

Un aspecto conspicuamente ausente en el brillante cuadrante de Gartner es el lado oscuro del software empresarial: los proyectos fallidos, los enormes sobrecostos y las implementaciones descartadas. La planificación de supply chain, en particular, tiene una larga historia de despliegues fallidos o poco impresionantes – tanto que muchos profesionales se vuelven cínicos ante cualquier nueva “solution” después de haber sido quemados un par de veces. Sin embargo, si uno lee el informe del MQ, pensaría que todo son historias de éxito y características diferenciadoras. Gartner recopila customer feedback como parte de la investigación del MQ, pero típicamente solo publica un resumen sanitizado de “Strengths” y “Cautions” para cada proveedor. Esas cautions generalmente se expresan de forma suave (“some customers cite usability challenges” o “integration can be complex”). No verás declaraciones contundentes como “Vendor X had multiple project failures in the last year” en un MQ. Ese tipo de verdad, si emerge, viene a través de rumores y foros de usuarios, no de Gartner. El resultado es una asimetría de información: un comprador potencial leyendo el MQ podría no estar al tanto de que, por ejemplo, cierto proveedor Leader tiene reputación de implementaciones de 18 meses que a menudo nunca se ponen en marcha. La omisión de failure rates por parte de Gartner perjudica a la industria, ya que pinta un panorama demasiado optimista.

Considera el “time to value” – un factor absolutamente crítico para cualquier proyecto. ¿Evaluó Gartner cuánto tiempo toma la implementación típica de cada proveedor, o con qué frecuencia entregan a tiempo? Si lo hizo, esa perspectiva no se refleja claramente en el cuadrante. Sabemos de forma anecdótica que algunos de los grandes proveedores de suite (como los proyectos tradicionales de Blue Yonder o SAP) podrían tardar años en implementarse completamente. Mientras tanto, algunos proveedores SaaS más nuevos podrían desplegarse en meses. Pero la Ability to Execute del MQ no lo destaca explícitamente. De hecho, un proveedor más pequeño podría ser tachado de “not scalable for large projects” incluso si en realidad despliegan más rápido, simplemente porque aún no han abordado tantos despliegues globales. El success bias también se asoma: Gartner habla en gran medida con clientes de referencia proporcionados por los proveedores, que generalmente son los más felices. Los muchos clientes insatisfechos o menos exitosos no son ofrecidos proactivamente para entrevistas. Así que la muestra está sesgada hacia casos de éxito.

La frecuencia de implementaciones fallidas es el elefante en la habitación. Varios estudios (incluyendo uno de Gartner en un contexto diferente) han citado tasas de fallo extremadamente altas en iniciativas de grandes tecnologías – e.g., Gartner dijo famosamente que el 85% de los proyectos de AI fallan, y un gran porcentaje de proyectos de tecnología de supply chain rinden por debajo de lo esperado. Un resumen de LinkedIn de la Cumbre Gartner SCP 2024 mencionó que, a pesar de la tecnología moderna de planificación, muchas empresas todavía tienen dificultades y los planificadores no adoptan las herramientas ²⁹ ⁷. Cuando solo el 32% de adopción es el promedio, eso significa que la mayoría de los proyectos no generan el impacto previsto. Sin embargo, el MQ no integra esa métrica en la clasificación de proveedores. De hecho, lo insinúa de forma oblicua: un proveedor con menor “Ability to Execute” podría ser aquel cuyos clientes se quejaron sobre la usabilidad o la complejidad. Pero todo es leer hojas de té. El gráfico del MQ en sí, que muestra algunos puntos más bajos en la escala de ejecución, no te indica que “muchos clientes no lograron poner en marcha este software.” Solo exhibe un punto en la mitad inferior, lo que podría interpretarse erróneamente como que la empresa es pequeña o algo similar, en lugar de una señal de alerta de implementaciones problemáticas. La narrativa de Gartner así evita la rendición de cuentas: los proveedores no son realmente responsables por los resultados en el campo, sino únicamente por vender y tener una bonita hoja de ruta.

Para un público practicante, este es un fallo serio. Esto significa que el MQ no es un predictor confiable del éxito. Un “Líder” podría muy bien llevarte a un embrollo multimillonario de varios años si tu organización no está extremadamente preparada y alineada, y Gartner no lo habría señalado tan claramente. Por el contrario, un proveedor nicho o visionario podría en realidad brindarte un triunfo más rápido, pero la baja clasificación de Gartner podría asustar a tus ejecutivos de considerarlo. Esta dinámica es la razón por la que muchos líderes experimentados de supply chain toman el MQ con algo de escepticismo y se apoyan en las recomendaciones de sus pares y evaluaciones independientes. En palabras de la FAQ de Lokad, “genuine due diligence is best served by examining proven results in live operational contexts”, en lugar de confiar en “un sello de aprobación de una consultoría de paga” ³⁰. El MQ proporciona a lo sumo una lista inicial de proveedores, pero absolutamente debe complementarse con investigaciones externas sobre cómo les ha ido a esos proveedores en empresas similares a la tuya.

Desafiando a los Líderes de Gartner: Estudios de Caso en Tecnología Poco Impresionante

Para fundamentar la crítica, acerquémonos a dos de los aclamados Líderes de 2024 – Kinaxis y Blue Yonder – y examinemos si su posicionamiento en la esquina superior derecha está justificado por sustancia técnica o contradicho por problemas conocidos.

Kinaxis (Líder) – Planificación Concurrente, pero Tarde en AI. Gartner posiciona a Kinaxis como el Líder superior, elogiando su “experiencia de usuario unificada” y automatización. La fortaleza de Kinaxis radica en su motor de planificación responsivo: un modelo en memoria que propaga cambios rápidamente para que puedas realizar simulaciones de escenarios sobre la marcha. Esto es muy útil para S&OP y análisis de what-if. Sin embargo, históricamente Kinaxis no ofrecía advanced forecast o optimización lista para usar. Su planificación se basaba en reglas de forma determinista, confiando en que los planificadores establecieran la lógica de equilibrio entre oferta y demanda. Reconociendo los cambios en la industria, Kinaxis añadió recientemente capacidades de forecast probabilístico y optimización de inventario – pero lo hizo mediante adquirir o asociarse para obtener esas piezas (por ejemplo, el motor Wahupa MEIO, el Rubikloud AI forecast) ¹¹ ³¹. Estas adiciones plantean preguntas: ¿están integradas sin problemas en la plataforma RapidResponse, o son módulos externos chapuceros? Las primeras indicaciones sugieren lo segundo – efectivamente, Kinaxis ahora dispone de “apps” para optimización de inventario y ML forecast que se conectan a su sistema. No es lo mismo que un núcleo analítico unificado casero. Además, la incursión de Kinaxis en AI es bastante reciente. A partir de 2023, comenzó a comercializar “Planning.AI”, lo cual señala que sabe que debe jugar en el terreno de AI, pero ha sido cauteloso en su mensaje – quizá porque reconoce que su profundidad en AI/ML aún se está desarrollando ³² ³³. El análisis de Lokad indicó que Kinaxis no había demostrado públicamente su destreza en forecast probabilístico (sin publicaciones o competencias), por lo que se debe aceptar de buena fe que es efectivo ³⁴. En resumen, Kinaxis merece absolutamente crédito por su concurrencia pionera y sus numerosos clientes satisfechos, pero desde un ángulo puramente técnico, dificilmente es el más avanzado en analítica. Su arquitectura central se está quedando obsoleta – dependiente de mucha RAM y CPU para cálculos rápidos por fuerza bruta – y es recién ahora cuando moderniza su enfoque de forecast que otros adoptaron años antes. Se han oído rumores en comunidades de usuarios acerca de que Kinaxis tiene problemas cuando los conjuntos de datos se vuelven muy grandes o al intentar realizar una planificación detallada más allá de ciertos umbrales (lo cual se alinea con las preocupaciones de RAM/escalabilidad señaladas ¹³). ¿Es entonces Kinaxis verdaderamente el “mejor de los mejores” en software de planificación de supply chain en 2024? ¿O es simplemente el mejor en vender una visión end-to-end y en tener un historial de implementaciones (aunque a un precio y esfuerzo considerables)? El MQ de Gartner lo posiciona rotundamente como el #1, pero una clasificación más crítica podría situar a Kinaxis como muy fuerte en planificación interactiva, pero aún mediocre en forecast algorítmico. La puntuación de eje único del MQ no puede reflejar correctamente esa dicotomía. Así, la posición de Líder de Kinaxis – aunque ganada por el éxito en el mercado – oculta su inicio tardío en AI y los potenciales desafíos de integración que se avecinan.

Blue Yonder (Líder) – Suite Todo-en-Uno o ¿Desorden Misceláneo? La presencia de Blue Yonder como Líder parece casi evidente debido a su largo legado (anteriormente JDA). Gartner cita su “Luminate Platform” y su funcionalidad integral, implicando que lo hace todo: planificación de demanda, planning de supply, optimización de inventario, programación de producción, etc., además de aspectos más nuevos como analítica y microservicios. La promesa es una plataforma integrada end-to-end. La realidad reportada por quienes conocen el producto es diferente. La suite de Blue Yonder es el resultado de muchas adquisiciones a lo largo de las décadas: cuentan con múltiples motores de planificación de demanda (el JDA legado frente al más reciente motor ML de Blue Yonder), múltiples módulos de planning de supply y de cumplimiento, herramientas de reposición en tienda de orígenes diversos, etc. Unificar verdaderamente estos elementos ha sido un desafío para ellos. El estudio de proveedores de Lokad ofreció una reseña mordaz: “bajo el estandarte de BY yace una colección desordenada de productos, la mayoría de ellos anticuados.” ⁹ La integración se da más a nivel de interfaz de usuario y marketing que en un nivel técnico profundo. Por ejemplo, Blue Yonder podría ofrecer un portal común, pero tras bambalinas la planificación de demanda podría operar con una base de código distinta a la del cumplimiento o la programación de producción. Desde la perspectiva del cliente, esto puede significar una experiencia de usuario inconsistente y problemas de sincronización de datos. La descripción del MQ de Gartner no menciona esto en absoluto; retrata a Blue Yonder como una cloud moderna e integrada (se utiliza el término “microservices architecture” ³⁵, que suena muy vanguardista). El escéptico se pregunta: si Blue Yonder realmente realizó una re-arquitectura unificada de microservicios, ¿por qué tuvo que ser adquirida por Panasonic para mantenerse a flote, y por qué aún se comenta que muchos de sus clientes de larga data utilizan versiones on-prem antiguas de módulos JDA? La respuesta es que la transformación está incompleta. El marketing de Blue Yonder también se apoya fuertemente en AI hoy en día, probablemente debido a la influencia de la pequeña Blue Yonder (startup alemana de AI) que adquirieron y luego rebautaron a toda la compañía en su honor. Sin embargo, como se mencionó, sus afirmaciones sobre AI son vagas. Lokad señaló la falta de sustancia y que sus técnicas conocidas eran bastante convencionales ³⁶. En el uso diario, algunos módulos de BY, como el forecast de demanda, están bien, pero no necesariamente superan a paquetes estadísticos comerciales – e incluso a veces resultan peores, dado que se reportan dificultades para lograr que la “AI” supere simples líneas base. Además, se han registrado desafíos de implementación de alto perfil: por ejemplo, grandes minoristas que intentaron implementar la planificación de demanda y cumplimiento de Blue Yonder han experimentado retrasos de varios años y solo un éxito parcial (esto a menudo no es público, pero los internos conocen algunos ejemplos). El MQ de Gartner, por supuesto, no menciona ninguno de estos casos. Blue Yonder permanece en la categoría de Líderes, probablemente sustentada por su amplitud y alcance global (y sí, por su compromiso constante con Gartner y presencia en conversaciones analíticas). Cuestionando la posición de líder de Blue Yonder, se podría decir: si el stack de un proveedor es una mezcla de “tecnología envejecida” y su AI no está comprobada, ¿debería ocupar la esquina superior derecha? El MQ responde que sí, porque pueden ejecutar (tienen muchos socios de servicio, pueden soportar grandes clientes – lo cual es cierto) y cuentan con una visión amplia (es decir, una solución para todo). Esto ilustra el sesgo del MQ: la amplitud y presencia en el mercado triunfan sobre la profundidad o la elegancia. Una empresa que hace 10 cosas a medias superará a una que hace 3 cosas extremadamente bien. Blue Yonder hace muchas cosas, y algunas discutiblemente mal, pero es Líder porque cubre todas las bases y a nadie se le acusa por comprar JDA (para parafrasear un antiguo dicho de IBM). Sin embargo, los equipos de supply chain deberían ser cautelosos – una suite todoterreno puede ser maestra en nada, y la integración de tecnología antigua bajo una nueva interfaz puede crear más complejidad de la que resuelve. El MQ no tiene en cuenta este riesgo.

Estos estudios de caso refuerzan por qué se necesita una lente escéptica. Los Líderes suelen tener credenciales (muchos clientes, listas completas de funcionalidades, grandes equipos) pero también llevan cargas (código antiguo, fracasos pasados, palabrería de marketing). El formato de Gartner generalmente solo observa lo primero. Queda al usuario descubrir lo segundo, que es lo que estamos resaltando aquí.

Los Visionarios y Jugadores de Nicho: ¿Más Señal o Ruido?

Si bien gran parte de nuestro enfoque está en los Líderes y la metodología del MQ, cabe mencionar brevemente los otros cuadrantes: Visionarios, Challengers y Jugadores de Nicho. Paradójicamente, algunos de los proveedores más interesantes residen allí – pero la nomenclatura de Gartner también puede llevar a confusión. Un “Visionario” en términos del MQ significa una alta Completeness of Vision y una menor Ability to Execute. Podría decirse que tiene “buenas ideas, pero no suficiente presencia en el mercado o recursos.” En 2024, el cuadrante de Visionarios incluía a o9 Solutions, GAINSystems, E2open y Dassault Systèmes (DELMIA). Se trata de una mezcla de jugadores relativamente nuevos (o9, GAINS) y de empresas establecidas que no han dominado este segmento (E2open, Dassault). Notablemente, o9 fue degradado de Líder a Visionario ³⁷, y Gartner lo explicó señalando que o9 aún tiene una visión fuerte (sin duda – se comercializa agresivamente con palabras de moda) pero quizá presente problemas de ejecución o la competencia le alcanzó. E2open y Dassault tienen componentes tecnológicos interesantes (E2open tiene un enfoque amplio en supply chain, y Dassault posee Quintiq, que es una poderosa herramienta de optimización). Sin embargo, ninguno de ellos logró alcanzar el nivel de Líder. ¿Por qué? Probablemente porque son o bien más pequeños en participación de mercado SCP (GAINS es un proveedor especializado más pequeño, Quintiq se utiliza a menudo en escenarios de planificación muy hechos a la medida, etc.) o han recibido retroalimentación mixta de los clientes. Cabe destacar que algunos Visionarios o incluso jugadores de Nicho podrían ser la opción correcta para ciertas situaciones. Por ejemplo, GAINS (también conocido como GAINSystems) es muy valorado por su destreza en optimización de inventario y cuenta con clientes muy satisfechos en ciertos sectores – simplemente no es tan grande como los Líderes.

Pero la naturaleza del MQ es enfatizar a los Líderes. Los Visionarios reciben un reconocimiento, pero muchos ejecutivos al leerlo pensarán, “No son Líderes, así que son de segunda línea.” Esto es desafortunado: en algunos casos un Visionario es un Líder en espera que simplemente no ha consolidado su posición en el mercado, o un especialista nicho que elige la profundidad sobre la amplitud. Gartner, al menos, les reconoce, pero de nuevo el formato minimiza su estatura.

El cuadrante de Jugadores de Nicho en 2024 está abarrotado (Adexa, Coupa, ToolsGroup, Slimstock, AIMMS, Blue Ridge). Este cuadrante efectivamente señala “baja visión, baja ejecución” – lo que puede ser una etiqueta condenatoria. Pero dentro de Nicho también hay nuevos entrantes y especialistas que simplemente no encajan en la amplia definición SCP de Gartner. AIMMS, por ejemplo, es un especialista en modelado de supply chain (un kit de herramientas de optimización), y Blue Ridge se centra en la planificación orientada a la distribución. Son de nicho por diseño, atendiendo necesidades particulares, sin aspirar a ser end-to-end. Su ubicación no implica necesariamente que sean malos; simplemente significa que, a los ojos de Gartner, no son lo suficientemente amplios o grandes. Que ToolsGroup figure en Nicho como “nueva adición” ³⁸ es interesante, ya que ToolsGroup fue un proveedor establecido durante años – su ausencia previa pudo deberse a que no participaba. Ahora está incluido, pero Gartner lo ubicó en Nicho con cierto elogio por su visión sobre el manejo de la incertidumbre (probablemente haciendo referencia a su enfoque probabilístico) ³⁹. Se podría argumentar que ToolsGroup tiene una visión real (con su enfoque en forecast probabilístico desde hace años) que la de algunos llamados Visionarios. Pero los criterios de Gartner pueden ser peculiares. La presencia de Coupa como Nicho (tras haber sido Challenger anteriormente) demuestra lo rápido que cambian las fortunas – Coupa adquirió LLamasoft (supply chain design) y luego fue adquirida, y aparentemente su historia SCP no convence; por ello cayó en este cuadrante. El punto común es que la ubicación en los cuadrantes a menudo atrasa o suaviza las turbulencias de la industria. Una empresa puede estar enfrentando dificultades o evolucionando en la realidad, pero en el mundo del MQ se mueve un cuadrante o se queda en una categoría que no refleja completamente su potencial o sus problemas. Es una categorización burda.

La Omisión de los Disruptores: ¿Dónde está Lokad (y los demás)?

Quizás la acusación más contundente del Gartner MQ no sea a quién incluye, sino a quién excluye. En ninguna parte del cuadrante 2024 vemos nombres como Lokad, a pesar de que Lokad es una firma de software de supply chain que, según muchas medidas técnicas, supera en innovación a la mayoría de los incumbentes del MQ. Claro está, Lokad es más pequeña y ha adoptado un enfoque poco convencional (centrándose en el forecast probabilístico, un lenguaje de dominio específico para supply chain, y en una filosofía de “Supply Chain Quantitativa”). Pero consideremos el historial de Lokad: fue pionera en el forecast probabilístico hace una década (muy por delante de Kinaxis, entre otros), y en la competencia M5 de forecasting en 2020 (un benchmark global con cientos de equipos), la metodología de Lokad se ubicó #1 a nivel mundial por SKU (y #6 en general entre 909 equipos) ⁴⁰ ⁴¹ – demostrando esencialmente sus algoritmos en un escenario abierto. La compañía tiene su tecnología documentada abiertamente e incluso imparte supply chain science a través de conferencias en YouTube ⁴². Este tipo de transparencia y logro técnico es raro. Según estándares objetivos, ¿no debería un proveedor como ese calificar al menos como Visionario, si no como Desafiante? La razón de su ausencia es muy simple: Lokad se niega a jugar el juego de Gartner. Lokad ha declarado públicamente que no es suscriptor de Gartner y no invierte en relaciones con analistas, concentrándose en cambio en construir producto y atender a los clientes ⁴³. Como resultado, los analistas de Gartner tienen mínima exposición a Lokad (y quizá incluso un sesgo en su contra, ya que representa un desafío a su narrativa). Los criterios de inclusión del MQ podrían establecer que un proveedor necesita ciertos ingresos o una cantidad determinada de clientes, pero se sospecha que, incluso si Lokad cumpliera esos requisitos, sin pagar a Gartner, permanecería ignorada o subvalorada. Esta ausencia es una señal de alerta para la integridad del MQ. Un cuadrante que afirma cubrir “the most significant SCP solution providers” y sin embargo omite a un jugador conocido por su excelencia técnica y su enfoque único, claramente no lo abarca todo. Y Lokad no está sola – otros actores enfocados en analítica o emergentes (quizás en ámbitos académicos o de código abierto, o especialistas regionales) tampoco figuran.

Se podría argumentar que Gartner no puede incluir a todos, y eso es justo. Pero la omisión de un innovador conocido sugiere un patrón: el MQ es inherentemente conservador. Se demora en reconocer los cambios de paradigma. Es excelente catalogando a los proveedores establecidos y las mejoras incrementales, pero deficiente al admitir cuando un competidor más pequeño tiene una trampa para ratones fundamentalmente mejor. Los clientes de Gartner (grandes empresas) también suelen pedir a Gartner que evalúe únicamente a proveedores establecidos (“we want to see how the usual suspects stack up”). Así, el MQ es tanto un reflejo de las listas de adquisición de grandes empresas como un análisis en sí mismo. Refuerza un ciclo: si no aparece en el MQ, muchos no lo considerarán. La estrategia de Lokad ha sido sortear esto demostrando su valor directamente a los profesionales y mediante medios independientes. Pero, ¿cuántos compradores potenciales podrían nunca enterarse de Lokad porque está ausente de los informes de Gartner? Por eso lo denominamos un sesgo pay-to-play – no en el sentido de un soborno burdo, sino en el sentido de que las reglas del juego favorecen a quienes participan en el ecosistema de Gartner.

Desde un punto de vista orientado a la búsqueda de la verdad, la ausencia de proveedores técnicamente sólidos pero disruptivos como Lokad en el MQ debería hacer que los lectores sean muy cautelosos. Esto significa que la visión “completeness of vision” del MQ podría, en realidad, estar incompleta. También implica que, si tu objetivo es encontrar la solución mejor para tu problema de supply chain, no puedes confiar únicamente en el MQ; debes abarcar un espectro más amplio. Quizás el MQ debería venir con una etiqueta de advertencia: “Enfoques no tradicionales o inconformistas no representados.” En términos científicos, es como si una revisión de investigación excluyera estudios atípicos que obtuvieron resultados revolucionarios simplemente porque no fueron publicados en las revistas habituales. Un cuadrante importante que pretende mapear la innovación y que excluye a uno de los pocos proveedores conocidos por un enfoque radicalmente distinto (programación probabilística, en este caso) es, indudablemente, inválido como mapa de la innovación. Tiene un gran punto ciego.

Conclusión: Un llamado al escepticismo y a un análisis más profundo

El Magic Quadrant de Gartner para Soluciones de Planificación de Supply Chain, edición 2024, se presenta como la guía definitiva para elegir un proveedor de software de planificación. En realidad, es una instantánea altamente subjetiva e influenciada comercialmente que debe leerse con sano escepticismo. Hemos visto cómo la estructura del MQ – sus ejes y elementos visuales – ocultan profundos sesgos: favorecen a los grandes proveedores tradicionales, recompensan el bombo de marketing y las amplias promesas, y pasan por alto factores críticos como el éxito en la implementación y la profundidad técnica. El cuadrante de Líderes, lejos de ser una garantía de calidad, contiene proveedores con deficiencias bien conocidas, desde la dependencia de Kinaxis en el AI añadido hasta la plataforma parcheada de Blue Yonder y las afirmaciones infladas de otros. Las dinámicas pay-to-play de Gartner y la naturaleza “infomercial” de algunos Magic Quadrants implican que las valoraciones de los proveedores pueden correlacionarse tanto con el compromiso con Gartner como con la excelencia del producto ¹. El énfasis excesivo en la visión (a menudo significando palabras de moda) y en la ejecución (a menudo significando la huella en ventas) crea un ranking que está sólo tenuemente conectado a lo que realmente impulsa el éxito en la planificación de supply chain – a saber, una tecnología sólida hecha a la medida de las necesidades del negocio, implementada por personas competentes y adoptada por sus usuarios.

Para una empresa que busca una solución de planificación de supply chain, el MQ puede ser un punto de partida – en él se enlistan muchos actores, y el informe detallado de Gartner (fuera del gráfico del cuadrante) señala algunas fortalezas y debilidades. Pero hay que ir más allá del cuadrante. Considérelo como un insumo más entre muchos, y examine críticamente sus afirmaciones. Pregúntese: ¿Qué no se está diciendo? ¿Qué podría estar sesgado? Investigue reseñas independientes, hable con usuarios reales (no solo con las referencias satisfechas), y considere realizar pilotos o benchmarks. El máximo “trust but verify” se aplica fuertemente – o quizás “mistrust until verified.” Como ya hemos señalado, incluso los propios analistas de Gartner reconocen lo difícil que es lograr el éxito en estos proyectos (con tasas de adopción sorprendentemente bajas en muchos casos) ⁴⁴. Esa realidad debe poner en perspectiva cualquier ranking reluciente del cuadrante.

En última instancia, el mayor valor del Magic Quadrant puede residir en provocar las preguntas correctas en lugar de proporcionar respuestas. Puede alertarte sobre quiénes son los grandes actores y qué afirman. Pero recae en ti el desentrañar el bombo publicitario. Si un proveedor dice “AI-driven real-time planning”, desafíalo a que explique de manera concreta cómo funciona y cómo evita los escollos. Si un Líder nunca ha publicado o demostrado su tecnología, no te fíes de la palabra de Gartner de que es excelente – exige evidencia. Y ten en cuenta el sesgo de confirmación: una vez que un proveedor es etiquetado como Líder, tendemos a racionalizar por qué lo merece. Prueba lo inverso – imagina que no estuviera en el cuadrante, ¿lo incluirías en tu lista corta? A la inversa, imagina que un proveedor de nicho tuviera el peso de marketing de un Líder, ¿su tecnología parecería de repente más viable?

El MQ proporciona una simplificación reconfortante en un dominio complejo, pero gestionar un supply chain no es tan simple como escoger el punto más elevado a la derecha. De hecho, dicho punto podría estar desviándote hacia una solución mejor que se encuentra fuera del gráfico. Los profesionales astutos del supply chain, por lo tanto, utilizarán el MQ de Gartner como una referencia ligera, no como una biblia. Valorarán por qué algunos denominan a estos cuadrantes “fake science” ⁸ y se centrarán en first principles and real evidence. Como aconseja Joannes Vermorel, real-world case studies and proven results deberían prevalecer sobre las valoraciones pagadas ³⁰. En la planificación de supply chain, lo que importa es si el software mejora los niveles de servicio, el inventario, el coste y la agilidad – y si puede mantenerse en tu organización. Eso no surge de un gráfico x-y, sino de una evaluación rigurosa y quizá de un poco de pensamiento adversarial (poniendo a prueba las afirmaciones del proveedor contra escenarios difíciles).

En conclusión, el MQ 2024 de Gartner para la Planificación de Supply Chain, cuando se le despoja de su mística, aparece como una representación conservadora con tintes de marketing del panorama de proveedores. Destaca a los gigantes habituales (con todos sus defectos sin mencionar), incorpora a algunos más pequeños y omite a ciertos verdaderos innovadores. Una revisión en busca máxima de la verdad encuentra que al emperador le quedan pocas ropas: el gráfico del cuadrante oculta más de lo que revela. Siendo escéptico y exigiendo profundidad técnica en lugar de narrativas relucientes, se pueden evitar las trampas del cuadrante. La responsabilidad recae en el comprador de ver más allá de las limitaciones del cuadrante – porque la planificación de supply chain exitosa se basa en la realidad, no en la magia. ² ⁴