Libro: Introducción a la supply chain (texto completo)

Extracción sin maquetar del texto completo del libro Introducción a la supply chain (septiembre de 2025), de Joannes Vermorel.
Esta página está destinada a la búsqueda en el texto completo. Para una versión mejor presentada, consulte esta vista previa en inglés.

1 Fundamentos

Toda la diferencia entre un mal economista y uno bueno reside en esto: el primero se detiene en el efecto visible; el segundo tiene en cuenta tanto el efecto que se ve como los que deben preverse. Esta diferencia es inmensa [..] el mal economista persigue un pequeño bien presente al que seguirá un gran mal futuro, mientras que el verdadero economista busca un gran bien futuro a riesgo de una leve dificultad presente. What is Seen and What is Not Seen (1850), Frédéric Bastiat

La supply chain es una abstracción: una herramienta intelectual que coordina los esfuerzos de muchos para entregar bienes físicos de forma económica y fiable. Este instrumento se concibió para dominar la increíble complejidad que entraña nuestra civilización industrializada. La supply chain no se puede ver ni tocar. Las fábricas, los almacenes, los buques y los camiones, por visibles que sean, no son la supply chain. La supply chain reside en la red de expectativas que vincula esos activos. La supply chain es una intención, no una cosa.

En las dos últimas décadas, la automatización se ha convertido en una preocupación central para la supply chain. Si el siglo XX fue el de la mecanización del trabajo físico, el XXI es decididamente el de la mecanización del trabajo intelectual. La complejidad que rodea a la mayoría de las grandes supply chains ya supera con creces lo que pueden gestionar incluso los responsables más diligentes. Por ello, la supply chain debe abordarse y entenderse de maneras que aprovechen al máximo lo que ofrecen los ordenadores modernos.

Abordar la supply chain es una tarea ardua. Es a la vez abstracta —exige reflexionar sobre conceptos como el tiempo o la naturaleza humana— y concreta: requiere prestar atención a detalles cotidianos como el tonelaje máximo de un contenedor o los días festivos nacionales. Lo más difícil, como señaló acertadamente Bastiat, es la capacidad de imaginar lo que no puede verse, sino solo preverse. En efecto, la conexión entre la economía y la supply chain es profunda.

Necesitamos, por tanto, una definición precisa de supply chain: una base que guíe los capítulos siguientes.

La supply chain es tanto un campo de estudio como una práctica empresarial. El campo de estudio es descriptivo: describe el flujo de bienes físicos al descubrir sus principios y propiedades intrínsecos. El objetivo es desarrollar una teoría predictiva que evalúe las consecuencias, tanto inmediatas como a largo plazo, de cada factor que influye en ese flujo. Algunas palancas, como emitir un pedido de compra a un proveedor, están bajo el control de la empresa; otras, como recibir un pedido de compra de un cliente, no. En última instancia, estas consecuencias determinan la rentabilidad de la empresa a largo plazo.

La práctica empresarial es prescriptiva. Busca diseñar la organización y los métodos más adecuados para orientar el flujo de bienes físicos dentro de la empresa y, potencialmente, fuera de ella. El objetivo es identificar las perspectivas, herramientas y prácticas generalmente consideradas deseables para mejorar las supply chains. A la inversa, las prácticas generalmente perjudiciales para la rentabilidad deben reconocerse como tales. Naturalmente, el enfoque prescriptivo se fundamenta en el análisis descriptivo: comprender las consecuencias de las decisiones debe guiar a la empresa hacia mejores elecciones.

1.1 Decisiones

Una decisión asigna un recurso escaso a un fin concreto y, con ello, excluye alternativas que antes estaban disponibles. Por ejemplo, si una empresa gasta dinero en comprar una unidad adicional de un producto, ese dinero ya no puede destinarse a ningún otro uso. Con el tiempo, la empresa necesitará fondos para nuevas compras, que quizá recupere al desprenderse del producto adquirido anteriormente o destinarlo a otro uso. Por ahora, el dinero sigue comprometido como resultado de la decisión. Las decisiones de supply chain son el subconjunto de decisiones económicas que conciernen al flujo de bienes; muchas elecciones económicas no implican flujo alguno de este tipo.

Todos los recursos son escasos, no solo el dinero. Las existencias son otro recurso fundamental en la supply chain. Por ejemplo, si una unidad del almacén se envía a una tienda, no puede enviarse a ninguna otra. Más adelante, la empresa podría reponer ese mismo producto en el almacén o incluso devolver la unidad original desde la tienda. Sin embargo, al menos por ahora, esa unidad de inventario está comprometida como resultado de la decisión.

Las decisiones de fijación de precios también desempeñan un papel fundamental en la supply chain. Fijar el precio de un producto establece una condición de mercado para su intercambio y, en la práctica, excluye otras opciones de precio para esa venta. Aunque la demanda del mercado siempre entraña incertidumbre, el precio elegido comunica la valoración que hace la empresa de sus existencias. Con el tiempo, las empresas pueden ajustar sus estrategias de precios para las ventas posteriores en respuesta a las señales del mercado.

Cualquier acción deliberada que altere qué se mueve, adónde, cuándo o en qué cantidad es una decisión de supply chain. Emitir un pedido de compra, programar un camión, asignar un contenedor entrante a un almacén en vez de a un centro de cross-docking o rebajar el precio de un artículo de baja rotación son acciones que modifican el flujo material dentro de los plazos operativos; por tanto, pertenecen de pleno al ámbito de la supply chain.

Por el contrario, las iniciativas cuya influencia es solo remota —financiar I+D básica, encargar una campaña publicitaria, explorar un nuevo territorio— pueden acabar afectando al flujo, pero lo hacen a través de varios pasos intermedios. Su relevancia es estratégica, no operativa, y por eso quedan fuera del ámbito que se aborda aquí. En la práctica, el límite es nítido: de los cientos de palancas que un planificador maneja cada semana, solo unas pocas se resisten a una clasificación inmediata y, en esos casos excepcionales, la etiqueta —supply chain o no— tiene un efecto insignificante sobre la rentabilidad.

Lo que suele impedir que esto se reconozca no es una dificultad analítica, sino la tradición empresarial. Durante décadas, las empresas han clasificado determinadas palancas —precios, merchandising, elección del surtido— como dominio exclusivo del marketing o las ventas y, con ello, las han desterrado de las conversaciones sobre supply chain. Sin embargo, esas mismas palancas moldean la demanda y, por extensión, todos los movimientos posteriores de bienes. En las páginas siguientes se tratarán allí donde las sitúa la lógica: plenamente dentro del perímetro de la supply chain.

1.2 Opcionalidad

Una decisión se toma entre opciones que compiten entre sí. Sin embargo, una empresa no tiene garantizado disponer de varias opciones. Por ejemplo, si solo ha identificado un proveedor para un producto, sus elecciones se limitan a seleccionar la fecha y la cantidad del pedido a ese proveedor. Si este resulta demasiado poco fiable o caro, la empresa puede verse obligada a dejar de hacer pedidos, probablemente con la consiguiente frustración tanto para ella como para sus clientes. Por tanto, cultivar opciones favorables es crucial. La opcionalidad es vital porque toda previsión que elabore una empresa entraña una incertidumbre irreductible, con independencia de la tecnología utilizada.

Las opciones de supply chain están limitadas por la capacidad —y, por extensión, el coste— que requiere establecerlas. La atención de la dirección, y la atención de la organización en general, es otro recurso escaso que debe asignarse con cuidado. Es preferible contar con varios proveedores fiables, pero para poder hacerles pedidos a tiempo hay que identificarlos, evaluarlos y contratar con ellos. Según las circunstancias, puede ser mejor invertir esa atención en profundizar la relación con el proveedor actual, que quizá sea también el mejor.

Considerar las opciones no utilizadas como meros gastos generales que la dirección debe recortar es ingenuo y equivocado. Puede haber casos en los que una empresa invierta demasiado en opcionalidad y obtenga rendimientos decrecientes cuando las opciones adicionales no aporten beneficios proporcionales. No obstante, esas inversiones excesivas son infrecuentes, aunque mantener opciones pueda parecer costoso a quienes observan desde fuera.

Numerosas opciones son evidentes, pero muchas se descartan a efectos prácticos. Esto ocurre siempre que no pueden evaluarse con facilidad. Por ejemplo, una red minorista con muchas tiendas puede reconocer oportunidades ocasionales de reequilibrar las existencias seleccionando una ruta óptima para que un camión cargue y descargue mercancías sucesivamente. Sin embargo, si ese reequilibrio debe planificarse a mano —o con herramientas genéricas poco adecuadas para la tarea—, la explosión combinatoria desborda rápidamente a las personas y las hojas de cálculo. Sin un software de optimización específico capaz de examinar millones de permutaciones de rutas en segundos, esta clase de opciones se descarta discretamente por ser «demasiado compleja» y nunca llega a considerarse al tomar decisiones.

Más a menudo, las opciones se evalúan solo de manera intermitente, en gran medida por la limitada atención o las limitadas herramientas de la empresa. Por ejemplo, una empresa puede hacer pedidos a un proveedor solo una vez por semana, no porque los ciclos semanales tengan limitaciones o ventajas intrínsecas, sino simplemente porque preparar pedidos diarios llevaría demasiado tiempo. Una evaluación diaria no significa que se haga un pedido todos los días; significa que la opción de pedir se examina a diario, aunque la mayoría de los días no se haga ningún pedido.

1.3 Bienes físicos

La supply chain se ocupa del flujo de bienes físicos. Si se eliminan los bienes, lo que queda es poco más que finanzas y compraventa. El oficio se desarrolla en tres movimientos recurrentes: primero, el dinero se convierte en bienes —unidades de inventario compradas a proveedores—; después, esos bienes se procesan —se inspeccionan, almacenan, transportan o transforman—; por último, los bienes vuelven a convertirse en dinero, ya sea mediante su venta directa o mediante su consumo en la producción de otros productos y servicios.

El proceso está concebido para repetirse indefinidamente, aunque nunca exactamente de la misma manera, ya que todos los aspectos del flujo cambian con el tiempo. Solo la existencia del flujo permanece constante, y perdura mientras exista la empresa.

Los bienes físicos imponen restricciones que no pueden eludirse. Toda acción que los involucra —comprarlos, moverlos, transformarlos— consume efectivo, pero toda inacción —conservarlos, esperar, almacenarlos— también impone un coste implícito. Se gasta dinero tanto si los bienes fluyen como si permanecen inmóviles; el único margen de maniobra consiste en elegir la combinación de acciones e inacciones que minimice el coste total y preserve la opcionalidad. Estas realidades permanecen invisibles cuando los bienes se reducen a apuntes electrónicos en los sistemas modernos de negociación. El operador de alta frecuencia que negocia cobre no tiene por qué preocuparse de dónde se encuentra el metal, cómo se protege de la oxidación o del robo, o si respeta el límite de peso bruto de un contenedor de veinte pies. El profesional de supply chain, en cambio, debe lidiar con cada una de estas restricciones, y el mercado recompensa a las empresas que dominan tanto los costes explícitos de actuar como los costes implícitos de no hacerlo.

La manipulación de bienes físicos está limitada por la materia, la energía, el espacio y el tiempo. Los cajones no pueden atravesar las paredes, los palés no pueden superar la capacidad de elevación de sus carretillas, y un buque que zarpó ayer de Shanghái no atracará mañana en Róterdam. En cambio, la capa de información que dirige esos movimientos es, a efectos prácticos, elástica: un portátil corriente puede explorar millones de permutaciones por segundo, y un modesto clúster en la nube puede manejar miles de millones.

Elástica no significa trivial. Convertir datos brutos en conocimiento que permita actuar es endiabladamente difícil: el ruido, la ambigüedad y el mero volumen se alían para enturbiar el panorama. Sin embargo, cada minuto que un planificador pasa esperando a que se actualice un informe y cada lote de reposición retrasado por «limitaciones del sistema» delatan un fallo de diseño. El cuello de botella debería estar en el acero y el diésel, no en una consulta SQL.

Los tiempos ilustran claramente este punto. Un algoritmo que calcula recomendaciones de compra para mil SKU en cincuenta milisegundos es instantáneo frente a las dos semanas necesarias para fabricar los bienes y las seis semanas necesarias para que crucen un océano por mar. En comparación con los átomos, los bits se mueven a la velocidad de la luz; toda latencia de decisión que resulte considerable frente al tiempo físico de entrega es un despilfarro innecesario.

La escala cuenta la misma historia. Enumerar diez millones de cajas cuesta unos céntimos en almacenamiento y milisegundos de CPU. Alojar esas cajas exige hectáreas de estanterías, flotas de cintas transportadoras y ejércitos de operarios. Cuando un proyecto se declara «bloqueado por el volumen de datos», el remedio nunca son más carretillas; siempre es un mejor modelado de datos y un software más ligero.

En suma, el factor limitante de una supply chain bien gestionada debería ser la propia realidad: metros cúbicos, kilovatios, días naturales. Siempre que el estrangulamiento se sitúe en la cabina digital —paneles que se bloquean, optimizadores que agotan su tiempo de ejecución, planificadores que «no pueden ver» las opciones—, la dirección habrá localizado una oportunidad al alcance de la mano. Eliminar la fricción en las decisiones no es un retoque cosmético; es la principal palanca mediante la cual la informática moderna extrae más rendimiento de los mismos recursos escasos.

1.4 Variabilidad

Cada decisión de supply chain es una apuesta sobre el estado de la empresa y de su mercado en el momento en que los bienes finalmente se muevan. Puesto que desplazar o transformar átomos siempre lleva tiempo —a veces horas, a menudo días—, la decisión debe proyectarse hacia un futuro fundamentalmente incierto. Ese futuro puede reflejar las hipótesis actuales o apartarse radicalmente de ellas y convertir un plan cuidadosamente elaborado en una pérdida o, con igual facilidad, en una ganancia inesperada.

Por ejemplo, cuando una empresa hace un pedido a un proveedor de ultramar, debe afrontar múltiples incertidumbres. Los retrasos de producción y transporte son intrínsecamente impredecibles, pues ni el fabricante ni el transportista son completamente fiables. Además, la cantidad de mercancía recibida podría reducirse debido a daños fortuitos durante el transporte. Por último, la disposición futura de los clientes a pagar por esos bienes sigue siendo incierta, algo que se complica aún más por la falta de influencia de la empresa sobre las estrategias de precios de sus competidores durante y después de la entrega.

Una breve comparación entre el proceso de fabricación aislado y la supply chain en su conjunto aclara la naturaleza de la variabilidad. En la fábrica, cualquier desviación del espesor nominal de una chapa de acero, de la pureza de un reactivo o de la sincronización de un brazo de recogida y colocación es un defecto. La variabilidad es un enemigo al que siempre se puede vencer —a un precio—, y ese precio sigue bajando a medida que los sensores, actuadores y algoritmos acercan el control cada vez más a la escala atómica; la industria de los semiconductores es prueba suficiente. Con suficiente capital, la dispersión residual en torno a la media objetivo puede reducirse tanto como se desee. En la supply chain, la situación se invierte: la demanda, los plazos operativos, la fiabilidad de los proveedores y los movimientos de la competencia son el resultado de innumerables agentes independientes cuyo comportamiento no puede eliminarse mediante la ingeniería. Ninguna cantidad de dinero puede comprar un futuro determinista. La única postura racional es contar con la variabilidad, cultivar opciones y diseñar decisiones que conviertan la incertidumbre en beneficios en lugar de pérdidas.

En efecto, las supply chains están expuestas al mundo exterior a una escala que supera con mucho la de un entorno de fabricación cerrado. Ninguna empresa puede protegerse por completo de las fuerzas externas, ya procedan de clientes, proveedores, organismos reguladores, fuerzas armadas o competidores. Además de los factores de origen humano, los fenómenos naturales —como las tormentas de nieve, las inundaciones, los incendios forestales, los tsunamis, los terremotos y las pandemias— siguen perturbando las supply chains, aunque, por fortuna, el coste humano de tales catástrofes ha disminuido notablemente durante el último siglo.

A diferencia de lo que ocurre en un proceso de fabricación, donde la variabilidad tiene invariablemente un efecto neto negativo, la variabilidad en la supply chain puede transformarse a menudo en una ventaja competitiva. Pensemos en un productor de agua embotellada que instala deliberadamente una capacidad de llenado muy superior a su demanda media. La mayor parte del tiempo, las líneas adicionales permanecen inactivas; sin embargo, cuando llega una ola de calor —un episodio que solo se repite unos pocos veranos por década—, la empresa puede aumentar bruscamente la producción de la noche a la mañana mientras sus competidores racionan las existencias. El aumento transitorio del volumen, unido al sobreprecio que los consumidores pagan de buen grado bajo temperaturas sofocantes, compensa con creces ese acero inactivo. Aquí, el exceso de capacidad es una opción comprada por adelantado precisamente para rentabilizar el clima extremo: un ejemplo de manual de cómo convertir la variabilidad en beneficios.

En suma, siempre que la variabilidad trae riesgos, abre simultáneamente oportunidades. De hecho, los riesgos y las oportunidades revelan más sobre los intereses particulares de quien observa que sobre su naturaleza intrínseca. Los operadores turísticos que organizan viajes al Etna tienen un interés particular en que el volcán siga activo. Para ellos, a diferencia de los habitantes de la antigua Pompeya, un volcán activo no es un desastre, sino una fuente crucial de ingresos.

1.5 Dominio

Dominar una supply chain significa cultivar opciones favorables y comprometer los recursos justos para seguir siendo rentable hoy y resiliente mañana. Ese dominio nunca es la hazaña de un planificador solitario; cristaliza mediante el trabajo coordinado de muchas disciplinas que actúan de concierto.

Incluso en organizaciones bien coordinadas, cinco rasgos persistentes hacen que las supply chains sigan siendo difíciles de dominar: la intangibilidad, la mediación, la complejidad, la conectividad y su carácter intrincado. Las páginas siguientes examinan cada rasgo por turnos y muestran cómo puede transformarse de obstáculo en palanca de ventaja competitiva.

Todos los activos visibles —fábricas, camiones, palés, incluso personas— importan a la supply chain únicamente por la intención que los anima. La supply chain es, por tanto, fundamentalmente intangible: un conjunto de expectativas sobre futuros intercambios de bienes, dinero y servicios.

Pensemos en una sola botella de leche sobre el estante de un supermercado. Por tangible que sea, su presencia solo se justifica por dos apuestas que se superponen. El minorista apuesta a que un cliente comprará la botella antes de que se estropee; el cliente apuesta a que el minorista mantendrá el estante abastecido. Estas apuestas permanecen silenciosas cuando tienen éxito y solo se vuelven dolorosamente audibles cuando fracasan: cuando la leche caduca o el estante está vacío.

Esta intangibilidad es el primer obstáculo para el dominio. Las expectativas nunca aparecen en un balance; deben inferirse de sus síntomas: faltantes de stock, excesos de existencias, desviaciones de los plazos operativos, erosión de los márgenes. Al igual que los economistas, los profesionales de supply chain avanzan sacando a la luz las hipótesis latentes que se esconden en cada MOQ, cada ciclo de reposición y cada calendario promocional. El dominio solo comienza cuando esas hipótesis se explicitan, se cuantifican y se cuestionan.

Las supply chains modernas no pueden observarse directamente; todo lo que se alcanza a ver está mediado por registros de software. Lo que los planificadores leen como existencias físicamente presentes, pedidos de compra abiertos o cantidades en tránsito es solo una representación digital, ensamblada por un conjunto de aplicaciones construido por partes a lo largo de décadas. Lo crucial es que ese conjunto no surgió como un experimento científico diseñado para captar los datos más relevantes —al contrario de lo que sugieren muchos tratamientos académicos—, sino como un mosaico de herramientas creadas para mantener las operaciones en marcha día tras día. En consecuencia, ese conjunto de aplicaciones determina tanto la visibilidad como el vocabulario del flujo; los propios átomos siguen estando un paso más allá.

Los profesionales suelen preocuparse por las inexactitudes numéricas —un recuento cíclico erróneo, un escaneo tardío de un código de barras—, pero esos errores son menores y suelen estar acotados. El verdadero peligro es la deriva semántica. Un campo que ayer significaba confirmed_order puede, tras un parche del proveedor o una solución improvisada por un usuario, registrar mañana algo muy distinto sin que cambie su etiqueta. Los significados mutan más deprisa que los recuentos, y las distorsiones se multiplican cuando los datos saltan entre sistemas. Por tanto, cada registro es una hipótesis sobre la realidad, no la realidad misma, y debe revalidarse continuamente.

La complejidad de las supply chains supera con creces la capacidad de una sola mente, por mucho esfuerzo que invierta. Incluso las empresas modestas manejan ya cientos de miles de SKU (unidades de gestión de inventario). Parte de esta proliferación es accidental: normativas heredadas, procesos improvisados, software mal parcheado. Sin embargo, una proporción cada vez mayor es intencionada: una complejidad introducida deliberadamente porque aumenta la propuesta de valor.

El ecommerce ilustra claramente este punto. Entregar un cepillo de dientes en un estudio implica planificar rutas de última milla, rastrear paquetes y gestionar la logística inversa, pasos que no existen cuando se entrega un palé en un hipermercado. Esas capas adicionales son indudablemente complejas, pero ahorran al cliente el desplazamiento y, por tanto, permiten cobrar un sobreprecio. En la aviación, los fabricantes de motores ya no venden equipos; venden «potencia facturada por hora», en perfecta consonancia con lo que valoran las aerolíneas, al tiempo que trasladan la variabilidad del mantenimiento a la red MRO del fabricante. Del mismo modo, una marca de moda que amplía su surtido de 1.000 a 10.000 SKU complica las compras, el almacenamiento y las rebajas, pero esa mayor variedad amplía el público al que puede dirigirse y consolida su fidelidad.

Esta complejidad esencial justifica su coste porque crea valor para el cliente que puede monetizarse, siempre que se domine de forma rentable. Lo que queda —peculiaridades del cumplimiento normativo, SKU fantasma, vestigios de políticas antiguas— es complejidad accidental y merece eliminarse. Distinguir ambas, suprimir la accidental y aprovechar la esencial es uno de los grandes retos de la supply chain en el siglo XXI.

Las supply chains funcionan como sistemas en el sentido expuesto por Russell Ackoff: el rendimiento del conjunto surge de las interacciones entre sus partes, no de la excelencia aislada de cada una. Por tanto, están intrínsecamente interconectadas. Cada decisión, por pequeña que sea, repercute en toda la red. Pensemos en una sola unidad de inventario en un almacén regional. En cuanto un planificador la asigna a la tienda A, todas las demás tiendas quedan privadas al instante de esa opción. Un alivio local —evitar un faltante de stock en la tienda A— puede sembrar simultáneamente futuras carencias en las tiendas B, C y D. Esta tensión de suma cero es estructural, pues cada producto, proveedor, camión y minuto de atención directiva recurre a las mismas reservas finitas de recursos.

Las fuerzas económicas amplifican estas conexiones. Los clientes esperan que los artículos complementarios estén disponibles juntos; los transportistas cotizan por camión completo, no por palé; una cinta transportadora solo amortiza su capital cuando se consolida el volumen. Intentar «optimizar» un nodo de forma aislada no hace más que desplazar costes o riesgos a otro punto de la supply chain. Ese razonamiento mecánico de dividir para vencer, excelente para las máquinas, falla en las supply chains porque ignora los bucles de retroalimentación que vinculan las decisiones a través del tiempo y del espacio.

El dominio exige, por tanto, pensamiento sistémico: evaluar cada palanca por su influencia sobre todo el flujo, tanto ahora como en el futuro. Solo una empresa que vea la asignación de existencias desde los almacenes, la programación de camiones, las reglas de reposición y los precios como facetas de un mismo espacio de decisión podrá transformar la interdependencia de desventaja en ventaja.

Los problemas a los que se enfrentan las supply chains son intrincados —wicked en inglés—, no en el sentido moral de esa palabra inglesa, sino en el sentido técnico acuñado por Rittel y Webber para describir retos que mutan en cuanto se interviene. Un problema intrincado no tiene una formulación nítida ni una solución definitiva, y cada «arreglo» modifica el propio sistema que intenta reparar.

Un ejemplo concreto lo deja claro. Supongamos que una empresa anuncia una prima vinculada a una «precisión de las previsiones del 94 %». En cuanto el sustento de los planificadores depende de esa cifra, el camino más rápido es acortar los horizontes, agrupar los SKU o inflar las existencias de seguridad hasta que las cuentas cuadren. El capital circulante se dispara y el servicio empeora, pero el panel de control luce en verde. La medida se convirtió en objetivo y, por tanto, dejó de ser una buena medida: la ley de Goodhart al descubierto.

La paradoja es profunda. La gestión de la supply chain necesita objetivos explícitos y numéricos para que los optimizadores —a menudo software inmune a los intereses personales— puedan perseguirlos sin descanso. Sin embargo, en cuanto se anuncia un objetivo, se transmiten nuevos incentivos para que empleados, proveedores e incluso competidores manipulen las reglas en su provecho. Ninguna prescripción sigue siendo óptima durante mucho tiempo, y cualquier regla obvia, estática o predecible se verá socavada a medida que los agentes se adapten. Este carácter intrincado desmonta, por tanto, la ingenua esperanza académica de encontrar pares ordenados de «problema + resolución»: el dominio reside en revisar continuamente tanto los objetivos como los algoritmos que los persiguen.

1.6 Reflexiones finales

La definición engañosamente compacta de supply chain esconde una perspectiva radical. Una vez que cada palanca que mueve bienes queda recogida en los datos, las decisiones ya no esperan a que un planificador pulse «Aceptar»; pueden ejecutarse, auditarse y perfeccionarse mediante algoritmos que funcionan día y noche con un coste marginal insignificante. La automatización, entendida como toma de decisiones mediante software y sin intervención humana, está a punto de hacer por los empleados de oficina que programan operaciones lo que la cadena de montaje hizo por el trabajo manual.

Lejos de limitarse a un mero arbitraje de costes laborales, esa automatización libera una productividad que las organizaciones dominadas por las hojas de cálculo apenas pueden imaginar. Muchas empresas emplean hoy a más analistas dedicados a pulir hojas de cálculo que a operarios que manipulan cajas; sin embargo, un solo motor de decisiones puede superar el ritmo de ambos, reducir drásticamente la latencia y los errores y liberar talento escaso para afrontar retos nuevos y de mayor nivel.

Más importante aún, el software puede recorrer espacios de decisión que los humanos nunca recorrerán. Ajustar continuamente los precios durante picos de demanda virales, desviar contenedores marítimos a mitad de travesía o equilibrar las existencias de todo un continente cada hora se vuelve tangible cuando el cuello de botella es el cálculo, no la paciencia humana. Así como el ecommerce reinventó el comercio minorista en lugar de perfeccionar la venta telefónica, la optimización sin intervención humana transformará las supply chains en vez de limitarse a acelerar los procedimientos de ayer.

La literatura cuantitativa sobre supply chain acumulada desde el UNIVAC I (1951) rebosa de álgebra intimidante y algoritmos ávidos de petabytes, pero sigue sin aprovechar la informática moderna para obtener resultados tangibles en la supply chain. Su sofisticación está mal orientada: optimiza lo que es fácil de contar en vez de lo que resulta decisivo económicamente, se aferra a previsiones puntuales frágiles y se derrumba ante la proliferación combinatoria de opciones del mundo real. Al errar el objetivo, convierte los gigaflops hoy casi gratuitos en ruido de fondo mientras los planificadores siguen peleándose con las hojas de cálculo. Las prescripciones cualitativas sobre liderazgo no han corrido mejor suerte: las bibliotecas están llenas de «manuales» de supply chain que pocos dirigentes leen y de los que aún menos se beneficiarían.

Un síntoma llamativo de este vacío es la abundancia de profesionales autodidactas en las grandes empresas. La sociedad, con razón, no tolera cirujanos autodidactas: la distancia entre los aficionados y los expertos formados es demasiado grande para arriesgar vidas humanas. Sin embargo, cuando están en juego miles de millones en inventario, las empresas recurren habitualmente a planificadores que han construido su oficio a partir del saber transmitido dentro de su grupo y de entradas de blog. La comparación es contundente y pone de relieve lo poco desarrollada que sigue estando la disciplina.

Los métodos dominantes no solo han dado resultados insuficientes; en muchos casos han inducido activamente a error al promover una precisión ilusoria y proezas con hojas de cálculo en lugar de una ciencia escalable. Sus deficiencias, y el camino para superarlas, se examinan de frente en el último capítulo de este libro.

Los capítulos siguientes reúnen los fundamentos científicos necesarios para plasmar en software el dominio de la supply chain y hacer posible la optimización sin intervención humana que los líderes del mañana darán por sentada. Sustituir el folclore por una ciencia precisa y lista para su ejecución informática es el requisito previo para transformar la variabilidad y la opcionalidad de quebraderos de cabeza recurrentes en ganancias reproducibles.

2 Historia

Las definiciones de logística, supply chain y gestión de la supply chain (SCM) divergen: algunos restringen «supply chain» al flujo físico de bienes y reservan «SCM» para la coordinación; otros tratan los términos como sinónimos. Proveedores, consultores y profesionales retuercen aún más esos términos para favorecer sus organigramas y discursos comerciales; un breve desvío histórico ayuda a explicar la fragmentación resultante.

Las ideas sobre supply chain se sitúan entre dos polos: la nitidez euclidiana y la jerga cambiante de la IA. Las etiquetas cambian cada década; la tarea subyacente —dominar la opcionalidad en el flujo de bienes físicos— no. Las afirmaciones de experiencia en logística, investigación operativa, supply chain u optimización empresarial suelen revelar más sobre la perspectiva de quien las formula que sobre la disciplina.

Este capítulo tiene un doble propósito. Primero, recorre cómo la etiqueta imprecisa y siempre cambiante supply chain surgió de nociones anteriores como la logística y la investigación operativa, mostrando que su significado actual sigue siendo provisional. Segundo, ilustra la mentalidad de confrontación que recorrerá el resto del libro. A continuación, cada palabra de moda se vincula con los incentivos que la engendraron. Los proveedores proclaman novedades para vender licencias; los consultores presentan de nuevo las ideas de ayer para vender diapositivas; los directivos, ansiosos por no quedarse atrás, adoptan el lenguaje antes de poner a prueba el contenido. Mantener esta postura escéptica protege a los profesionales de espejismos costosos, sin impedir que afloren las innovaciones auténticas.

2.1 De principios del siglo XIX a la preguerra del siglo XX

Mucho antes de que se acuñaran «logística» o «supply chain», la propia actividad era el sustento de toda ciudad-Estado. Roma dependía de flotas de cereal africano; Ámsterdam, de convoyes de madera del Báltico; y Edo, de barcazas de arroz programadas para aprovechar las mareas favorables. Cada caso planteaba el mismo problema persistente: salvar, día tras día, la distancia espacial entre producción y consumo en medio de la incertidumbre. El reto perdura; la jerga y las herramientas analíticas cambian. Los primeros intentos matemáticos sistemáticos no aparecieron hasta finales del siglo XVIII, una historia que abordamos ahora.

Si la era moderna de la supply chain consiste en buscar mejoras operativas mediante el análisis, comienza en ese periodo. En 1781, el matemático francés Gaspard Monge publicó su Memoir on the Theory of Embankments and Rubble (Mémoire sur la théorie des déblais et des remblais), donde proponía minimizar el trabajo necesario para mover tierra con el fin de nivelar un terreno con elevaciones y depresiones.

El término logística, que en otro tiempo se usaba indistintamente con supply chain, tomó forma en un contexto militar durante la primera mitad del siglo XIX. Su uso más antiguo documentado —logistique— aparece en Summary of the Art of War (Précis de l’Art de la Guerre) (1830), del oficial suizo Antoine-Henri Jomini¹. La logística significaba trasladar recursos —personas, equipos, materiales— al lugar adecuado en el momento adecuado. Refinaba el antiguo concepto de administración militar, que se remontaba a la Antigüedad.

En 1840, el servicio de correos británico adoptó el «Uniform Penny Post», una demostración civil temprana de lo que hoy llamaríamos investigación operativa. El matemático e ingeniero Charles Babbage elaboró tablas de costes que mostraban que la distancia contribuía solo de forma marginal a los gastos postales; los verdaderos factores eran la recogida, la clasificación y la entrega final. Con estos conocimientos cuantitativos, el Parlamento aceptó una tarifa plana nacional de un penique por carta, una decisión que amplió radicalmente el volumen de correo y, por extensión, el alcance del comercio. El estudio de Babbage anticipó la analítica moderna de supply chain al sustituir el folclore por la medición y la optimización. Su posterior empeño en construir máquinas de cálculo programables, que culminó en la máquina diferencial, buscaba automatizar precisamente las tabulaciones estadísticas que había requerido su trabajo sobre el correo.

En 1888, el economista Francis Ysidro Edgeworth, de ascendencia irlandesa y española, formuló una idea que más tarde se conocería como «el problema del vendedor de periódicos». Su idea, presentada por primera vez en Mathematical Theory of Banking, describía el reto de determinar el nivel óptimo de inventario cuando hay que deshacerse de las existencias sobrantes al final de un periodo, como ocurre a diario con los periódicos no vendidos. Esta contribución combinaba el análisis estadístico del riesgo con la resolución de problemas operativos, una perspectiva que no se generalizaría hasta aproximadamente un siglo después.

El auge de una clase media propietaria de acciones en Estados Unidos a finales del siglo XIX dio lugar, a su vez, a los primeros especialistas en previsión económica. Entre estos pioneros, Roger Babson e Irving Fisher alcanzaron notoriedad a principios del siglo XX. Promovieron métodos cuantitativos para asignar recursos a particulares y empresas, un espíritu del que se hacen eco muchas ofertas modernas de software empresarial. También fueron pioneros en las técnicas estadísticas de previsión de series temporales.

La evolución de la economía en la primera mitad del siglo XX impulsó numerosos métodos para resolver pequeños problemas operativos. Varias de las soluciones propuestas dieron lugar a teorías y fórmulas que se convertirían en dogmas duraderos de la supply chain. Por ejemplo, la fórmula de la cantidad económica de pedido (EOQ), un clásico de la supply chain, fue introducida en 1913 por Ford Harris y popularizada en los años 1930 como la fórmula de Wilson.

2.2 La Segunda Guerra Mundial y los avances de la posguerra

Al estallar la Segunda Guerra Mundial, la disciplina volvió a sus raíces militares. Gran Bretaña reunió a cerca de 1.000 hombres para lo que se convertiría en la investigación operativa, definida por el Ejército británico como «un método científico para proporcionar a los departamentos ejecutivos una base cuantitativa para las decisiones relativas a las operaciones bajo su control». El esfuerzo produjo resultados rotundos: menos proyectiles de artillería para derribar aviones enemigos y una mayor supervivencia de los buques y aviones británicos.

Impulsada por su prestigio durante la guerra, la investigación operativa se expandió rápidamente en los círculos académicos. La llegada del hardware informático programable de propósito general permitió a la comunidad explorar métodos cuyo cálculo manual habría sido totalmente impracticable. Las limitaciones del hardware hicieron que la mayor parte de la investigación de las décadas de 1950 y 1960 se centrara en problemas estáticos o estacionarios, aquellos que se suponían invariables en el tiempo. Por ejemplo, determinar la ubicación de los almacenes para atender una red de tiendas minoristas es un problema estacionario si suponemos que la demanda es constante. En cambio, optimizar los procesos de asignación de existencias desde los almacenes y las rutas de expedición es un problema dinámico, pues estos problemas son sensibles a las fluctuaciones de la demanda, los tiempos de entrega, el tráfico, la disponibilidad de conductores, el mantenimiento de los camiones y otros factores. Los problemas dinámicos superaban la capacidad del hardware de la época y se dejaron en gran medida de lado.

Aunque la investigación operativa cautivó inicialmente a los responsables empresariales, su atractivo empezó a desvanecerse en los años 1970. Para los años 1980, el prestigio ganado durante la guerra se había disipado y los intereses empresariales habían cambiado². Los años 1970 trajeron avances novedosos, entre ellos hardware informático capaz de aprovechar los códigos de barras³. Junto con la base de datos relacional de Codd de 1970, los códigos de barras transformarían las supply chains y su entorno digital en las décadas siguientes. Esta convergencia dio lugar al sistema de gestión de inventario, un precursor temprano del software empresarial moderno.

En los círculos del software, «gestión» designaba entonces las tareas rutinarias de los mandos de nivel inferior. El llamado «sistema de gestión» se diseñó para sustituir por completo al responsable. Aunque su trabajo era en gran medida administrativo, estos responsables pertenecían a una fuerza laboral instruida y hábil para mantener registros minuciosos y precisos. Además, estos empleados de oficina ocupaban posiciones de autoridad y prestigio superiores a las de los trabajadores manuales encargados de mover físicamente los bienes.

Con la aparición de los sistemas de gestión, los proveedores de software pronto reconocieron que la gestión de la supply chain abarca dos facetas distintas: el registro de operaciones y la toma de decisiones. El registro de operaciones consiste en llevar un seguimiento electrónico de los niveles de existencias y realizar tareas administrativas rutinarias. La toma de decisiones consiste en determinar los pedidos y las asignaciones óptimos de inventario para la empresa. Al principio, los proveedores pretendían automatizar la función del responsable; el registro de operaciones se prestó fácilmente a ello, pero la toma de decisiones resultó mucho más compleja y quedó muy lejos del alcance del hardware de los años 1970.

Sin embargo, «registro de operaciones» carecía del atractivo de «gestión». Los proveedores de software optaron por el término más comercial, incluso a costa de la claridad, porque reforzaba la imagen de sus productos. Posteriormente, la industria del software adoptó ampliamente el término «gestión» para nombrar sus sistemas: WMS (sistema de gestión de almacenes), CRM (gestión de relaciones con los clientes), PLM (gestión del ciclo de vida del producto), etc.

La ubicuidad de «management» acabó diluyendo el prestigio del título de «manager». En los años 2020, el título de «manager» implica con frecuencia gestionarse únicamente a uno mismo, como se observa en puestos como project manager, office manager o account manager. Por el contrario, los empleados con verdadera autoridad jerárquica suelen disfrutar de denominaciones de puesto más específicas que «manager». En su lugar, pueden recibir títulos como «lead» o «leader».

Así, «gestión de la supply chain» designa las actividades de los responsables en el sentido empresarial tradicional: personas con autoridad formal. En cambio, «supply chain» es más amplio y nombra tanto la práctica como el campo académico.

2.3 De los años 1980 a principios de los 2000

En los años 1980, los proveedores de software ampliaron su ámbito más allá del inventario para abarcar pedidos, pagos, salarios y otros aspectos. El software distribuido aún no era económicamente viable para los proveedores. Por ello, si una empresa adquiría un sistema para registrar el inventario y otro para registrar los salarios, normalmente se consideraba impracticable integrar ambos después. Los proveedores consolidaron, por tanto, las funciones en un único monolito sobre un ordenador central.

Tras su fama de la posguerra, la logística había quedado por detrás de las finanzas y el marketing en prestigio. Un aforismo contundente que circulaba entonces en las grandes empresas de bienes de consumo resumía la jerarquía imperante: «Los inteligentes van a marketing, los fiables a producción y quienes carecen de ambas cualidades a logística». Aunque estaba claramente teñido de la rivalidad amistosa entre las distintas profesiones empresariales, el dicho recogía una percepción extendida de la pérdida de estatus de la función logística.

Una explicación es que, hasta los años 1980, la logística fue en gran medida empírica. La promesa inicial de la investigación operativa de transformarla en una ciencia analítica moderna se había desvanecido. En 1979, Russell Ackoff, pionero estadounidense de la etapa empresarial de la investigación operativa, resumió la situación en su artículo The Future of Operational Research is Past:

La investigación operativa ha muerto, aunque aún no haya sido enterrada. También creo que hay pocas posibilidades de que resucite, porque se comprenden muy poco las razones de su desaparición […] La vida de la IO [investigación operativa] ha sido breve. Nació aquí a finales de los años 1930. A mediados de los 60 había logrado una amplia aceptación en los círculos académicos, científicos y directivos. En mi opinión, esa ganancia vino acompañada de una pérdida de su espíritu pionero, su sentido de misión y su capacidad innovadora. La supervivencia, la estabilidad y la respetabilidad prevalecieron sobre el desarrollo, y comenzó su declive.

En los años 1980, la toma de decisiones se estancó mientras florecía el registro de operaciones; al terminar la década, muchas empresas habían digitalizado sus operaciones transaccionales. Los registros electrónicos permitieron nuevas formas de supervisar las operaciones; simples totales y medias, recalculados continuamente, empezaron a transformar la práctica empresarial.

Tras unos comienzos modestos a principios del siglo XX, las consultoras se convirtieron en gigantes empresariales a principios del siglo XXI. Entre muchas otras causas, la difusión de los registros electrónicos en los años 1980 dio un impulso considerable a la consultoría de gestión.

A pesar de la observación corriente de que la única ocupación de los consultores parece ser pelearse con hojas de cálculo y diapositivas⁴, la justificación empresarial es que los consultores se dedican a vender impacto. Esos registros electrónicos crearon numerosas oportunidades para mejorar diversos procesos sin recurrir a un gran nivel de sofisticación analítica.

El reto permanente de la consultoría es diferenciarse. Como las barreras de entrada son bajas, resulta difícil mantener una oferta que siga distinguiéndose de la competencia. Por tanto, apenas sorprende que influir en la evolución del lenguaje empresarial resulte muy atractivo para los consultores. Una maniobra ya clásica consiste en acuñar —o al menos adoptar— nuevos términos cada pocos años para renovar la oferta y la marca. La autoridad que se obtiene por el aparente vínculo con una palabra novedosa y de moda crea una ventaja competitiva muy deseable, al menos hasta que los competidores la imitan inevitablemente.

El término Supply Chain Management (SCM) fue acuñado en 1982 por Keith Oliver, un profesional británico de la logística que se convirtió en consultor. Sales and Operations Planning (S&OP) fue acuñado en 1985 por Richard Ling, un ingeniero de software estadounidense que también se convirtió en consultor. Ambas perspectivas giran en torno a la idea de buscar una coordinación de extremo a extremo entre las distintas funciones empresariales. Ambas prácticas habrían seguido siendo abstractas sin la creciente disponibilidad de registros digitales de las empresas.

Con el respaldo de los proveedores de software, las prácticas defendidas por los consultores se extendieron y exigieron nuevas competencias. Los directores de logística pasaron a encargarse de elaborar previsiones de series temporales y ajustar parámetros de nivel de servicio, como ejemplifica la fórmula de las existencias de seguridad. Estas nuevas responsabilidades, más analíticas, supusieron una ruptura importante con los directores de logística tradicionales, que eran ante todo responsables sobre el terreno capaces de gestionar grandes equipos de trabajadores de almacén y conductores de camión, lo cual no era poca cosa.

En los años 1990, los grandes proveedores integraron una desconcertante variedad de procesos de registro de operaciones en monolitos de software. En aras de la claridad, estos productos deberían haberse llamado ERM («Enterprise Resource Management»); sin embargo, esa terminología nunca se impuso. Para entonces, el hardware informático había avanzado tanto que la toma de decisiones ya no se consideraba un problema intratable. Los clientes empresariales pronto comprendieron que, pese a lo que se afirmaba, estas herramientas se limitaban al registro de operaciones.

No obstante, muchos proveedores empezaron a invertir —o retomaron sus inversiones— en los aspectos de toma de decisiones de la supply chain. Querían evitar que se les confundiera con los competidores dedicados al registro de operaciones, así que diferenciaron sus ofertas. Por esta razón, los proveedores, con la ayuda de analistas de mercado, acuñaron el término ERP (Enterprise Resource Planning). En el software empresarial, «planificación» se convirtió en la consigna que anunciaba capacidad para tomar decisiones. En efecto, con un plan maestro que llega hasta el nivel más detallado gracias a la mejora del hardware informático, toda decisión se convierte, en teoría, en una mera cuestión de ejecución administrativa⁵. En la práctica, los módulos de planificación combinaban previsiones puntuales de series temporales con optimización determinista del inventario. La intención era ofrecer una solución tecnológica que sustituyera por completo al responsable de nivel inferior de un solo golpe, en lugar de hacerlo gradualmente.

Pronto, los proveedores competidores etiquetaron sus productos como ERP, por poca planificación que realmente incorporaran. Es cierto que los productos empresariales son intrínsecamente complejos, pues pretenden cubrir una amplia variedad de situaciones; la opacidad suele afectar también a los clientes e incluso a los propios proveedores. En consecuencia, estos gozaban de una libertad considerable para elegir qué capacidades destacar en sus materiales de marketing. Incluso podría argumentarse que una simple previsión de ventas basada en una media móvil constituye «planificación» y justifica, por tanto, la etiqueta ERP. Muchos proveedores se aprovecharon de este juego de prestidigitación semántica.

A partir de los años 1990, nuevos proveedores se centraron exclusivamente en la toma de decisiones y se posicionaron como una capa analítica por encima de la capa transaccional ofrecida por los ERP, que posiblemente deberían haberse llamado ERM. En el contexto de la supply chain, estos proveedores se dividían, a grandes rasgos, en dos bandos: el algorítmico y el forense. Ambos aprovechaban los mismos registros electrónicos presentes en los sistemas empresariales existentes.

El bando algorítmico se centró en las técnicas de previsión de series temporales y en las técnicas de optimización de inventario que sustentaban el paradigma de la planificación. Como los ERP ya afirmaban ofrecer planificación, era difícil comercializar «planificación» adicional; los proveedores emergentes, con ayuda de los analistas, acuñaron «Advanced Planning System» (APS). En otras palabras: «Sí, su ERP ya tiene planificación, pero nuestra solución complementaria tiene planificación avanzada».

El bando forense se concentró en producir informes empresariales concebidos para ayudar a los responsables a tomar mejores decisiones. Los ERP ya incluían «informes empresariales», así que los proveedores de software, una vez más con ayuda de los analistas, popularizaron «inteligencia de negocio» (BI) para esta clase de herramientas⁶. Técnicamente, los cubos multidimensionales de BI supusieron un cambio notable respecto al modelo relacional de Codd de dos décadas antes.

2.4 Consideraciones actuales

En 2025, los descendientes de ambos bandos, el algorítmico y el forense, siguen activos. En el bando algorítmico se promueve la planificación empresarial integrada con énfasis en el aprendizaje automático, presentado como un descendiente superior de las técnicas estadísticas anteriores. En el bando forense, algunos promueven conceptos como «gemelos digitales de supply chain» o «torres de control de supply chain», destinados a proporcionar información esclarecedora a la dirección de las empresas.

Todo esto muestra que sigue siendo habitual rebautizar creativamente los productos existentes con las últimas palabras de moda, una práctica que se remonta a los años 1970. El caso de las capacidades de «planificación» fue apenas una escaramuza menor en la historia del software empresarial. El hardware y el software informáticos han avanzado a un ritmo impresionante durante los últimos 70 años. Debido a los continuos avances del hardware, la obsolescencia tecnológica es, posiblemente, la mayor amenaza a la que se enfrentan hoy los proveedores de software empresarial. El hardware más reciente hace posibles hazañas antes imposibles, pero normalmente exige rediseñar por completo el software para aprovechar sus capacidades. Ante esta realidad, resulta mucho más fácil y rentable cambiar la presentación comercial de una oferta que rediseñarla por completo para aprovechar plenamente los últimos avances tecnológicos.

Los proveedores de software se encuentran ante un ejemplo real del clásico dilema del prisionero. Colectivamente, se beneficiarían de una comunicación más honesta y transparente sobre sus productos. Hacer promesas imposibles de cumplir conduce inevitablemente a problemas costosos para ambas partes. Sin embargo, si un proveedor exagera sus afirmaciones más que sus competidores, obtiene una ventaja estratégica en el mercado al hacer su solución más atractiva para los clientes. Prometer de más y cumplir de menos son, por tanto, consecuencias nada sorprendentes de la dinámica del software empresarial.

La inflación léxica pronto alcanzó al propio organigrama. Los directores de supply chain aparecieron a principios de los años 2000: a veces como un simple cambio de nombre del director de logística existente y, otras, como un puesto recién creado para impulsar la analítica transversal. En los años 2020, los directores de logística rara vez se ocupaban de analítica predictiva sofisticada, mientras que los directores de supply chain apenas gestionaban las operaciones cotidianas de los almacenes.

Aunque la analítica avanzada —el aprendizaje automático y la optimización matemática— está disponible desde hace unas tres décadas, su adopción en los departamentos de supply chain sigue siendo excepcional; las hojas de cálculo aún dominan la toma de decisiones.

Hoy, un profesional de la logística se ocupa del almacenamiento y el transporte. Cuando la logística se externaliza, los proveedores se conocen como «proveedores logísticos externos» (3PL), que reciben una orden electrónica por cada movimiento de existencias. Irónicamente, aunque la logística se fundó originalmente sobre el principio de mover recursos en el momento y el lugar adecuados, los 3PL se benefician de las ineficiencias: cobran por los movimientos de inventario y por la duración del almacenamiento. Así, cuanto mayor es el número de movimientos y más largos son los periodos de almacenamiento, mayores son los ingresos del operador logístico.

2.5 Percepción generalizada

Durante la última década, el término «supply chain» se ha vuelto cada vez más habitual en los medios de comunicación generalistas. En la cobertura informativa, una «supply chain» se refiere a una red de empresas especializadas que cooperan, a veces muy estrechamente, para suministrar productos sofisticados, como semiconductores o automóviles. Las noticias sobre una «supply chain» suelen surgir de sucesos negativos —como un incendio catastrófico en un puerto— que no solo afectan a una entidad, sino que también repercuten en una red de empresas interdependientes y amplifican el impacto original.

Los periodistas se preguntan con frecuencia qué debería hacerse para evitar que esos problemas vuelvan a ocurrir. Aunque legítima, esta perspectiva pasa por alto la ausencia de una autoridad central que gobierne esas «supply chains». En efecto, en este contexto una supply chain está compuesta por numerosas empresas que no están coordinadas entre sí. Además, introducir una autoridad, por ejemplo mediante la intervención estatal, probablemente empeoraría la situación, pues esa autoridad carecería de la información necesaria para asignar los recursos de forma eficaz. Como señaló Friedrich Hayek en The Use of Knowledge in Society (1945), el conocimiento pertinente está ampliamente disperso entre innumerables individuos de empresas distintas. Ninguna autoridad única puede aprovechar plenamente esa información descentralizada, y cualquier intento de imponer un «capitán» conduce inevitablemente a una mala asignación de recursos.

Esos fallos que merecen aparecer en las noticias son propiedades emergentes de la división del trabajo en la economía. Toda división del trabajo entraña una fragilidad inherente: si un segmento altamente especializado falla, sus repercusiones se extienden por toda la economía. La única alternativa a esa fragilidad es renunciar a la división del trabajo, una propuesta insensata. En efecto, aumentaría de forma drástica el coste de los bienes físicos que se consumen a diario, desde los rollos de papel higiénico hasta los teléfonos inteligentes. Los enormes beneficios de la división del trabajo se conocen bien desde hace siglos; su primera formalización se remonta al siglo XIX, con la obra de David Ricardo y su ley de la ventaja comparativa.

Sin embargo, la división del trabajo también caracteriza a los mercados: las personas comercian precisamente porque la especialización beneficia a ambas partes. Las «supply chains» que observan los medios no son más que grupos de empresas estrechamente dependientes que surgen por las ventajas competitivas que les confieren sus respectivas especializaciones.

Las supply chains también se confunden con la externalización, que se percibe como un «robo» de empleos a la próspera Westonia en beneficio de la más pobre Ruritania. Sin embargo, en los entornos modernos, acceder a mano de obra barata en el extranjero rara vez es más que una preocupación secundaria. Si las supply chains consistieran únicamente en acceder a la mano de obra más barata, África sería un socio de primer orden en supply chain para las naciones avanzadas. Pero ocurre lo contrario: las naciones avanzadas comercian principalmente entre sí. Los países menos desarrollados, a menudo con la mano de obra más barata, están en gran medida ausentes del comercio mundial.

En la práctica, los requisitos de infraestructura, tecnología y capital suelen eclipsar las consideraciones puramente laborales. Por ejemplo, el auge de la contenerización en las décadas de 1950 y 1960 redujo drásticamente los costes del transporte marítimo, pero también exigió enormes modernizaciones portuarias que solo podían permitirse los países con inversiones de capital sólidas y marcos regulatorios estables. Más recientemente, la electrónica de alto valor requiere robótica avanzada, normas de calidad rigurosas, un suministro eléctrico fiable y talento especializado en ingeniería: complejidades que empequeñecen la ventaja de unos salarios ligeramente inferiores. En consecuencia, los países con redes logísticas sólidas, sistemas jurídicos fiables y una masa crítica de conocimientos técnicos se benefician de grandes volúmenes de comercio con naciones de desarrollo similar, mientras que las regiones que carecen de esos activos suelen permanecer en gran medida desconectadas de las oportunidades de la supply chain moderna.

2.6 Mirar hacia el futuro

La terminología de la supply chain sigue cambiando, y los proveedores están más activos que nunca. Algunas consultoras defienden la supply chain «ágil», «dinámica» y «holística», así como el «diseño de supply chain». Algunas prescinden por completo del añadido «supply chain», como ocurre con flowcasting o Demand Driven Material Requirements Planning (DDMRP). Todos estos paradigmas abordan problemas similares, aunque sus métodos y técnicas difieren considerablemente.

Dado que en los últimos 70 años se han publicado más de un millón de artículos científicos y más de diez mil libros, el campo de la «supply chain» suele considerarse maduro. Sin embargo, las empresas siguen recurriendo a heurísticas en hojas de cálculo que apenas se parecen a las teorías dominantes de supply chain.

Podría culparse al desconocimiento de esa vasta literatura por parte de los profesionales; la acusación apenas se sostiene. La mayoría de las grandes empresas con presencia internacional opera bajo una intensa presión competitiva. Dado lo poco que ha evolucionado la teoría dominante durante el último medio siglo, atribuirlo a una ignorancia empresarial persistente resulta difícil de creer.

Una explicación más sencilla es que la teoría dominante es inadecuada: la práctica se aparta de ella porque la teoría es defectuosa y los beneficios previstos no se materializan. En otras palabras, pese a su vasta literatura, la supply chain sigue en una etapa precientífica en la que el conocimiento no produce resultados constantes y predecibles.

A lo largo de setenta años, las capas de registro de operaciones dieron saltos adelante —escaneos de códigos de barras, bases de datos en tiempo real, registros en la nube—, pero las reglas que deciden qué comprar, fabricar, mover o almacenar siguen pareciéndose a las de los manuales de mediados de siglo. El progreso ha sido espectacular en el ámbito transaccional; en el de las decisiones, se ha estancado. La raíz no es técnica, sino epistémica: la disciplina carece de una forma sólida de separar los conocimientos duraderos de las doctrinas de moda.

Explicar esta brecha y, en última instancia, cerrarla exige una pausa en el relato histórico. Por tanto, el próximo capítulo pasa de la cronología a la epistemología. Antes de prescribir remedios, examinaremos cómo se generan las afirmaciones, quién se beneficia de cada relato y qué pruebas deben superar las ideas antes de gobernar un solo palé. Solo cuando estos criterios sean explícitos podrá reanudarse de verdad el progreso en la toma de decisiones, interrumpido durante cinco décadas.

3 Epistemología

Mejorar una supply chain empieza por mejorar el conocimiento que la dirige. Por ello, este capítulo pasa de la mecánica del movimiento de bienes a la pregunta epistémica que precede a toda recomendación: ¿Cómo decidimos que una idea sobre supply chain merece que se crea en ella, se financie y se ponga en práctica? Responder no es un ejercicio filosófico ocioso; es la única protección frente a las doctrinas de moda, las diapositivas vistosas y los algoritmos «probados» que consumen presupuestos de forma habitual sin mejorar el rendimiento.

El conocimiento sobre supply chain es especialmente propenso al error. La incertidumbre difumina el bucle de retroalimentación entre decisión y resultado; los incentivos recompensan los relatos seguros de sí mismos más que las pruebas cuidadosas; y la propia latencia física de los flujos mundiales hace que los experimentos controlados sean escasos. En consecuencia, las hojas de cálculo siguen dominando la práctica cotidiana mientras las revistas y los libros rebosan de teorías que se proclaman superiores, sobre el papel. La tensión es epistémica, no técnica: carecemos de un método sólido para separar los conocimientos duraderos del entusiasmo pasajero.

Este capítulo persigue, por tanto, tres objetivos:

1. Clasificación. Situamos la supply chain en el mapa del conocimiento —como una rama aplicada de la economía— y mostramos por qué confundirla con las matemáticas, la sociología o el mero mantenimiento de registros conduce al fracaso sistemático.

2. Validación. Examinamos qué cuenta como evidencia en un ámbito donde los ensayos aleatorizados son escasos, predominan los contrafactuales y el éxito se mide en beneficios, no en elegancia ni consenso.

3. Corrupción. Analizamos cómo los actores —académicos, consultores, proveedores de software—, pese a sus buenas intenciones, distorsionan sin saberlo el proceso de producción del conocimiento, y esbozamos protecciones que preserven su integridad en medio de incentivos contrapuestos.

A lo largo de este libro, el singular «supply chain» designa la disciplina, mientras que el plural «supply chains» se refiere a los flujos concretos gestionados por las empresas. La función de la disciplina es dotar a cualquier supply chain determinada —no a un arquetipo idealizado— de decisiones que aumenten los beneficios a largo plazo bajo incertidumbre. Por el contrario, extender el término a mercados enteros nos lleva hacia la economía general y difumina la perspectiva práctica adoptada aquí.

Al terminar el capítulo, el lector dispondrá de un criterio para juzgar todas las afirmaciones posteriores, ya sean algorítmicas, organizativas o tecnológicas: ¿Asigna esta idea los recursos escasos de forma más rentable cuando se tienen en cuenta la variabilidad y los incentivos contrapuestos? Establecer ese criterio es el requisito previo para los análisis que siguen.

3.1 Economía

La supply chain debe entenderse como una rama aplicada de la economía, no como una disciplina independiente. Pasar por alto esta jerarquía es quizá el error epistémico más frecuente y más grave de la literatura. Este único error explica en gran medida por qué el conocimiento dominante sobre supply chain resulta estéril en la práctica.

Por desgracia, la propia economía se malinterpreta con frecuencia, aunque sus ideas centrales son bastante sencillas. El economista británico Lionel Robbins formuló lo que suele considerarse la definición clásica de economía:

La frase de Robbins es más densa de lo que parece; cada palabra tiene peso. Los recursos abarcan mucho más que el efectivo. Las horas de fábrica, el espacio para palés, la capacidad de los camiones, la atención directiva e incluso la buena relación con un proveedor cuentan como tales. Todo lo que puede emplearse para satisfacer un deseo —o reservarse para satisfacer otro— entra en las cuentas del economista.

La escasez es la restricción universal. Los deseos superan los medios en cualquier sociedad, ya se trate de un señorío medieval necesitado de tierras cultivables, una economía planificada limitada por cuotas de acero o una empresa emergente financiada con capital riesgo que compite contra su ritmo de consumo de efectivo. La escasez no es una peculiaridad del capitalismo; es la condición humana.

Los usos alternativos encierran la fuerza del coste de oportunidad. Una tonelada de cobre laminada para fabricar cables eléctricos no puede también estamparse para fabricar vainas de cartuchos; una hora de atención de un planificador dedicada a perseguir un envío retrasado no puede perfeccionar el surtido de la temporada siguiente. Cada asignación veta a sus rivales, y el beneficio al que se renuncia es el precio oculto de cada elección.

Como estos tres elementos —recursos, escasez y usos alternativos— persisten por igual bajo el feudalismo, el socialismo o el capitalismo, la economía sigue siendo válida con independencia del orden social. Los mecanismos que resuelven la escasez difieren —precios, colas, decretos—, pero el cálculo subyacente de las disyuntivas no. Por tanto, la práctica de la supply chain debe asentarse sobre fundamentos económicos, sea cual sea la propiedad de la empresa o la organización de los mercados.

Al contrastarla con nuestra definición de supply chain, la relación queda clara:

La supply chain es el dominio de la opcionalidad ante la variabilidad en la gestión del flujo de bienes físicos.

La supply chain es fundamentalmente paralela a la economía en su tratamiento de la escasez. Aquí, «opcionalidad» nombra los usos alternativos que la empresa debe cultivar primero y aprovechar después. Cada decisión de supply chain utiliza un recurso escaso con posibilidades alternativas. Cada artículo comprado compite con todas las demás compras posibles, y cada artículo fabricado compite con alternativas que podrían haber utilizado los mismos materiales. Del mismo modo, cada centro que recibe una unidad adicional enviada desde el almacén compite con todos los demás centros por ese único artículo.

En resumen, si nos centráramos únicamente en asignar recursos escasos, la supply chain sería indistinguible de la economía. Sin embargo, se diferencia de ella en varios aspectos importantes. En primer lugar, «dominio» denota la orientación de las empresas hacia la búsqueda de beneficios. La supply chain es una ciencia aplicada; a diferencia del campo más amplio de la economía, aspira a ser prescriptiva y no meramente descriptiva. Aunque la economía explica por qué algunas personas son más ricas que otras, no pretende guiar directamente a las personas hacia una mayor riqueza, salvo de forma indirecta mediante una mejor comprensión de los mecanismos del mercado.

Además, el ámbito de la supply chain se limita al flujo de bienes físicos, un pequeño subconjunto de la economía. Por ejemplo, las cuestiones de propiedad intelectual —patentes y derechos de autor que condicionan las elecciones de producción— pertenecen a la economía, salvo cuando restringen la producción pese a que existen recursos físicos suficientes.

El ámbito se estrecha aún más con el elemento de la variabilidad: sin variabilidad, una cuestión dejaría de pertenecer a la supply chain. Pensemos, por ejemplo, en un proceso de almacén que puede automatizarse de forma casi perfecta y establecer un límite superior estricto al tiempo de preparación y embalaje de pedidos, siempre que la tasa de llegada se mantenga por debajo de un umbral. En esos casos, la supply chain acepta la automatización como un dato de partida, sin examinar las decisiones económicas que la hicieron posible.

Clasificar correctamente la supply chain es crucial, porque habitualmente se aborda desde perspectivas equivocadas —matemáticas estériles, registro administrativo de operaciones o lugares comunes de gestión—, cuando su verdadero fundamento es, y siempre ha sido, la economía.

Contrariamente a la creencia popular, la economía dista mucho de ser una «ciencia lúgubre». Es cierto que no puede alcanzar la certeza numérica de la mayoría de las ciencias naturales: el libre albedrío de los participantes lo impide. Dicho esto, muchos principios económicos pueden considerarse tan sólidamente establecidos como puede estarlo cualquier teoría científica.

Consideremos el caso bien documentado de los controles de alquileres. Cuando un gobierno limita los alquileres por debajo del nivel de equilibrio del mercado, se producen varios resultados predecibles. Los propietarios pierden el incentivo para mantener o mejorar las viviendas existentes, pues no pueden recuperar esos costes mediante alquileres más altos. Los promotores se vuelven reacios a construir y sobreviene una escasez duradera. La escasez alarga las listas de espera, reduce las opciones y deteriora la calidad de las viviendas. Estos efectos se observan una y otra vez en distintas ciudades y épocas, lo que ilustra la notable constancia de los principios económicos, con independencia de las diferencias culturales y temporales.

Un mecanismo casi idéntico aparece dentro de cada empresa cuando un producto se vende por debajo de su precio de equilibrio del mercado. Imaginemos que un fabricante de electrónica de consumo lanza una nueva consola a un precio fijado deliberadamente un 20 % por debajo del nivel de equilibrio, con la esperanza de «deleitar al cliente». La demanda desborda al instante la capacidad de producción a corto plazo. Se agotan las existencias de los canales minoristas, se forman listas de espera y, lo más revelador, los intermediarios del mercado gris —los revendedores especulativos— compran las escasas consolas al precio de catálogo para revenderlas en línea al precio real de mercado. El margen al que la empresa renuncia voluntariamente queda íntegramente en manos de estos intermediarios, mientras que los clientes finales siguen pagando el importe más alto. La empresa renuncia a ingresos, frustra a sus clientes fieles y empaña su marca al parecer desorganizada.

A menos que la empresa pueda aumentar la producción con suficiente rapidez para atender ese auge inesperado, el remedio económicamente sensato consiste en retirar el límite de precio que se ha impuesto y dejar que los precios suban hasta que la demanda iguale a la capacidad.⁷ Cualquier otra política se limita a subvencionar un ecosistema de arbitrajistas cuya única contribución es embolsarse la diferencia entre el precio restringido y el verdadero precio de equilibrio.

Las leyes de la economía no son más fáciles de eludir que las del electromagnetismo. No caracterizar la supply chain como economía aplicada da lugar, en el mejor de los casos, a teorías y prácticas que los profesionales ignoran con razón y, en el peor, a decisiones que perjudican a las empresas.

3.2 Matemáticas

En los círculos académicos, un error frecuente consiste en considerar la supply chain una rama de las matemáticas. El libro Fundamentals of Supply Chain Theory (2019), de Snyder y Shen, es un exponente canónico de este camino equivocado. Durante las últimas siete décadas, pese a más de un millón de artículos publicados⁸, la literatura académica sobre supply chain ha aportado poco a la práctica del mundo real. Con pocas excepciones, las supply chains siguen gobernadas por hojas de cálculo. Es más probable que una empresa obtenga beneficios comprando billetes de lotería que adoptando cualquier técnica de optimización de inventario «demostrablemente óptima». No obstante, miles de investigadores parecen haber dedicado sus carreras a este enfoque. Resulta asombroso que la comunidad haya persistido en un error tan enorme durante tanto tiempo.

Cuando se trata la supply chain como una rama de las matemáticas, se la reduce a una serie de acertijos matemáticos. El modelo del vendedor de periódicos —en el que un vendedor decide cuántos ejemplares almacenar ante una demanda incierta, y los no vendidos pierden todo valor— es uno de los ejemplos más antiguos y destacados. Del mismo modo, la cantidad económica de pedido, definida como la cantidad que minimiza el coste total de posesión del inventario y de realización de pedidos bajo una demanda futura constante, constituye otro ejemplo clásico. Resolver estos acertijos suele implicar métodos analíticos, teoría de la probabilidad o algoritmos.

En este paradigma, el acertijo de supply chain comienza con una caracterización formal del flujo físico de bienes: los productos, los centros, las ecuaciones de demanda y plazos operativos, y las restricciones. A partir de esta formalización, los autores deducen una solución matemática, idealmente con propiedades demostrables o, como mínimo, una heurística validada con datos, a menudo sintéticos.

La coherencia interna no basta; sobrevivir al contacto con la realidad, sí. Lo que importa es si una receta numérica sobrevive al contacto con los camiones, los plazos operativos y los clientes. El criterio que adoptamos, y sus consecuencias para este libro, se exponen a continuación en Falsabilidad.

Dicho claramente, una teoría que solo sobrevive negándose a exponerse a la realidad no nos dice nada sobre cómo circulan los camiones, cómo compran los clientes o cómo esperan los palés. La coherencia interna solo garantiza la corrección dentro de los muros levantados por las hipótesis; en cuanto esos muros se encuentran con el primer pico promocional o el primer retraso aduanero, la política «óptima» vuelve a ser una conjetura imposible de poner a prueba.

Cuando se tratan como una rama de las matemáticas, los acertijos de supply chain permanecen desvinculados de las condiciones reales. Por ejemplo, con unas pocas hipótesis —demanda estacionaria, tiempo de entrega constante, bienes no perecederos, etc.— puede demostrarse que una política de reposición de inventario es óptima. Ninguna supply chain real puede contradecir ese resultado: es imposible idear un experimento que lo cuestione. La solución se basa únicamente en la coherencia interna derivada de las hipótesis del problema.

Los defensores de este enfoque argumentarían sin duda que los acertijos no se eligieron al azar. Por el contrario, se han elaborado cuidadosamente para reflejar con precisión los retos de las supply chains reales. Además, muchos artículos afirman apoyarse en conjuntos de datos «del mundo real» y presentan pruebas rigurosas realizadas con ellos.

Sin embargo, la práctica ofrece una refutación clara y contundente de esta proposición. Las empresas ni utilizan esos métodos supuestamente «óptimos» para gestionar sus supply chains ni adoptan ninguna de sus variantes, ni siquiera como fuente de inspiración. Si estos algoritmos fueran realmente valiosos, la comunidad presenciaría sacudidas similares a las del software, donde las técnicas superiores —bases de datos transaccionales, computación en la nube, deep learning— se adoptan rápidamente.

La afirmación de que las empresas desconocen estos métodos «modernos» de supply chain tampoco resiste el examen. Desde finales de los años 1970, los proveedores de software empresarial han incorporado miles de esos métodos a sus productos. Sin embargo, se descartan invariablemente, pues los profesionales de supply chain vuelven enseguida a sus hojas de cálculo.

Aplicando la navaja de Ockham, la explicación más sencilla es que estos «acertijos» matemáticamente pulcros no producen ninguna mejora reproducible y relevante para los beneficios cuando se enfrentan al desorden de las operaciones cotidianas. Como ni reducen el coste total ni elevan los niveles de servicio de una forma que compense la carga de su implantación, los profesionales los apartan con toda racionalidad y vuelven a herramientas —incluso hojas de cálculo— que han demostrado su utilidad.

Por último, buena parte del aparente «progreso» en esta rama de las matemáticas puede ser ilusorio. La investigación es tan vulnerable a las modas como cualquier otra rama del conocimiento. En los años 1960 estaban de moda las soluciones analíticas explícitas de los acertijos de supply chain; en los años 1990 ganaron popularidad los modelos paramétricos de series temporales; y en los años 2020 la tendencia son los simuladores de Monte Carlo. Los autores que se centran en las modas científicas del momento no contribuyen necesariamente a un progreso real —o a su ausencia— en el campo. Además, las tendencias anteriores se etiquetan como «obsoletas», con independencia de lo que aquellos artículos pudieran haber aportado a las supply chains reales.

3.2.1 Falsabilidad

Una vez establecido que la postura matemática por sí sola no puede dirigir una supply chain, necesitamos un criterio positivo para separar el conocimiento que merece gobernar un palé del que no.

En la primera mitad del siglo XX surgió una perspectiva decisiva sobre las teorías complejas con la obra de Karl Popper⁹. En su empeño de toda una vida por caracterizar la ciencia, Popper introdujo el criterio de refutación empírica. Este criterio es central en el presente libro. Una anécdota de su vida permite esclarecerlo.

En el capítulo inicial de su libro «Conjectures and Refutations» (1963), Popper explica cómo sus experiencias juveniles en Viena hacia 1919 dieron forma a su idea de la falsabilidad como rasgo distintivo de la ciencia. Señala que, mientras la relatividad de Einstein formulaba predicciones audaces —y se arriesgaba a ser refutada por la observación—, el marxismo, al igual que el psicoanálisis freudiano, era «salvado» perpetuamente mediante explicaciones ad hoc cada vez que aparecía evidencia contraria. Los físicos que ponían a prueba la teoría de Einstein acogían e incluso buscaban la posibilidad de refutarla, recurriendo a observaciones —por ejemplo, la desviación de la luz de las estrellas alrededor del Sol durante un eclipse solar— para comprobar si la teoría se sostenía. Los físicos buscaban la máxima exposición a la realidad y exploraban los ángulos con más probabilidades de desmontar una teoría.

En cambio, los marxistas «inmunizaban» su doctrina frente a la refutación reinterpretando los acontecimientos para ajustarlos a la teoría. Por ejemplo, la teoría marxista predecía que la revolución proletaria se produciría primero donde los obreros fabriles fueran más numerosos, es decir, en Gran Bretaña. Sin embargo, la revolución ocurrió en la Rusia zarista en 1917, uno de los países menos industrializados de Europa. En lugar de rechazar la teoría por haber sido refutada, los marxistas revisaron la interpretación para explicar por qué la revolución se produciría primero en el país menos industrializado.

Evidentemente, eran los físicos quienes mantenían la postura intelectual correcta. Su inclinación intelectual acabaría produciendo dos monumentos de nuestra comprensión actual del universo: la relatividad general y la física cuántica. Dos teorías que resultaron extraordinariamente capaces de formular predicciones con relevancia empírica. Por el contrario, la teoría marxista seguiría siendo refutada sin cesar por decenas de países que implantaron reformas inspiradas en esa doctrina y obtuvieron, como consecuencia, resultados económicos desastrosos, dejando perplejos a sus economistas marxistas¹⁰.

Estas observaciones llevaron a Popper a formular la falsabilidad. Esta pone de relieve la asimetría radical que existe en la ciencia entre la verdad y la falsedad. Nunca puede demostrarse que una teoría sea verdadera; solo puede refutarse. En efecto, para demostrar exhaustivamente una teoría —por ejemplo, la relatividad general— habría que verificar que todos los cuerpos celestes, en todo lugar y en todo momento, siguen las leyes que enuncia. Es, evidentemente, una hazaña completamente imposible. En el mejor de los casos podemos reunir una larga serie de mediciones acordes con la teoría, pero, más allá de eso, solo podemos extrapolar su validez al resto del universo. Sin embargo, lo contrario es mucho más accesible: basta una sola pareja de cuerpos celestes¹¹ que contradiga la teoría para demostrar que esta es errónea.

Por tanto, en el mejor de los casos solo podemos intentar refutar una teoría. Sin embargo, para que ese intento llegue a producirse, la teoría debe exponerse a un proceso de validación empírica que, en principio, pueda fracasar. Popper denominó falsables a esas teorías. De ello se sigue que cuanto más tiempo sobreviva una teoría a un ataque experimental implacable, más confianza merece. En cambio, una teoría no falsable no puede refutarse; tales teorías no pertenecen al conocimiento científico. Hoy la falsabilidad goza de amplio reconocimiento como uno de los principios centrales de la ciencia.

Volviendo a la supply chain, la falsabilidad revela qué falla en la postura puramente matemática: es inmune a la refutación. Pertenece a las matemáticas aplicadas, no a las ciencias naturales. En consecuencia, la corrección de las recetas numéricas derivadas de esta perspectiva es superficial. Se limita a reflejar la coherencia con un conjunto inicial de hipótesis. Esas recetas quedan enteramente a merced de la corrección de sus premisas, pero también de problemas aún más cotidianos.

La falsabilidad importa porque la supply chain se juzga por los beneficios, no por la elegancia. Una recomendación cuya falsedad no puede demostrarse cuando los estantes siguen vacíos o el inventario se hincha no es ciencia operativa: es un relato matemático. El rigor matemático es indispensable, siempre que las premisas se presten a ser cuestionadas empíricamente.

3.2.2 Los incentivos del mundo académico

Antes de examinar ejemplos concretos de las hipótesis desmesuradas que lastran estos modelos, debemos preguntarnos por qué el mundo académico sigue defendiéndolos. La respuesta reside en los incentivos que moldean las carreras académicas: las revistas recompensan la novedad y la elegancia formal, no el impacto operativo, de modo que la investigación gravita de forma natural hacia acertijos publicables en vez de aplicables.

En The Future of Operational Research is Past (1979), Russell Ackoff identifica una serie de problemas que socavan su disciplina. En términos contemporáneos, «investigación operativa» es sinónimo de «supply chain», y las críticas de Ackoff siguen siendo plenamente pertinentes hoy. Entre esos problemas se encuentran:

1. Resolver problemas inventados;

2. Dar por sentado el objetivo;

3. Ignorar las propiedades del sistema;

4. Suponer que el futuro puede conocerse;

5. Mirar hacia dentro, y cada vez más;

6. El racionalismo que se toma por razón.

Más de cuatro décadas después, puede parecer asombroso que el mundo académico siga pasando por alto esos problemas fundamentales, especialmente dada la considerable reputación de Ackoff. Sin embargo, este comportamiento resulta menos sorprendente cuando se tienen en cuenta los incentivos.

Los académicos se evalúan principalmente según dos ejes estrechamente vinculados. Primero están el volumen de artículos producidos y el impacto que logran dentro de la cámara de eco académica; aquí, impacto significa poco más que la frecuencia con la que otros artículos los citan. Que la idea citada llegue a reducir una factura de compras, acortar un plazo operativo o evitar un faltante de stock no se refleja en esa métrica.

El segundo eje es el desempeño docente, que en la práctica se reduce a la aptitud del profesor para transmitir ese mismo material orientado a las citas a la siguiente promoción de aspirantes a académicos. Este doble criterio crea un bucle autorreferencial. A los intelectuales se les juzga únicamente por lo bien que persuaden a otros intelectuales; quienes ya dominan el arte de persuadir a sus pares ocupan las aulas y redactan los programas. La eficacia empírica —la capacidad de una idea para sobrevivir al contacto con carretillas, aranceles o clientes— nunca entra en la ecuación.

En consecuencia, los problemas matemáticos que encajan en la temática de la supply chain ofrecen un flujo inagotable de enunciados y soluciones publicables. Añadir restricciones, modificar ecuaciones de demanda, alterar la topología de la red o incorporar términos adicionales a las funciones objetivo produce variantes casi infinitas. Cada variante sirve como material ideal para una publicación académica. Además, los detalles específicos de una empresa dispuesta a compartir conjuntos de datos, por modestos que sean, pueden ofrecer una perspectiva única y, por tanto, novedosa sobre el tema. Esto fomenta inevitablemente la ilusión de que resolver un acertijo aislado tiene importancia para el ámbito en su conjunto.

Así, el mundo académico trata incansablemente la supply chain como una rama de las matemáticas porque es la vía más expedita, en términos del tiempo invertido, para publicar artículos. Además, esos artículos exhiben los distintivos de moda de la «gran ciencia», como ecuaciones, algoritmos y resultados cuantitativos. Al clasificar la investigación de supply chain como matemáticas aplicadas, los autores evitan las rigurosas pruebas de refutación a las que las ciencias naturales se enfrentan habitualmente.

En la docencia, como los ascensos dependen de las evaluaciones de los alumnos y de las tasas de aprobados, los profesores tienen todos los incentivos para presentar material que refleje lo que sus colegas incluirán en los exámenes, privilegiando de nuevo la continuidad frente a la confrontación con la realidad.

Además, las matemáticas son excepcionalmente fáciles de enseñar, siempre que quien las expone comprenda la materia. A diferencia de lo que ocurre en las ciencias naturales, no hacen falta concesiones dudosas para ajustar la presentación al tiempo asignado. Basta con adaptar el número y la complejidad de los acertijos al reloj.

Por otra parte, a la hora de calificar, los acertijos matemáticos ofrecen la máxima comodidad. Su número y complejidad pueden ajustarse con precisión al contexto del examen, lo que permite una evaluación objetiva casi impecable con un esfuerzo mínimo. Por desgracia, esto da lugar a acertijos que apenas se parecen a la realidad desordenada, ambigua y compleja de las supply chains. Los intelectuales enseñan a los futuros intelectuales el material escrito por intelectuales del pasado, sin ningún punto de referencia externo que rompa el círculo.

Por mal que funcione en la práctica este enfoque —tratar la supply chain como matemáticas aplicadas—, sigue respondiendo a las preocupaciones permanentes de quienes aspiran a una carrera académica. Por ello, como ilustra Ackoff, no basta con demostrar que este enfoque de investigación está equivocado; hay que abordar los incentivos perjudiciales que lo sustentan en el mundo académico, una tarea completamente ajena al alcance de este libro.

Aclaremos que no hay nada intrínsecamente malo en utilizar la temática de la supply chain en matemáticas —o en campos como el análisis, los algoritmos y la estadística— si una metáfora de supply chain es la mejor forma de ilustrar un problema matemático. Pensemos, por ejemplo, en el célebre problema de los siete puentes de Königsberg, resuelto por Leonhard Euler en 1736. El reto consistía en idear un recorrido por la ciudad que cruzara cada puente exactamente una vez. Euler demostró que no existe solución, introdujo el concepto de grafo y, con ello, abrió el camino al campo de la topología.

En estas circunstancias, un artículo solo tiene valor si posee mérito matemático intrínseco: ¿revela una verdad o una estructura oculta? ¿Es la exposición particularmente elegante? ¿Abre el método el camino para resolver otros problemas matemáticos aparentemente inconexos? De lo contrario, el trabajo se considera carente de valor. El mero uso de una temática de supply chain no puede conferir mérito a un trabajo que pertenece fundamentalmente al ámbito de las matemáticas.

Cualquier lector familiarizado con la literatura sabrá que los artículos de supply chain que cumplen este criterio son extraordinariamente escasos.

3.2.3 Los escollos de las existencias de seguridad

Demostrar las deficiencias de la vasta literatura que trata la supply chain como matemáticas es abrumador; con cerca de un millón de artículos que cuestionar, la tarea roza lo insuperable. Es una ilustración vívida de la ley de Brandolini, que señala que refutar disparates suele exigir un orden de magnitud más de esfuerzo que producirlos.

Para mantener la discusión dentro de límites manejables, nos centraremos en un concepto ampliamente aceptado —las existencias de seguridad— para ilustrar las deficiencias generales de abordar la supply chain como matemáticas.

Las existencias de seguridad son la reserva necesaria para alcanzar un nivel de servicio deseado para un SKU determinado (unidad de gestión de inventario). Aquí, el nivel de servicio se define como la frecuencia con la que se evita un faltante de stock durante un periodo dado. El modelo supone que la demanda durante el tiempo de entrega sigue una distribución normal y que el tiempo de entrega es constante. Estas hipótesis dan lugar a una fórmula cerrada para las existencias necesarias.

Figura: En el modelo de existencias de seguridad, el punto de pedido se fija como la suma de las existencias operativas (demanda media durante el tiempo de entrega) y las existencias de seguridad (desviación de la demanda durante el tiempo de entrega multiplicada por un factor).

Como el cálculo solo tiene interés histórico, se omite aquí. Baste decir que el modelo produce una fórmula explícita que puede calcularse fácilmente en una hoja de cálculo con un esfuerzo mínimo tanto del programador como del ordenador.

Sin embargo, las existencias de seguridad tienen defectos fundamentales —«existencias peligrosas» sería un nombre más apropiado—, porque esa caracterización errónea produce malos resultados. Como consuelo, las existencias de seguridad sirven como una sencilla prueba de fuego para identificar la incompetencia flagrante en el campo de la supply chain.

Las existencias de seguridad presentan tres problemas principales, cada uno de los cuales basta para impedir resultados satisfactorios al aplicarlas a una supply chain real. Los dos primeros son errores de categoría, mientras que el tercero es técnico.

El primer defecto, y el más perjudicial, es el aislacionismo metodológico. Las fórmulas de existencias de seguridad examinan cada SKU como si fuera el único que reclamara recursos del balance e intentan calcular una cantidad «óptima» para ese artículo en el vacío. Sin embargo, cada unidad adicional inmoviliza efectivo que podría haber financiado existencias de otro producto o haberse destinado a cualquier uso más rentable. En efecto, todos los SKU compiten por la misma reserva finita de capital circulante, y cualquier modelo que ignore esa rivalidad es ciego a las propias disyuntivas que se supone que debe coordinar.

Fuera de las microempresas, ninguna supply chain se ocupa de un solo SKU; las empresas suelen gestionar cientos, si no miles. Además, reponer un SKU es fundamentalmente distinto de gestionar la reposición de muchos SKU. Los dos problemas son radicalmente diferentes. Las existencias de seguridad ni siquiera reconocen que los SKU no pueden tratarse aisladamente; su propia definición elude el problema que debe resolverse: la asignación de dinero al inventario.

En segundo lugar, aunque aceptemos por un momento tratar cada SKU de forma aislada, la receta de las existencias de seguridad sigue siendo irremediablemente incompleta. Se basa en elegir un «nivel de servicio objetivo» —un porcentaje sacado de la nada— y tratar después esa cifra como si llevara incorporado un vínculo con los beneficios. La fórmula nunca explica por qué el 95 % debería dar mejores resultados que el 92 % o el 97 %; simplemente deja el juicio más difícil al arbitrio de la dirección y procede como si la cuestión estuviera resuelta.

Sus defensores responden a veces que un nivel de servicio más alto aumentará «generalmente» la rentabilidad, pero correlación no es causalidad. Si se fija demasiado alto, se acumulan existencias sin salida en cuanto cambia la demanda; si se fija demasiado bajo, los clientes frustrados se marchan a la competencia. Como las matemáticas permiten cualquier objetivo entre el 0 % y el 100 %, el profesional termina donde empezó: frente a la verdadera pregunta económica de cuánto capital comprometer y en qué artículos. El aparato de las existencias de seguridad no hace nada para responderla.

El tercer y último defecto es la ingenuidad estadística. La demanda real casi nunca tiene forma de campana: es escasa durante largos periodos, después salta sin aviso y sus extremos se producen con mucha más frecuencia de la que permitiría una distribución normal. Los tiempos de entrega muestran una indocilidad similar: se agrupan en torno a modas distintas —«a tiempo», «retraso aduanero», «faltante de stock del proveedor», etc.— en vez de concentrarse alrededor de un único pico simétrico. Estos patrones son la norma, no casos atípicos, y cualquier modelo que los ignore parte de unas coordenadas equivocadas.

Los manuales y el software se aferran a la curva normal porque mantiene el álgebra ordenada, no porque se ajuste a los datos. En principio, podrían sustituirla por distribuciones infladas en cero, de colas pesadas o de mezcla para reparar la teoría, pero hacerlo elimina su única virtud: la sencillez. En cuanto la aritmética se vuelve opaca, la receta de las existencias de seguridad pierde su único atractivo práctico y sigue heredando todos los errores de categoría anteriores. Si un método no es ni realista ni sencillo, no queda nada que lo haga recomendable.

El vacío que deja un mundo académico matemáticamente estéril se llena, por desgracia, con rapidez. En él entran consultores y autores de libros de empresa que llevan el péndulo al extremo opuesto: abandonan los números por los relatos. Mientras la falacia académica trata la supply chain como un acertijo desprovisto de incentivos, la falacia del consultor la trata como una historia desprovista de cuantificación. Ambos bandos ignoran el núcleo económico, solo que desde extremos distintos del espectro. La siguiente sección examina cómo este giro sociológico, aunque envuelto en prosa inspiradora, no resulta más fiable que las ecuaciones que pretende complementar.

3.3 Sociología

Si la vía académica esteriliza la supply chain hasta convertirla en acertijos abstractos, la vía de la consultoría oscila hacia el extremo opuesto: reformula la disciplina como un catálogo de observaciones sociológicas y lugares comunes sobre liderazgo. Los consultores empresariales han dominado, por tanto, las publicaciones sobre supply chain durante las últimas cuatro décadas, planteando todos los problemas en términos de cultura, trabajo en equipo y «mejores prácticas». Su producción es inmensa: bajo «Supply Chain Management» aparecen bastante más de 10.000 títulos¹². Dynamic Supply Chains (2015), de John Gattorna, es un ejemplo canónico del género y de su debilidad epistémica: las anécdotas persuasivas sustituyen a la evidencia contrastable y dejan al lector con historias en vez de conocimiento fundamentado.

Esta literatura pertenece de lleno al género de la autoayuda. Su público objetivo es el alto directivo —o el responsable que aspira a serlo— que cree que dominar una nueva palabra de moda mejorará el rendimiento de la empresa y acelerará su propio ascenso. Por su parte, el consultor convertido en autor adopta la postura de un gurú cuyos conocimientos pueden alquilarse por días.

Cada libro se desarrolla entonces a lo largo de dos ejes previsibles. El eje estratégico ofrece un puñado de lemas, normalmente entre tres y cinco, que prometen explicar cómo debe «pensarse» la supply chain; la disciplina se divide en pulcros cuadrantes, oleadas o niveles de madurez. El eje organizativo convierte esos lemas en una lista de rituales: comités de dirección, talleres interdepartamentales, matrices de asignación de responsabilidades y otros similares, todos presentados como vías de ejecución listas para usar.

Para mantener el impulso, el relato se adereza con autoridad prestada: frases llamativas de directivos de empresas del Fortune 500, citas de los Navy SEAL sobre resiliencia y relatos pormenorizados de victorias deportivas en el último minuto. Aparte de animar brevemente la prosa, una anécdota deportiva —o la cita de un deportista— no aporta ningún peso probatorio a los argumentos de supply chain. La celebridad en el deporte o el entretenimiento no guarda relación con la asignación de palés y pedidos de compra. Estas apariciones crean la ilusión de que las ideas han superado la prueba del combate; en realidad, aportan color, no pruebas.

El género recurre a un primer truco conocido: la inflación de palabras de moda. Términos como «ágil», «gemelo digital» o «impulsado por IA» se repiten hasta parecer inevitables, pero sus definiciones siguen siendo lo bastante elásticas para ajustarse a cualquier circunstancia. Detrás del brillo solo se encuentran verdades de Perogrullo de siempre —«el mundo cambia, hay que adaptarse»—, presentadas de nuevo como revelaciones. Las taxonomías que dividen a las empresas en «líderes» y «rezagadas», o en «innovadoras» y «seguidoras», disfrazan tautologías de diagramas de flujo y crean una ilusión de profundidad donde no existe ninguna.

El segundo truco es la urgencia fabricada. Los autores ponen el foco en unas pocas palancas supuestamente desatendidas —cercanía con los proveedores, orientación al cliente, sostenibilidad, cultura— y proclaman que es vital elevarlas de inmediato a la alta dirección. Este planteamiento de «actúe ahora o perezca» es imposible de refutar en una sala de juntas. Desvía hábilmente la atención y el presupuesto hacia la iniciativa predilecta del consultor, sin sopesar nunca el coste de oportunidad que impone sobre todas las demás restricciones que una supply chain en funcionamiento debe respetar.

El último truco es la autoridad prestada. Los casos de estudio invocan marcas admiradas, exhiben métricas de éxito seleccionadas y salpican el texto con citas de deportistas o veteranos de fuerzas especiales. El silogismo implícito es falaz: «La empresa X es famosa; la empresa X respalda este marco; por tanto, el marco produce fama». La correlación se sustituye discretamente por causalidad y los fracasos que romperían el hechizo se ocultan a la vista.

Estos recursos retóricos no son un entretenimiento inofensivo; desplazan el razonamiento cuantitativo que exige una mejora real. Al envolver lugares comunes en prestigio y urgencia, esta literatura halaga a los directivos para que se sientan resolutivos, mientras deja intacto el flujo real de bienes. Si se retiran los logotipos y las anécdotas motivadoras, no queda nada que resista el examen analítico.

En otras palabras, el canon de la consultoría trata las disfunciones de la supply chain como un problema de relaciones humanas cuya solución consiste en remodelar el comportamiento de los grupos. Sus variables predilectas son los roles, los rituales y los relatos; sus instrumentos son los talleres, las cartas de principios y las matrices de incentivos. Este punto de vista es sociología de las organizaciones de manual: estudia cómo los colectivos mantienen su cohesión, cómo se negocia el estatus y cómo se hacen cumplir las normas, y después prescribe ceremonias destinadas a realinear esas construcciones sociales. Los palés, los contenedores y los plazos operativos aparecen solo como atrezo en un relato cuyos verdaderos protagonistas son departamentos que compiten por influencia. Que el tonelaje fluya realmente con mayor facilidad se considera un subproducto emergente de una mejor armonía social. Por tanto, esta literatura es sociológica en su método y su finalidad, aunque rara vez se presente como tal.

Aunque esta literatura contuviera conocimientos auténticos —algo que rara vez ocurre—, tratar la supply chain principalmente como una actividad sociológica desvía los esfuerzos de mejora. Hagamos un experimento mental: imaginemos una plataforma de un futuro cercano en la que una sola inteligencia artificial (IA) autónoma incorpora cada señal de demanda, cada actualización de plazos operativos y cada curva de costes, y después emite, sin intervención humana, todos los pedidos de compra, cambios de precio e instrucciones de ruta. En ese mundo ya no queda nada que «alinear» ni nadie a quien «empoderar»; todo el andamiaje de comités, talleres y matrices de incentivos se evapora de la noche a la mañana. Sin embargo, la sustancia económica de la disciplina perdura: los recursos escasos aún deben asignarse bajo variabilidad. La IA se apoyaría en los principios de opcionalidad, coste de oportunidad y riesgo —economía fundamental—, no en ninguna teoría de política interdepartamental. El experimento mental aclara la jerarquía: las construcciones organizativas son soluciones provisionales que levantamos únicamente porque las personas, más lentas y escasas que las CPU, deben coordinarse. La automatización ya está erosionando esta envoltura sociológica: los bots de precios, los optimizadores de rutas y los motores de asignación realizan hoy tareas que antes ocupaban departamentos enteros, del mismo modo que un portátil sustituyó las tablas actuariales que antes justificaban pelotones de administrativos. Hasta que llegue la automatización plena, los humanos seguirán interviniendo en el proceso. La brújula que los guíe debe seguir siendo económica y operativa, no sociológica.

Es cierto que algunos retos de supply chain aún se resisten al software. Una vez explicitados los pasos necesarios, es aceptable recurrir a la inteligencia humana como solución provisional hasta que los métodos más avanzados puedan automatizarlos. Cuando la carga de trabajo supere la capacidad de una persona, incorpore más personas y organícelas en consecuencia; incluso entonces, la sociología debería ser el último recurso. En efecto, insistir en que una tarea intelectual «requiere inteligencia humana» equivale a admitir: «No tengo una idea clara de cómo resolver este problema, pero, si no queda más remedio, alguien se las arreglará».

Durante más de dos siglos ha sido un error recurrente tratar la participación humana como una virtud en sí misma. Los luditas —tejedores y trabajadores textiles británicos que se opusieron a los telares y las máquinas de tejer mecanizados a principios del siglo XIX— son el ejemplo canónico de este error. En las supply chains, la participación humana en la microgestión diaria de millones de SKU no es intrínsecamente deseable. La ausencia de mecanización impone límites predecibles —largos retrasos de procesamiento, menor capacidad de reacción y asignaciones mediocres—, porque los operarios no pueden sopesar todos los factores cuantitativos pertinentes.

En conjunto, estos trucos promovidos por los consultores explican por qué los marcos vistosos dejan tan a menudo los contenedores, los precios y los pedidos de compra exactamente donde estaban. Convierten la asignación de recursos en terapia de grupo y confunden armonía con beneficios. Para ver el coste concreto de confundir sociología con dominio de la supply chain, examinaremos ahora la doctrina emblemática de esta literatura: la planificación de ventas y operaciones.

3.3.1 Los escollos de S&OP

La planificación de ventas y operaciones (S&OP) lleva cuatro décadas anunciándose como la cura para los compartimentos estancos funcionales, pero encarna la falacia sociológica que acabamos de exponer. Su elaborado calendario de reuniones busca el consenso en torno a una única previsión, sumamente incierta, y después pide a cada departamento que le jure lealtad. Las variantes rebautizadas, como la planificación empresarial integrada (IBP), heredan la misma debilidad: tratan los precios, las compras y la capacidad como un ritual empresarial en lugar de una optimización económica. Como S&OP es a la vez influyente y sintomático, será el único ejemplo de la crítica que sigue, aunque el argumento se aplica por igual a todos sus semejantes.

Desde el auge de la corporación gigante en el siglo XIX, la especialización ha proporcionado la mayor parte de lo que llamamos «economías de escala». Al estrechar su ámbito, los equipos profundizan sus conocimientos, elevan la productividad y hacen que los resultados sean más predecibles. Sin embargo, cada nueva especialidad abre otra costura que debe volver a unirse al conjunto, y coserla resulta combinatoriamente más difícil a medida que se amplía el tapiz organizativo.

Cuando la coordinación se queda atrás, los fallos son espectaculares. El marketing puede estimular una demanda que las fábricas no pueden atender, malgastando presupuestos publicitarios y decepcionando a los clientes. La fabricación puede inundar los almacenes de unidades que el mercado no absorberá, obligando a hacer descuentos de liquidación o a dar de baja por completo las existencias cuando sus costes de posesión superen cualquier margen plausible.

La planificación de ventas y operaciones (S&OP) se concibió a principios de los años 1980 como un alto el fuego ritualizado entre las facciones que acabamos de describir. Su promesa era sencilla: reunir a todas las funciones en una única cita del calendario, acordar una sola visión futura de la demanda y trasladarla en cascada a planes sincronizados de suministro, capacidad y finanzas. En teoría, la reunión garantiza que quienes crean la demanda —ventas, marketing, merchandising— y quienes la satisfacen —compras, fabricación, logística— salgan de la sala comprometidos con las mismas cifras y las mismas restricciones.

El marco ganó impulso en los años 2000, cuando los proveedores de ERP y las consultoras empezaron a vender paneles de S&OP, modelos de madurez y estudios comparativos. Pese a lo vistoso de las herramientas, la mecánica sigue siendo espartana: un horizonte móvil de 18 a 24 meses, una previsión consensuada a veces denominada «un único conjunto de cifras» y una secuencia mensual de lecturas previas y talleres que retocan esas cifras hasta que todos los vicepresidentes puedan dar su aprobación.

Desde una perspectiva histórica, S&OP es menos una innovación que una secuela moderna de las reuniones de producción de los directivos que Alfred Sloan organizaba en General Motors en los años 1920. El vocabulario ha cambiado, pero la intención es idéntica: imponer una rutina institucional que impida que los imperios funcionales se distancien cuando la variabilidad amenaza con separarlos.

Pese a su longevidad, S&OP se desmorona al examinarlo de cerca. Cuatro defectos estructurales socavan esta práctica y muestran por qué, desde un punto de vista epistémico, no se le puede confiar la dirección de recursos escasos.

1. La ilusión de la previsión. S&OP empieza suponiendo que una única previsión de demanda en forma de serie temporal no solo existe, sino que es lo bastante precisa para gobernar la capacidad, los precios y el inventario con meses de antelación. Esa premisa trata un futuro incierto como una constante conocida y convierte la parte más difícil del problema en un dato de entrada de una hoja de cálculo. Al disfrazar de certeza la incertidumbre, el ritual corta el bucle de retroalimentación que, de otro modo, permitiría comprobar si esas cifras merecieron alguna vez ser creídas.

2. El vacío de decisiones. Tras sacar de la chistera una previsión consensuada de demanda, S&OP delega todas las decisiones cuantitativas —lotes de compra, programas de producción, planes de rutas— en las heurísticas que ya utiliza cada compartimento funcional. El marco no aporta ningún criterio económico para elegir una asignación en vez de otra; se limita a dar fe de elecciones hechas en otro lugar. Desde el punto de vista epistémico, es registro de operaciones disfrazado de optimización.

3. El exceso ritual. La cadencia mensual de reuniones previas, talleres de coordinación y revisiones ejecutivas se presenta como la cura para la descoordinación, pero esa cura crece con la plantilla, no con la física del flujo. Cada SKU, ruta o promoción adicional exige otra presentación de diapositivas, no un algoritmo más preciso. La complejidad es accidental —creada por las reuniones—, no esencial —creada por los átomos y los plazos operativos—.

4. Las taxonomías arbitrarias. S&OP divide el tiempo en categorías operativas, tácticas y estratégicas, y reduce la realidad a una matriz de dos ejes, «demanda frente a suministro». Estas divisiones son conveniencias retóricas, no descubrimientos empíricos; pueden reorganizarse a voluntad sin cambiar los resultados económicos. Una teoría cuyos parámetros pueden variar libremente no es falsable y, por tanto, no puede acumular conocimiento fiable.

En conjunto, estos defectos explican por qué las empresas que adoptan S&OP suelen volver a sus propias hojas de cálculo: la práctica ofrece una puesta en escena de procesos sin poder predictivo. Una reunión puede imponer un consenso temporal, pero no revelar qué decisión maximiza los beneficios a largo plazo bajo variabilidad e incentivos contrapuestos. Hasta que un marco exponga sus hipótesis al cuestionamiento empírico y fundamente sus prescripciones en el coste de oportunidad, pertenecerá al folclore organizativo, no a la ciencia de la supply chain.

Pasamos ahora a la historia económica para examinar cómo se han manifestado en el pasado errores epistémicos similares y qué lecciones ofrecen para el presente.

3.4 Historia económica

La historia económica cataloga lo que realmente ocurrió: los precios pagados, los bienes transportados, las crisis soportadas. Es indispensable para aportar contexto, pero, como subrayó Ludwig von Mises en Human Action (1949), los hechos no se interpretan solos. Solo una teoría económica previa puede darles significado al rastrear causas, efectos y contrafactuales. En suma, la economía debe preceder a la historia económica; primero necesitamos un marco lógico para poder relatar el pasado de forma útil.

El mismo orden rige la supply chain. Los paneles repletos de histogramas de plazos operativos, gráficos de niveles de servicio y rotaciones de inventario no son más que crónicas. Sin una teoría del coste de oportunidad y la opcionalidad, un analista no puede determinar si una reducción de existencias del 20 % fue brillantez o negligencia. Los datos solo se convierten en conocimiento cuando se filtran a través de una perspectiva económica; de lo contrario, el ejercicio es registro de operaciones disfrazado de comprensión.

Sin embargo, en la práctica cotidiana se difumina habitualmente la distinción entre crónica y explicación. Los analistas llenan paneles, los proveedores publican informes comparativos y los consultores exhiben casos de estudio de antes y después: todos relatan lo que sí ocurrió, pero guardan silencio sobre lo que podría haber ocurrido con otras elecciones. El registro cuenta una historia; nunca diagnostica los mecanismos que la generaron.

Consideremos un minorista que anuncia una reducción de inventario del 20 %. Sin una teoría del coste de oportunidad, el titular carece de sentido: ¿se liberó realmente capital circulante sin pérdida de servicio o simplemente se aplazaron los faltantes en los estantes a un trimestre cuyos resultados aún no se han presentado? El registro no contiene filas para las ventas que nunca se materializaron, las ampliaciones de surtido que nunca se intentaron o los experimentos de precios que nunca se realizaron. La historia solo registra el camino recorrido, nunca los adyacentes que quedaron sin explorar.

Las comparaciones de referencia agravan el problema. Clasificar empresas por «días de cobertura» o «rotaciones de inventario» invita a imitarlas, pero ignora asimetrías estratégicas como la amplitud del surtido, las promesas de servicio o el poder de fijación de precios. Copiar la métrica sin reproducir el contexto es optimización por culto al cargamento: se conserva el ritual, pero no la economía.

La lección se hace eco de las críticas dirigidas a las matemáticas y la sociología: la historia económica es una fuente auxiliar de conocimiento, no un fundamento. Los hechos recopilados a posteriori son indispensables, pero deben filtrarse a través de una perspectiva económica orientada al futuro que sopese contrafactuales y costes de oportunidad. Sin ella, la historia se convierte en un relato con números: reconfortante de leer, impotente para dirigir el siguiente contenedor. Por tanto, el dominio empieza por la teoría, la contrasta con la experiencia y solo entonces deja que el registro oriente las asignaciones futuras.

3.5 Ciencias auxiliares

Las ciencias auxiliares son las disciplinas en las que la supply chain se apoya habitualmente para obtener hechos, demostraciones o herramientas: la estadística para la incertidumbre, la informática para la automatización, la psicología empírica para los sesgos humanos, la ingeniería aeronáutica para la eficiencia del combustible, etc. La expresión procede de la historiografía, donde desde el siglo XVI se denomina auxiliares a campos como la paleografía o la dendrocronología porque aportan evidencia sin escribir la historia. La jerarquía es epistémica, no peyorativa: la supply chain está subordinada a las verdades duraderas que establezcan esas ciencias. Si los estadísticos refinan el significado de un intervalo de confianza o los ingenieros aeronáuticos demuestran que un perfil de vuelo es más barato, el profesional debe adaptarse de inmediato. Lo que importa es que el conocimiento sea fiable, no la vía por la que se obtuvo.

Sin embargo, subordinación no implica fusión. La supply chain no es un guiso multidisciplinar de matemáticas, ingeniería de software, psicología y logística. Sigue siendo una rama aplicada y diferenciada de la economía cuyo único cometido es asignar recursos escasos bajo variabilidad. Las ciencias auxiliares se consultan solo en la medida en que sus hallazgos ayudan a cumplir ese cometido; sus debates internos, su jerga y sus pugnas por el prestigio pueden ignorarse sin riesgo. El profesional necesita conocerlas lo justo para elegir la herramienta adecuada y advertir cuándo falla: ni más ni menos.

El conocimiento necesario depende de la encapsulación. Cuando un resultado auxiliar está incorporado en un artefacto sólido —un lector de códigos de barras, un motor de optimización, un circuito integrado—, el experto en supply chain puede tratarlo como una caja negra y concentrarse en las disyuntivas económicas. Cuando la encapsulación es escasa, como sigue ocurriendo con la mayoría de las investigaciones en economía del comportamiento, el experto debe abrir la caja, comprender los límites y compensarlos manualmente.

Los historiadores ofrecen la analogía. La dendrocronología puede fechar un escudo en el verano de 1519 y refutar así cualquier afirmación de que se empuñó en la batalla de Marignano de 1515, pero ningún historiador confunde el estudio de los anillos de los árboles con la escritura de la historia. La supply chain debería cultivar la misma disciplina: aprovechar sin miramientos todas las ciencias auxiliares, pero no ceder nunca el volante.

El principio de subordinación resulta claro cuando la microbiología establece límites no negociables. El trabajo de laboratorio muestra que la mayoría de los patógenos transmitidos por alimentos entra en una fase de crecimiento exponencial cuando la temperatura del producto supera los 5 °C durante más de unas pocas horas. Por tanto, las directrices de la cadena de frío exigen que la carne refrigerada salga de la planta por debajo de 4 °C y no supere nunca los 7 °C antes de llegar al cliente. Que los planificadores puedan recitar las curvas de crecimiento de Listeria es irrelevante; una vez que los microbiólogos fijan esos umbrales, el experto en supply chain debe decidir si paga contenedores refrigerados, organiza rutas de reparto más densas o acorta el radio de distribución, pero la restricción de temperatura en sí no está en discusión.

La ciencia de materiales ofrece la misma lección. Los ensayos de compresión revelan que una caja estándar de cartón ondulado de doble pared y 7 mm colapsa cuando la carga superior supera aproximadamente los 8 kN. Por tanto, un centro de distribución que apile esas cajas hasta una altura de seis palés ha limitado su peso por caja a unos 18 kg, salvo que pase a un embalaje de triple pared, reduzca la altura de apilado o invierta en estanterías. La ciencia auxiliar proporciona las condiciones de contorno; la supply chain sopesa las disyuntivas económicas que existen dentro de esos límites.

La supply chain se somete a sus ciencias auxiliares porque esas disciplinas disponen de formas más rápidas y precisas de separar la verdad del error. En física o química, un experimento de laboratorio realizado antes del almuerzo puede aniquilar una mala hipótesis a un coste insignificante; los resultados son rápidos, reproducibles y decisivos. Las afirmaciones sobre supply chain, como las de la economía, solo pueden examinarse en el mundo desordenado de fábricas, camiones y tiendas. Las pruebas sobre el terreno duran meses, consumen dinero real y rara vez ofrecen un veredicto nítido de sí o no. Como su bucle de retroalimentación es más lento y ruidoso, la supply chain debe tomar prestado el rigor de sus auxiliares y aceptar al mismo tiempo que su propio conocimiento se acumulará de forma más gradual.

No obstante, la supply chain no hereda los objetivos de sus ciencias auxiliares; se limita a comprar sus hallazgos como insumos brutos. Los ingenieros aeronáuticos pueden demostrar que introducir una escala de repostaje a mitad de ruta reduce un ocho por ciento el consumo de combustible de un vuelo de ultra largo radio, pero el profesional aún debe sopesar ese ahorro frente a un mayor tiempo de tránsito, tasas de aterrizaje adicionales, horas extraordinarias de la tripulación y una posible pérdida de clientes. El criterio es el rendimiento económico, no la elegancia técnica: todo recurso —combustible de aviación, horas, capital, buena voluntad— lleva asociado un coste de oportunidad que debe valorarse antes de tomar una decisión. Las ciencias auxiliares aportan hechos; la supply chain les asigna valor.

La supply chain puede parecer multidisciplinar porque su práctica diaria toma elementos de la estadística, la informática, la ingeniería mecánica e incluso la psicología del comportamiento. Esta impresión confunde herramientas con objetivos. Como ciencia, la supply chain es una rama de la economía aplicada cuyo único cometido es decidir cómo deben fluir los recursos escasos a través del espacio y del tiempo. Las ciencias auxiliares solo proporcionan mediciones, algoritmos o máquinas al servicio de ese cometido; no lo redefinen. En cambio, las ciencias naturales se entremezclan precisamente porque los átomos no saben nada de las paredes departamentales que separan la física de la química o la biología: sus fronteras son conveniencias pedagógicas. Por tanto, la supply chain no es multidisciplinar en sentido epistémico, sino solo en el sentido práctico de que utiliza muchos resultados importados.

Que un profesional deba profundizar en un campo auxiliar depende de dos palancas. La incidencia económica mide cuánto dependen los beneficios del conocimiento auxiliar; la calidad de la encapsulación mide cuánto de ese conocimiento viene incorporado en artefactos fiables. Cuanto mayor sea la incidencia y peor la encapsulación, mayor será el dominio personal necesario.

La incidencia económica es la sensibilidad de los beneficios vinculada a una ciencia auxiliar. Si ajustar el caudal de aire de una sala limpia solo ahorra una cantidad simbólica por lote, la incidencia es baja y el ajuste puede seguir siendo un procedimiento fijo. En cambio, acortar apenas cinco minutos el tiempo de residencia de un reactor químico continuo puede aumentar un seis por ciento la producción por hora, pero también reduce el rendimiento de conversión y cambia la gama de coproductos: el producto de la categoría principal se vende con un sobreprecio, mientras que las corrientes secundaria y terciaria se venden con descuento o deben reprocesarse. El volumen adicional, el menor rendimiento y la combinación alterada de coproductos repercuten en los inventarios, las asignaciones a contratos y los niveles de precios. Como la disyuntiva es importante y la lógica de control está oculta en densos diagramas de proceso, los planificadores deben comprender la cinética de la reacción lo bastante bien para sopesar capacidad y margen antes de autorizar el cambio. Por tanto, solo se requieren conocimientos profundos donde coinciden una alta incidencia y una encapsulación escasa; en los demás casos, el campo auxiliar puede permanecer sin riesgo como un módulo sellado.

A la inversa, los circuitos integrados ilustran una encapsulación excelente. Incorporan un siglo de mecánica cuántica tras una interfaz de cinco voltios; los planificadores aprovechan la potencia de cálculo sin estudiar nunca la teoría de bandas. Los motores a reacción ocultan la termodinámica y la ciencia de materiales con la misma pulcritud; una tabla de consumo de combustible es todo lo que necesita un optimizador de redes. En el extremo opuesto está la psicología empírica. Hallazgos como el anclaje, la aversión a la pérdida y el descuento hiperbólico llegan a los responsables principalmente en forma de prosa. Como la encapsulación es escasa y la incidencia —precios, promociones, negociación— es alta, los dirigentes de supply chain deben comprender los conceptos por sí mismos o arriesgarse a repetir los sesgos que documenta ese campo.

De ello se desprende una regla práctica: solo se necesitan conocimientos profundos donde coinciden una alta incidencia y una encapsulación escasa. Cuando falta una de esas palancas, la ciencia auxiliar puede seguir siendo un módulo sellado.

En suma, las ciencias auxiliares amplían las fronteras, mientras que la práctica de la supply chain decide cuándo importan esas fronteras. Siempre que la estadística proporciona un intervalo más estrecho, la ciencia de materiales un palé más ligero o la informática un solver más rápido, cambia la incidencia económica de la decisión correspondiente, y también debe cambiar la atención directiva. A la inversa, una vez que un avance queda encerrado en un artefacto fiable, puede tratarse como infraestructura y descargarse de la atención consciente. El oficio consiste en mantener un mapa vivo de qué piezas siguen exigiendo examen y cuáles han cruzado el umbral de la «caja negra». Si se descuida ese mapa, aparece un vacío que pronto llenan los discursos exagerados de los proveedores y el folclore de los consultores, un patrón que examinamos a continuación bajo el título de corrupción epistémica.

3.6 Corrupción epistémica

Cuando un sistema de conocimiento pierde de forma importante su integridad y deja de proporcionar los tipos de conocimiento fiable que se esperan de él, podemos denominarlo corrupción epistémica. La corrupción epistémica suele producirse porque el sistema ha sido capturado por intereses contrarios a algunos de los objetivos centrales que se considera que lo sustentan. Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science (2021), Sergio Sismondo.

Buena parte de lo que hoy pasa por conocimiento sobre supply chain está corrompido: no mejora las supply chains, aunque afirme hacerlo. Sin embargo, no hay grandes conspiraciones, señores del mal ni sobornos en juego. Los autores que producen material sobre supply chain gravemente sesgado rara vez son deshonestos; la mayoría de las veces ni siquiera son conscientes del problema. La mayor parte de la corrupción epistémica que aqueja a la supply chain procede de incentivos perversos estructurales. El resto de este capítulo aborda ideas erróneas persistentes cuyo daño va mucho más allá de la supply chain.

Como rama aplicada de la economía, el conocimiento sobre supply chain promete riqueza: hacer a las empresas más ricas y, a veces, acaudaladas. Todo profesional o equipo interno de supply chain tiene el incentivo de desarrollar conocimientos superiores para superar a sus rivales. En consecuencia, tiene pocos incentivos para divulgar sus descubrimientos; si descubre una heurística contraintuitiva pero eficaz para optimizar el inventario, la empresa prefiere protegerla como secreto comercial.

Los proveedores más vociferantes de «verdades» sobre supply chain son quienes monetizan el asesoramiento: académicos, consultores y proveedores de software, cada uno de ellos sujeto a incentivos que sesgan lo que elige publicar.

En primer lugar, el mundo académico: con financiación privada o pública, los profesores compiten por alumnos y reconocimiento mediante publicaciones, un caso clásico de «publicar o perecer». Los autores académicos rara vez tienen la oportunidad de verificar en la práctica sus afirmaciones sobre supply chain; incluso cuando colaboran con empresas, sus carreras permanecen en gran medida aisladas de los resultados reales. De hecho, la tendencia a considerar la supply chain como una colección de acertijos matemáticos pone de relieve la influencia de los incentivos estructurales.

Imaginar y resolver acertijos matemáticos requiere un ingenio limitado, especialmente cuando tanto el nuevo acertijo como su solución son meras variantes de casos conocidos. Como la validez de la solución es exclusivamente una cuestión de coherencia interna, igual que en cualquier demostración matemática, el autor queda eximido de la carga de buscar una validación en el mundo real. Utilizar datos reales en pruebas comparativas sintéticas es poco más que una cortina de humo; sigue sin mostrar qué resultados habría producido su implantación.

En segundo lugar, los consultores, cuyos clientes son responsables empresariales. A diferencia de los académicos, los consultores se enfrentan a las consecuencias reales de sus teorías, y esta responsabilidad se convierte a menudo en una ventaja. Cuando un responsable duda de un proyecto, se incorpora a un consultor como parapeto: el éxito da mérito al responsable, mientras que el fracaso recae sobre el consultor. Conscientes de esta dinámica, los responsables rara vez prescinden de consultores con un historial mediocre. En un sentido más amplio, los consultores suelen evitar las recomendaciones firmes, pues su papel consiste fundamentalmente en no decir nunca «no» a un cliente.

En tercer lugar, los proveedores de software, incluido el presente autor. Desarrollar software empresarial es un proceso lento y desordenado. El producto final suele ser opaco e intrincado; si no lo fuera, se comercializaría como un producto de autoservicio para particulares y pequeñas empresas. Los clientes de los proveedores de software también son responsables empresariales; sin embargo, quienes seleccionan a los proveedores no suelen ser quienes utilizan el producto. Los responsables consultan a menudo a sus subordinados para tomar una decisión más informada, y es aquí donde entran los incentivos contrapuestos. La mayoría de los productos de software pretende, al menos en parte, mejorar la productividad, lo que a menudo implica reducir la plantilla. Apoyarse en las opiniones de los subordinados favorece sistemáticamente al proveedor que mejor preserva el statu quo y, por tanto, la plantilla. Como los responsables suelen carecer de tiempo para adquirir los conocimientos necesarios para evaluar un producto, delegan buena parte de la evaluación en autoridades externas.

Debido a esta dinámica, el caso de estudio se ha convertido en el instrumento promocional canónico del software empresarial. Como buena parte de la «evidencia» de este campo circula hoy por este canal, merece un examen detenido en la siguiente sección.

3.6.1 Casos de estudio

Entre los canales por los que estos incentivos contrapuestos distorsionan la evidencia, uno domina: el caso de estudio empresarial. Los casos de estudio son publirreportajes elaborados destinados a un público empresarial, ni más ni menos. Sin embargo, muchas empresas actúan bajo la peligrosa ilusión de que los casos de estudio son veraces, especialmente cuando se puede contactar con el cliente citado; la realidad es otra. En el mejor de los casos, un caso de estudio aclara qué intenta vender el proveedor; no permite evaluar cuánto se benefició el cliente citado, y mucho menos qué aportaría el proveedor a otra empresa. Disipemos esta ilusión.

Un caso de estudio de «software» padece dos defectos intrínsecos, cada uno de ellos fatal por sí solo: los incentivos perversos y el sesgo de selección.

No cabe duda de que el proveedor tiene fuertes incentivos para embellecer los hechos: magnificar los beneficios y ocultar los problemas que socavan los rendimientos. Se supone que la voz del cliente aporta un contraste con la realidad; en la práctica, el cliente tiene tantos incentivos como el proveedor para embellecerla. En efecto, una venta empresarial requiere que uno o varios directivos defiendan esa opción. Esos promotores están, en la práctica, avalando al proveedor¹³. Además, sus afirmaciones estarán respaldadas por métricas muy convincentes. Las supply chains son lo bastante complejas para garantizar que, por disfuncional que sea la iniciativa, se pueda identificar una breve lista de métricas favorables. Si hace falta, las métricas pueden incluso falsificarse de forma bastante descarada. Nadie, y menos aún alguien externo, estará en condiciones de contradecir las afirmaciones del caso de estudio salvo quienes conozcan la iniciativa a fondo. Los casos de estudio empresariales son, por diseño, irreproducibles.

Ante un conflicto de intereses tan flagrante, amplificado por una ausencia total de rendición de cuentas, el sesgo es inevitable. Incluso personas íntegras, conocidas por su honestidad en los asuntos cotidianos, pueden sucumbir a incentivos distorsionados cuando están en juego su reputación o su sustento. No se trata de cuestionar su integridad moral, sino de reconocer la poderosa influencia que las presiones profesionales, la percepción de los compañeros y la ambición personal pueden ejercer sobre personas por lo demás admirables. Cuando el éxito de un proyecto se traduce en ascensos, invitaciones a dar conferencias o prestigio dentro de la empresa, incluso las personas más éticas pueden encontrar casi imposible ser neutrales en sus valoraciones. El conflicto de intereses está, sencillamente, incorporado desde el principio.

Por estas razones, llamar al cliente para «verificar» un caso de estudio es completamente ineficaz. Salvo en el raro caso de una invención pura y simple, los responsables implicados confirmarán de buen grado todo lo escrito, exactamente como predicen sus incentivos. Peor aún, el «toque humano» confiere una credibilidad indebida a las afirmaciones, simplemente porque la mayoría de los responsables empresariales causa una impresión favorable a quien se pone en contacto con ellos¹⁴.

Incluso concediendo, de manera poco plausible, que el cliente diga la verdad, el caso de estudio como método sigue padeciendo un defecto fatal: el sesgo de selección. Los proveedores atienden a muchos clientes, y los casos de estudio no se eligen al azar. El proveedor escoge, naturalmente, los casos más favorables. Esta selección dirigida por el proveedor garantiza un sesgo enorme.

En efecto, un proveedor puede ser incompetente —con la mayoría de sus iniciativas abandonadas discretamente por haber fracasado— y aun así exhibir éxitos. Para conseguir una apariencia de éxito en el software empresarial basta con hacerse cargo del desastre que dejó otro proveedor incompetente.

Abundan los proveedores incompetentes, y las empresas que los eligen demuestran falta de criterio. Por tanto, no sorprende que una empresa que escogió un proveedor incompetente termine eligiendo otro igualmente incompetente una vez reconocido discretamente el primer fracaso. Sin embargo, en esta segunda ronda se habrán aprendido algunas lecciones y se evitarán ciertos errores graves. Así, el segundo proveedor, pese a ser tan incompetente como el primero, muy probablemente entregará algo comparativamente mejor. Incluso los lisiados pueden superar el listón si se coloca lo bastante bajo. De este éxito relativo surgirá un caso de estudio que glorifique la competencia del segundo proveedor.

Es inútil lamentar los sesgos de los autores en el campo de la supply chain, del mismo modo que es inútil esperar que algún día aparezca un autor «imparcial». No existe un observador neutral; poner a prueba cualquier teoría de supply chain requiere la cooperación de una empresa que busca beneficios. Permanecer neutral equivale a permanecer incompetente. No hay solución en la torre de marfil de la investigación pura. Los incentivos contrapuestos y los sesgos que producen deben considerarse un rasgo intrínseco de la supply chain.

Esto significa que los métodos utilizados para producir conocimiento sobre supply chain deben evaluarse por su capacidad de mitigar esos sesgos, en vez de amplificarlos. Idealmente, esos métodos deberían diseñarse y orientarse precisamente con ese fin.

3.7 Conocimiento negativo

Tras examinar cómo se tuerce el «conocimiento» sobre supply chain, necesitamos una contramedida práctica. El primer paso más fiable es el conocimiento negativo: un registro cuidadosamente seleccionado de lo que falla de forma predecible, mantenido a mano y aplicado como veto a proyectos atractivos pero ruinosos. La exposición que sigue explica por qué importa ese registro y cómo utilizarlo.

Si el conocimiento positivo orienta la mente en las direcciones correctas, el conocimiento negativo la aleja de las equivocadas. El conocimiento negativo está en gran medida ausente de los sistemas educativos modernos. La enseñanza se concibe como un ejercicio de transmisión de conocimiento «válido» a los alumnos. Incluso en la educación superior, son muy escasas las clases en las que los profesores se adentran en temas como «ilusiones generalizadas» o «lo que suena bien pero no funciona». Por ello, el conocimiento negativo está en gran medida ausente de la literatura sobre supply chain, y la supply chain no tiene nada de excepcional a este respecto.

Sin embargo, la supply chain se presta extraordinariamente bien al conocimiento negativo. Abundan las iniciativas fallidas, pero se descartan con demasiada frecuencia cuando deberían tratarse como una fuente preciosa de conocimiento negativo. Cualquier empresa que gestione una supply chain de tamaño considerable desde los años 1980 y siga trabajando con hojas de cálculo en lugar de sistemas realmente automatizados ha sufrido casi con certeza media docena de esos fiascos. La ironía se remonta a finales de los años 1970, cuando los proveedores de software prometieron por primera vez una automatización completa y elevaron unas expectativas que todavía no han cumplido. En vez de dejar que esos contratiempos se desvanezcan en la memoria, una empresa debería examinar cada uno en detalle y elaborar análisis posteriores que la alta dirección proteja como las joyas de la corona. Al diseccionar lo que falló —ya fuera un discurso comercial exagerado, una cadena de mando confusa o un proceso heredado que se resistía a desaparecer—, la organización aprende a detectar las primeras señales de problemas y a evitar que se repita el mismo patrón unos años después.

Una empresa podría, por ejemplo, embarcarse en un gran plan para implantar un sistema de inventario completamente automatizado en decenas de almacenes. La iniciativa puede fracasar por innumerables motivos: un software recién introducido que contradice procedimientos con décadas de antigüedad, exigencias incompatibles de distintos departamentos o una tecnología del proveedor que resulta inadecuada cuando las demostraciones vistosas dan paso a las condiciones reales. Sin un análisis posterior adecuado, la empresa corre el riesgo de entrar sonámbula en otra aventura inquietantemente similar tres años después. Un fracaso documentado con cuidado, por doloroso que sea revisitarlo, fortalece a la empresa al exponer los escollos que crean las promesas hábiles o un liderazgo descuidado. Quienes no aprenden de sus iniciativas fallidas están condenados a financiar de nuevo los mismos errores, y en supply chain los costes no hacen más que acumularse con los años.

Cuando un fiasco de supply chain sale a la luz, merece una atención especial y mayor credibilidad precisamente porque nadie tiene incentivos para exponerlo. Las partes implicadas casi siempre mantienen ocultos sus fracasos, así que, cuando una calamidad se hace pública, suele ser demasiado grande o costosa para esconderla bajo la alfombra. Este conocimiento negativo debe protegerse y estudiarse, pues los detalles de un fracaso no se difunden con facilidad y son casi imposibles de encontrar en libros o artículos académicos. Un responsable que espere evitar la misma lección costosa debería aprovechar estas revelaciones excepcionales y examinarlas con cuidado, ya que cada una expone no solo un mal resultado, sino también la mala idea que lo produjo.

El conocimiento negativo perdura porque sus fundamentos no dependen de peculiaridades pasajeras del mercado. Cuando un método o paradigma es defectuoso en su núcleo, ningún cambio de circunstancias podrá arreglarlo jamás. La supply chain abunda en esos desaciertos. La clasificación forzada¹⁵, por ejemplo, puede parecer sencilla; pero, en un campo que exige una estrecha cooperación entre equipos, corroe la propia confianza que estos necesitan para funcionar. Del mismo modo, imponer una distribución normal para modelar la demanda puede parecer pulcro sobre el papel, pero los datos de supply chain rara vez siguen una ordenada curva de campana. Las sacudidas de demanda y los sucesos infrecuentes que moldean las operaciones reales son precisamente lo que ese modelo pasa por alto. Estos defectos no son producto del momento, y es completamente irrazonable imaginar que, con suficientes retoques, la clasificación forzada o la distribución normal podrían volverse de pronto adecuadas. Sus fallos son intrínsecos, y los dirigentes de supply chain malgastan tiempo y recursos preciosos cada vez que recurren a estas herramientas con la esperanza de un resultado distinto.

El conocimiento negativo suele ser mucho más fácil de comprender que su equivalente positivo. Se pueden pasar días estudiando cómo funciona una base de datos columnar, pero es mucho más sencillo y práctico recordar que esas bases de datos no son aptas para los sistemas de registro. Cualquier empresa que ejecute un flujo de trabajo intensamente transaccional sobre una arquitectura columnar descubre enseguida que funciona con una lentitud exasperante y devora recursos informáticos, elevando los gastos de alojamiento. Puede que una empresa sufra esta lección una sola vez antes de desechar toda la instalación y no repetir nunca el error. En ese sentido, el conocimiento negativo evita que un responsable tenga que dominar todos los matices de por qué falla una tecnología; basta con saber que fallará y mantenerse completamente alejado de ese callejón sin salida.

A la inversa, el conocimiento negativo resulta especialmente adecuado para la supply chain porque reunir conocimiento positivo digno de confianza es muy difícil.

Los experimentos en supply chain son más difíciles de realizar de lo que parecen. Ninguna gran empresa quiere apostar con el rendimiento de una red extensa cuyos fallos pueden repercutir simultáneamente en el inventario, el transporte y la satisfacción del cliente. Incluso una prueba aparentemente modesta puede trastornar segmentos enteros de las operaciones y, aun así, ofrecer solo una impresión fugaz de si realmente ayudó o se limitó a trasladar la carga a otra parte de la supply chain. Un minorista que experimente con entregas más pequeñas y frecuentes puede reducir los faltantes de stock locales en unas pocas tiendas, para después descubrir que los costes de transporte se disparan y complican el trabajo de unos centros de distribución que ya manejan programas complejos. Esta es la maldición recurrente de la supply chain: a menudo los problemas se desplazan en vez de eliminarse.

Además, cualquier experimento en supply chain, como ocurre en economía, es notoriamente difícil de reproducir. No hay dos momentos que ofrezcan condiciones idénticas, y las presiones del mercado, las restricciones organizativas y el factor humano nunca pueden reproducirse por completo. Lo que funcionó el año pasado con un determinado patrón de demanda podría fracasar estrepitosamente cuando cambien los gustos de los consumidores o entre un nuevo competidor. Siempre hay factores de confusión al acecho que oscurecen la causa y el efecto. Cuando una empresa declara un experimento «exitoso», suele estar interpretando datos locales desde una perspectiva particular, a menudo sin ser consciente de que las realidades más amplias ya han cambiado. En vez de guiarnos hacia verdades concluyentes, estas pruebas nos recuerdan sobre todo lo frágiles y escurridizas que pueden ser esas verdades.

Las llamadas «mejores prácticas» no pueden aceptarse sin más. Profesores, consultores y proveedores de software persiguen cada uno sus propios intereses, y ninguno está alineado con lo que una empresa necesita realmente. Los profesores se centran en teorías que se prestan a artículos de investigación y a la evaluación en el aula, dos cosas que poco tienen que ver con que esas teorías produzcan resultados reales. Los consultores, por su parte, reclaman originalidad para destacar entre sus pares, pero la novedad por sí sola no demuestra nada. Al poner el foco en asuntos marginales y presentarlos como urgentes, desvían a la alta dirección de preocupaciones mucho más apremiantes. Mientras tanto, los proveedores de software amplían sin descanso sus funcionalidades para marcar todas las casillas de una RFP, pero rara vez reconocen cómo esas capas añadidas llevan la mantenibilidad al límite.

Incluso cuando una idea brillante encuentra aplicación práctica, puede perder su ventaja en cuanto demasiados la adopten. Una supuesta mejor práctica, una vez extendida por todo un sector, ya no confiere ventaja alguna. Los rivales se adaptan y erosionan las ganancias que antes producía. Este efecto no es exclusivo de la supply chain, pero aquí cobra una importancia especial porque tantos actores que compiten entre sí —proveedores, consultores e incluso círculos académicos— tienen incentivos para presentar una nueva técnica como solución universal. El verdadero progreso está en otra parte, pues no existe un método tan robusto que sobreviva sin cambios al escrutinio de la adopción masiva. Que algo cuente como mejor práctica depende de que los rivales no lo hagan y, en cuanto se ponen al día, su valor desaparece.

El mapa de los escollos epistémicos ya está completo: matemáticas de moda, sociología impulsada por relatos, circuitos de producción de evidencia corrompidos e incentivos perversos que mantienen vivos los tres. Escapar de este laberinto exige un marco de referencia que no cambie con las modas y una barrera de protección que impida volver a caer en las mismas zanjas. La economía aporta el marco; el conocimiento negativo aporta la barrera. Solo al traducir cada afirmación sobre supply chain en coste de oportunidad, beneficios y pérdidas —rechazando activamente los patrones que destruyen valor de forma predecible— podemos comparar alternativas sobre una base neutral y desenmascarar los deseos confundidos con realidades. Con estos criterios establecidos, el siguiente capítulo deja la epistemología para pasar a los primeros principios, retoma las leyes elementales de la economía y muestra cómo fundamentan cada regla de decisión posterior de este libro.

4 Economía

La supply chain es una rama aplicada de la economía, que a su vez es una rama de la praxeología, la teoría de la acción humana. Las supply chains surgen de personas que actúan de forma concertada a gran escala para mejorar sus condiciones materiales.

En el capítulo 1 definimos la supply chain como el dominio de la opcionalidad en presencia de variabilidad. La opcionalidad reformula los «usos alternativos» de la economía general desde una perspectiva empresarial: cada decisión asigna un recurso escaso a una opción y excluye las demás. La economía no es un telón de fondo distante: es la gramática de la práctica de la supply chain.

Por desgracia, la economía sigue siendo una ciencia ampliamente desdeñada y desconocida. Tanto en los medios tradicionales como en las redes sociales, muchos autodenominados «economistas» no hablan como científicos, sino como ideólogos políticos¹⁶.

Los conflictos de intereses agravan la situación: muchos economistas cobran sus salarios, directa o indirectamente, de los mismos Estados cuyas políticas comentan. Conscientemente o no, esa financiación restringe el abanico de opiniones que pueden expresarse sin riesgo profesional¹⁷. Cuando la ideología se hace pasar por un análisis neutral, la desconfianza del público no hace más que aumentar.

4.1 Principios económicos esenciales

Para los lectores poco familiarizados con la economía, recomendamos Basic Economics (2000), de Thomas Sowell. Aunque no es un requisito previo, sus ideas son fundamentales para el estudio y la práctica de la supply chain. Como el resto de la obra de Sowell, destaca por su claridad y por ser accesible para un público sin formación técnica. Ante todo, este libro aclara que la economía es estrictamente neutral respecto de la política y de otras ideologías. Las leyes generales de la economía no pueden eludirse: se aplican por igual con independencia de cómo se organice la sociedad, ya sea bajo el capitalismo, el socialismo o el feudalismo. Leyes como la de la oferta y la demanda, la de los rendimientos decrecientes y la ventaja comparativa ricardiana son fundamentales para la supply chain.

Estas leyes fundamentales rigen cada intercambio que organiza una supply chain.

Ley de la oferta y la demanda. En un mercado libre, el precio de un bien sube cuando la demanda supera a la oferta y baja cuando la oferta supera a la demanda. La señal del precio no es una convención arbitraria: es el mecanismo que raciona la escasez. Cuando escasearon los contenedores marítimos de entrada durante el repunte de 2021 tras los confinamientos, los fletes se cuadruplicaron. Los cargadores que más valoraban los contenedores aceptaron el sobreprecio y enviaron sus mercancías a tiempo; las cargas de menor valor esperaron hasta que volvió a haber capacidad. El mecanismo puede parecer brutal, pero asigna silenciosamente un recurso escaso a su uso más valioso, al tiempo que anima a los transportistas a invertir en capacidad adicional.

Ley de los rendimientos decrecientes. Si se aumenta un factor de producción mientras todos los demás permanecen constantes, la producción adicional generada por cada unidad extra acaba disminuyendo. Duplique el número de preparadores de pedidos de un centro logístico y el volumen de paquetes procesados casi se duplicará, hasta que la congestión en los puestos de embalaje empiece a limitarlo. La misma curva aparece al añadir existencias de reserva: el primer palé reduce drásticamente el riesgo de un faltante de stock; el décimo apenas aporta una pequeña protección adicional. Localizar el codo de esta curva es uno de los problemas centrales de ingeniería de la supply chain.

Ley ricardiana de la ventaja comparativa. Incluso cuando una de las partes es más eficiente en términos absolutos al producir todos los bienes, ambas se benefician del comercio si cada una se especializa en lo que hace relativamente mejor. Un taller suizo de micromecanizado que fabrica engranajes de alta precisión y una planta indonesia que teje camisas de algodón prosperan al intercambiar su producción, pese a las diferencias salariales y de cualificación. Las supply chains proporcionan la infraestructura —rutas marítimas, almacenes, sistemas de información y contratos— que convierte la ventaja comparativa en un excedente tangible.

Estas tres leyes son ilustrativas, no exhaustivas. Intervienen muchos otros conceptos —el coste de oportunidad, la preferencia temporal, los beneficios y las pérdidas empresariales—, pero este trío basta para mostrar por qué cada decisión sobre existencias, rutas o precios se reduce, en última instancia, a la misma pregunta: cómo dirigir mejor los recursos escasos hacia su uso de mayor valor en condiciones de incertidumbre.

4.2 Mercados y supply chains

La notable mejora de las condiciones materiales de la humanidad durante los últimos tres siglos puede atribuirse en gran medida a la economía de libre mercado, que ha financiado el desarrollo de casi todas las ciencias y tecnologías de las que disfrutamos hoy. En los países desarrollados —que abarcan una proporción cada vez mayor de la humanidad—, los precios reales de los alimentos y los bienes manufacturados son una fracción de los que tenían hace un siglo.

El dominio de la supply chain es una de las muchas innovaciones impulsadas por los mercados libres para ofrecer más con menos recursos. Aunque las supply chains dependen de tecnologías complementarias, su presencia suele indicar que los bienes son accesibles para la mayoría; sin ellas, esos bienes aún pueden producirse, pero a costes que solo unos pocos privilegiados pueden permitirse.

Las mejores condiciones materiales de los países desarrollados se deben en gran medida a la eficiencia de sus operaciones de supply chain. Aunque los avances científicos y tecnológicos nos permiten lograr hazañas extraordinarias —como mantener la vida en órbita—, existe una enorme diferencia entre proezas tecnológicas aisladas y milagros fiables, convertidos en productos accesibles para la mayoría. Esa diferencia se debe en gran medida a unas supply chains robustas, que constituyen la columna vertebral de nuestra civilización industrial.

La Unión Soviética ofrece un contraejemplo revelador. Bajo la planificación central, casi todos los grandes fabricantes se vieron obligados a adoptar una integración vertical extrema porque, sencillamente, no existían socios fiables. Una fábrica de frigoríficos de Leningrado gestionaba su propio depósito de madera para las cajas, su propia fundición de vidrio para los estantes e incluso una granja lechera para abastecer el comedor de la empresa. Lo que sobre el papel parecía una autosuficiencia envidiable era, en realidad, el síntoma de una economía en la que se habían extinguido la confianza, la especialización y las señales de los precios.

A falta de mercados que recompensaran la puntualidad y la calidad, los «socios» no eran más que otros ministerios obligados a entregar lo que pudieran, cuando pudieran. Por ello, las fábricas se protegían duplicando internamente la capacidad de las etapas anteriores y acumulando meses —o, a veces, años— de existencias de insumos. A los productos terminados no les iba mejor: a menudo esperaban semanas a que hubiera vagones ferroviarios, también rehenes de la escasez crónica de vagones de los planes del Gosplan. Se aceptaban como rutinarios tiempos de entrega que habrían llevado a la quiebra a una empresa occidental, y el despilfarro se reflejaba en todos los indicadores. Las toneladas-kilómetro de carga por unidad producida eran varias veces superiores a las de las economías de mercado, mientras que el consumo energético específico del acero, los textiles o el pan superaba con creces las referencias occidentales.

Este episodio importa a los directivos actuales: el rendimiento de la supply chain no depende principalmente de heurísticas ingeniosas ni de almacenes más grandes. Depende, ante todo, de incentivos combinados con un cálculo económico adecuado. Cuando los precios fluctúan libremente y los contratos se hacen cumplir, la especialización florece y las redes largas y delicadas se vuelven no solo viables, sino muchísimo más eficientes que los gigantes monolíticos. Elimine esos incentivos o ese cálculo y las redes se repliegan hasta que cada planta se convierte en una fortaleza que acumula sus propias materias primas. La complejidad no desaparece: simplemente reaparece en forma de despilfarro.

Antes de la década de 1950, viajar en avión era un lujo extravagante reservado a los militares y a los ricos. Después, una serie de innovaciones hizo que volar fuera seguro y asequible, hasta convertirlo en algo habitual. Una innovación clave fueron los motores en góndolas —motores de avión montados bajo las alas dentro de carenados—, un concepto en el que fue pionero el Sud Aviation Caravelle en 1955. Estas góndolas separaron el mantenimiento de los motores del mantenimiento del fuselaje principal, redujeron sustancialmente los costes operativos y allanaron el camino para que aviones como el Boeing 707 en 1957 democratizaran el transporte aéreo.

Actualmente, la industria espacial todavía no se ha beneficiado de las prácticas modernas de supply chain, principalmente por limitaciones tecnológicas. Un puñado de empresarios acaudalados ha comprado vuelos orbitales, aunque los precios siguen siendo prohibitivos para la mayoría. Tras décadas de estancamiento, SpaceX está desarrollando tecnologías —sobre todo cohetes reutilizables— que podrían llegar a sustentar una supply chain espacial. Una vez dominadas esas tecnologías, los principios consolidados de la supply chain reducirán sustancialmente los costes.

Un ejemplo histórico de esta dinámica es la rápida adopción de la contenerización en el transporte marítimo durante las décadas de 1950 y 1960. El contenedor intermodal estandarizado supuso un avance que redujo drásticamente los costes de manipulación y los tiempos de tránsito. Una vez consolidada esta tecnología —que exigía puertos, grúas y buques debidamente equipados—, se formó a su alrededor una nueva generación de supply chains. Los puertos que no se modernizaron ni incorporaron los estándares de los contenedores quedaron rezagados, mientras que los que adoptaron la contenerización se convirtieron en grandes centros del comercio mundial. Del mismo modo, cada vez que madura una nueva tecnología —ya sean los cohetes reutilizables o la robótica avanzada—, los innovadores organizan rápidamente sus supply chains para aprovechar esos avances, recurriendo tanto a la modularidad como a la estandarización para alcanzar una escala y una eficiencia de costes sin precedentes.

En términos más generales, los avances tecnológicos amplían el abanico de opciones disponibles, y la supply chain decide cómo aprovecharlas mejor para maximizar la eficiencia económica.

4.3 El valor de las supply chains

Las supply chains surgieron de la economía de mercado porque son eficientes. Intentar fechar la primera supply chain auténtica es inútil: el fenómeno apareció de forma gradual y puede rastrearse hasta la Antigüedad. Además, las supply chains surgieron sin que planificadores visionarios dirigieran deliberadamente a las empresas hacia lo que hoy reconocemos como tales. Las empresas se limitaron a seguir la eficiencia empírica, y esta las condujo a las supply chains que existen hoy. Aunque ahora pueden diseñarse empresas modernas con la intención explícita de llevar al mercado una supply chain superior, esta perspectiva es bastante reciente y muy posterior a las propias supply chains.

Las supply chains existen porque hacen posibles unos pocos mecanismos estructurales que proporcionan ventajas competitivas duraderas. Las páginas siguientes examinan esos mecanismos y muestran cómo el diseño de una supply chain puede generar más valor que el mero tamaño.

Estos mecanismos difieren en cierta medida del concepto tradicional de economías de escala, que suele entenderse como una mayor eficiencia a medida que aumenta el tamaño. Esa eficiencia suele surgir de la combinación de costes fijos y variables en la producción. Funciones como la ingeniería, el marketing, la dirección estratégica y el cumplimiento normativo son en gran medida fijas con independencia de la producción, mientras que la adquisición, el transporte y el procesamiento de bienes crecen con el volumen.

Las economías de escala representan una forma básica de optimización del flujo: aumentar el volumen reduce el coste marginal. Sin embargo, en las operaciones cotidianas, los profesionales de supply chain rara vez disponen de medios para elevar el volumen lo suficiente como para obtener economías de escala adicionales; los cambios de escala del flujo pertenecen al ámbito de las fusiones y adquisiciones (M&A), no al de la supply chain.

Más allá de las economías de escala, el valor adicional surge de cómo una empresa da forma a su flujo mediante cuatro fuerzas recurrentes: la estandarización (dominar la variabilidad inherente), la agrupación de inventarios (consolidar las existencias para amortiguar el azar), la agrupación en lotes (agrupar movimientos para reducir los costes de manipulación por unidad) y la versatilidad (diseñar activos que sirvan para varios fines). Estas fuerzas actúan sobre distintas palancas —información, espacio, tiempo y capital—, pero convergen en un mismo objetivo: ofrecer más servicio con los mismos recursos escasos. Las siguientes secciones examinan cada fuerza por separado, empezando por la estandarización.

4.3.1 Estandarización

La variabilidad es el estado natural de las cosas físicas. No hay dos árboles exactamente iguales; lo mismo ocurre con las piedras, las vacas, las personas y las parcelas de tierra. Los límites suelen ser difusos: ¿siguen formando parte del árbol los frutos caídos? ¿La propiedad de un terreno se extiende desde las profundidades de la tierra hasta las estrellas? Nuestras acciones también presentan una variabilidad inherente. Incluso colocar una manzana admite innumerables variantes; no hay dos colocaciones exactamente iguales. La manzana puede caerse al suelo, recogerse y volver a ponerse en el estante. ¿Sigue contando como la misma acción? ¿Incluso si el suelo está sucio? Sin embargo, en la civilización industrial damos por sentado que, dentro del flujo de bienes físicos, casi todas las «cosas» y «acciones» pueden identificarse y contarse con precisión. No es casualidad: es el resultado de siglos dedicados a hacer manejable el flujo, un proceso llamado estandarización.

La estandarización es un conjunto poco delimitado de prácticas que hacen manejable el flujo de bienes dentro de las empresas y entre los mercados. En efecto, la variabilidad inherente a todas las cosas lo complica todo. Cada artículo comprado o vendido varía en sus características y, por consiguiente, a menudo también en su precio. Cada proceso de fabricación debe ajustarse continuamente para acomodar las pequeñas diferencias entre unos insumos que cambian sin cesar. Estas complicaciones consumen atención directiva —un insumo costoso— y merman la capacidad de la empresa para lograr economías de escala. También imponen costes cognitivos a los clientes, que deben juzgar si un artículo es adecuado para el uso previsto.

A un lector actual, esto puede parecerle abstracto. La inmensa mayoría de los bienes están estandarizados: se fabrican en masa con tolerancias físicas estrechas. Se espera que las variaciones entre unidades sean imperceptibles; dos unidades del mismo producto deberían ser visualmente indistinguibles. Cuando esto es posible, nosotros, los clientes, atribuimos instintivamente la diferencia a algún tipo de defecto¹⁸. Incluso las frutas y verduras que se compran en las tiendas se calibran hoy cuidadosamente, reduciendo la variabilidad a una fracción de sus diferencias naturales en el momento de la cosecha. En la industria, la calidad significa principalmente ausencia de variación involuntaria.

También esperamos un alto grado de modularidad e interoperabilidad entre los activos. Los contenedores pasan sin dificultad de los buques a los camiones gracias a grúas específicas para contenedores. Un conjunto limitado de tamaños de neumáticos cubre casi todos los camiones. Los patrones estandarizados de paletización optimizan el espacio de los contenedores, y las carretillas elevadoras —diseñadas para los palés— los mueven con eficiencia. En cada etapa se imprimen códigos de barras que más tarde se escanean, a menudo en otra empresa. En última instancia, la modularidad y la interoperabilidad nacen de una estandarización cuidadosa, que simplifica categorías enteras de operaciones.

Sin embargo, hace tan solo un siglo, la situación era radicalmente distinta. La mayoría de los artículos fabricados en masa todavía mostraban variaciones perceptibles. La interoperabilidad era local, no mundial, y la modularidad se limitaba en gran medida a empresas individuales. Después de la Segunda Guerra Mundial, los estándares ampliaron su alcance y profundidad junto con las supply chains modernas. El movimiento contó con defensores enérgicos, en particular W. Edwards Deming, cuyos métodos de calidad convirtieron la estandarización en una prioridad directiva.

La estandarización es un requisito esencial para llevar el flujo a gran escala: sin ella, muchos procesos son inviables, las marcas quedan expuestas a defectos, los directivos se dedican a perseguir anomalías y la mayoría de las economías de escala siguen siendo inaccesibles.

Como corolario, el flujo se ha vuelto predominantemente discreto: ahora circulan por la red unidades individualizadas —contadas una a una— en lugar de toneladas o litros anónimos. El transporte a granel persiste para la arena, el crudo y los cereales, pero, para cualquier cosa que tenga un mínimo de valor, lo habitual es una unidad con código de barras lista para escanear.

Este carácter discreto potencia enormemente la opcionalidad. Un vagón de etanol presenta una elección —enviarlo o conservarlo—, mientras que un palé de 120 taladros eléctricos presenta 120 elecciones separadas: cada taladro puede separarse del lote, desviarse a otra ruta, recibir otro precio, incorporarse a un kit o reservarse para más adelante. Así, cada SKU funciona como un título de opción cuyo valor depende de dónde, cuándo y para quién se ejerza finalmente la opción.

La ventaja es evidente: una granularidad fina permite a la empresa redirigir existencias hacia focos de demanda emergentes, arbitrar pequeñas diferencias de precios y aplazar el compromiso hasta el último momento posible. La desventaja es igual de clara: el espacio de decisiones se dispara. Un planificador que antes programaba dos contenedores al mes ahora debe coordinar miles de micromovimientos al día. Cuando falta capacidad cognitiva o de cálculo, la dirección recurre a reglas rudimentarias —cantidades mínimas de pedido (MOQ), ciclos fijos, asignaciones indiscriminadas— y con ello borra buena parte de la flexibilidad por la que pagó. El carácter discreto es, por tanto, un arma de doble filo: multiplica las oportunidades y, al mismo tiempo, acrecienta la necesidad de una automatización capaz de examinarlas y ordenarlas. Volveremos a esta tensión al abordar los procesos de toma de decisiones.

Manipular unidades individuales no es gratuito —la caja, el código de barras y las manipulaciones adicionales añaden unos céntimos—, pero, para todo lo que supere a los productos básicos más baratos, esos céntimos quedan eclipsados por las ventajas de una asignación precisa. En las páginas siguientes, cada unidad se tratará como una opción negociable, y la pregunta será siempre qué ejercicio maximiza el beneficio a largo plazo. Establecida esta base discreta, podemos pasar a la segunda fuerza estructural: la agrupación de inventarios.

4.3.2 Agrupación de inventarios

La agrupación de inventarios concentra las existencias en un lugar —o bajo una misma entidad empresarial— para atender varios flujos de demanda. Si los costes adicionales de la concentración son insignificantes, la agrupación ofrece el mismo servicio con menos capital que varios inventarios independientes. En la práctica, la agrupación es rentable cuando el ahorro en costes de inventario supera los costes adicionales de servicio. Por ejemplo, concentrar las existencias en un lugar suele aumentar los costes de transporte respecto de atender la demanda desde varias ubicaciones.

La agrupación de inventarios mitiga la variabilidad de la supply chain gracias a la ley de los grandes números: unas existencias centralizadas pueden absorber con flexibilidad los aumentos desiguales entre segmentos y reducir el inventario total necesario para mantener los niveles de servicio. Imagine una sola mesa con champán para toda la recepción en lugar de muchas mesas pequeñas. Agrupar los recursos reduce el riesgo de que alguna mesa se quede sin champán y garantiza que se sirva a todo el mundo. Por supuesto, la agrupación puede dificultar el servicio de última milla si sitúa los bienes demasiado lejos del lugar de consumo.

Pensemos en una empresa que sopesa un único gran centro de distribución frente a varios almacenes más pequeños. Un solo centro agrupa la demanda con eficiencia y reduce las existencias totales, pero también añade costes: recorridos medios más largos y más manipulación en el centro. Los directivos deben contrastar esos costes logísticos con el ahorro de capital circulante. Si las demandas regionales de los productos están muy correlacionadas —por la estacionalidad o por campañas de ámbito nacional—, un único almacén aporta menos ventajas. La demanda correlacionada y la flexibilidad de los clientes para cambiar de tienda o de canal erosionan las ganancias teóricas de la agrupación. Una simulación comparativa o una prueba piloto suele servir para comprobar si el ahorro de inventario supera los gastos y retrasos adicionales, garantizando un valor neto positivo.

En teoría, la agrupación puede reducir drásticamente el capital circulante; en la práctica, las fricciones recortan las ganancias y añaden costes. Aun así, sigue siendo atractiva en muchos contextos.

Dejando a un lado los costes adicionales de transporte, las ganancias son menores por dos motivos. Primero, los flujos de demanda nunca son independientes; al contrario, cabe esperar que estén bastante correlacionados. Los mercados están conectados; aunque pueden producirse subidas y bajadas que se compensen, lo habitual es que se muevan juntos, no que se anulen. La correlación tiene muchas causas, a menudo las propias acciones de la empresa. Por ejemplo, una campaña publicitaria nacional eleva simultáneamente la demanda en muchas ubicaciones. Si los flujos están perfectamente correlacionados, la agrupación exige tanto capital circulante como la descentralización para un nivel de servicio dado.

Segundo, cuando la demanda aumenta bruscamente, un cliente que se encuentra con un faltante de stock local puede acudir a otra ubicación y asumir los costes asociados. Esto es habitual en redes comerciales densas, donde varias tiendas compiten dentro de la misma ciudad. Además, permitir que los clientes consulten la disponibilidad en línea amplifica el efecto y los anima —hasta cierto punto— a cooperar con las políticas de existencias de la empresa. Si los clientes aceptan íntegramente los costes adicionales de acudir a otros puntos de servicio, la agrupación no aporta ninguna ventaja: la misma reducción del inventario era posible sin consolidarlo.

Si el futuro se anticipara perfectamente, la agrupación no aportaría ninguna ventaja; solo añadiría costes por una ubicación subóptima. La agrupación está tan extendida precisamente porque la incertidumbre futura es irreducible.

En términos de opcionalidad, la agrupación reduce el número de opciones, pero no su frecuencia ni su diversidad. Por tanto, simplifica en cierta medida el reto de la supply chain. Sin embargo, las empresas rara vez la adoptan solo por esa simplificación. En la práctica, las preocupaciones por las existencias sin salida y el espacio en los estantes dominan la selección de ubicaciones adecuadas para almacenar un producto dado.

4.3.3 Agrupación en lotes

Si la agrupación de inventarios concentra las existencias en el espacio, la agrupación en lotes concentra el flujo en el tiempo. Agrupar en lotes significa procesar los artículos en conjuntos mayores en lugar de hacerlo individualmente, lo que reduce el coste de procesamiento por unidad, pero también la capacidad de servir cantidades pequeñas.

La agrupación en lotes está presente en toda la logística: una vez que el flujo supera un umbral, las unidades se reagrupan en lotes mayores. Una progresión típica consiste en agrupar \(N\) unidades en una caja; reunir \(N\) cajas en una capa de palé; combinar \(N\) capas en un palé completo; y, finalmente, cargar \(N\) palés en un contenedor. Esta agrupación reduce directamente los costes de manipulación, tanto dentro de una instalación (intralogística) como entre instalaciones. Los conjuntos simplifican la manipulación y el recuento, y su embalaje suele añadir protección física.

La agrupación en lotes también es habitual en la fabricación: normalmente consiste en producir un lote grande de un único producto antes de cambiar o detenerse. Este enfoque minimiza los tiempos de preparación y otros trabajos improductivos (por ejemplo, la recalibración), y también facilita la logística posterior a la producción. En las industrias de procesos (como la química), los efectos de escala, entre ellos unos rendimientos mayores, favorecen plantas enormes y lotes proporcionalmente grandes.

La agrupación en lotes aumenta la variabilidad inherente del flujo y amplifica los efectos de las fluctuaciones externas del mercado. Internamente, la variabilidad crece porque agrupar en lotes une el destino de muchas unidades. Si se envían 100 unidades individualmente a través de varios servicios de mensajería, sería sorprendente que se perdieran todas. Sin embargo, si las 100 unidades viajan en un solo camión, el riesgo —pequeño— de accidente de tráfico se aplica ahora a todas a la vez. En términos formales, la agrupación en lotes aumenta la varianza del flujo.

La agrupación en lotes amplifica la variabilidad externa. El mecanismo más frecuente es un ciclo de flujo más largo. Agrupar en lotes reduce la frecuencia de adquisición, transporte y producción. Coloquialmente, este ciclo prolongado se denomina «mayor plazo operativo». En la agrupación en lotes, el plazo operativo es el periodo que la empresa debe esperar antes de lanzar el siguiente lote. Los lotes mayores o menos frecuentes inmovilizan más capital circulante en inventario, porque los artículos deben comprarse o producirse con mucha antelación. También reducen la flexibilidad: una estimación errónea de la demanda convierte los lotes sobredimensionados en excesos de existencias o faltantes de stock prolongados, ambos costosos de corregir. Un ciclo más largo obliga a la empresa a operar durante más tiempo antes de poder decidir de nuevo. Por ejemplo, con la agrupación en lotes, una estimación errónea de la demanda aumenta el exceso de existencias o prolonga los faltantes de stock, según se haya sobreestimado o subestimado la demanda.

La agrupación en lotes reduce la opcionalidad al disminuir tanto la frecuencia como el número de decisiones dentro de un periodo (por ejemplo, un mes). A falta de una automatización adecuada, a menudo se utiliza principalmente para simplificar la supply chain. Pero esta contrapartida deja a la empresa con menos opciones y menos flexibilidad para adaptarse a las variaciones del mercado. En la práctica, las empresas optan con demasiada frecuencia por lotes grandes porque carecen de la capacidad o los recursos directivos necesarios para gestionar decisiones más frecuentes y detalladas. Esto refleja una limitación humana u organizativa, no una necesidad física.

Con una automatización adecuada, el coste adicional de tomar decisiones frecuentes sobre bienes físicos se vuelve mínimo, a menudo insignificante. A medida que la automatización reduce el coste de coordinación, mejora la relación entre riesgo y rendimiento de los lotes más pequeños, reduciendo tanto los costes de inventario como los plazos operativos. En efecto, mientras que los ordenadores modernos operan a escala de nanosegundos, los bienes físicos están limitados a escalas de décimas de segundo (0,1 s), una disparidad que permite acomodar el ritmo más lento de los procesos físicos sin causar daños. Por consiguiente, para un ordenador moderno, el flujo de bienes físicos parece casi congelado¹⁹.

4.3.4 Versatilidad

La versatilidad designa bienes de capital —activos duraderos como máquinas, vehículos o instalaciones que hacen posible el flujo de bienes físicos— capaces de desempeñar varias funciones distintas o incluso todo un abanico de operaciones. Sin embargo, en cada momento un bien de capital solo puede servir para un fin; por ello, la empresa debe asignarle un propósito específico en ese momento.

Por ejemplo, un almacén diseñado para mantener una temperatura ambiente controlada (por ejemplo, 15°C–25°C) también podría equiparse con dispositivos capaces de sostener una cadena de refrigeración moderada (por ejemplo, 12°C–14°C). Aunque al principio no se utilice esa capacidad de cadena de frío, puede ser una inversión acertada para adaptarse a futuras fluctuaciones del mercado.

La versatilidad es deliberada: mejora la agilidad de la empresa y amplía su abanico de opciones. Siempre conlleva costes adicionales asociados a su mayor variedad de capacidades. En igualdad de condiciones, un bien de capital versátil cuesta más que uno especializado debido a esa amplitud de capacidades. En la práctica, estos costes adicionales suelen compensarse mediante la modularización y su frecuente compañera, la estandarización.

La modularización divide un proceso en unidades más pequeñas e intercambiables que pueden reconfigurarse fácilmente para distintas tareas. Una vez estandarizadas esas unidades, las empresas compiten con intensidad por producirlas. Esto suele generar economías de escala importantes y deja a las empresas pocas alternativas a adoptar bienes de capital modulares para seguir siendo competitivas. Una desventaja es el aumento de la complejidad global del flujo, porque las operaciones se subdividen simplemente para encajar en módulos ampliamente disponibles.

La logística moderna ejemplifica la modularización mediante sus códigos de barras, muelles de carga y contenedores de transporte. Sin la intensa estandarización del siglo XX, las ventajas de la modularización serían mucho menores. Una empresa puede imprimir un código de barras y esperar que otra lo lea porque comparten un estándar. Un camión puede cargarse en una instalación y descargarse en otra porque las alturas de los muelles se ajustan al diseño del camión.

La fabricación moderna también se ha transformado. Las empresas utilizan ahora unidades estandarizadas en la mayoría de los procesos y recurren a bienes de capital hechos a medida únicamente en las etapas que ofrecen una ventaja competitiva singular. A menudo, toda la configuración de fabricación consta de componentes estandarizados, de modo que la singularidad de una empresa procede de su selección y disposición particular de esas unidades. Además, el progreso continuo de los controladores programables —en sus distintas formas— ha hecho que estos componentes sean no solo modulares, sino también muy versátiles.

Cada bien de capital versátil requiere su propio calendario de asignación. En cada momento, la empresa debe decidir si reasigna un activo a otro fin. Para algunos activos, esta decisión es sencilla y está incorporada a la práctica; por ejemplo, las flotas de camiones suelen operar con rutas fijas. Por el contrario, la versatilidad de otros activos permanece sin aprovechar; una instalación puede producir una gama reducida durante años, incluso mientras fluctúan las condiciones del mercado.

La versatilidad de los bienes de capital aumenta enormemente el número de opciones disponibles para la empresa. No solo pueden atenderse bienes alternativos con el mismo equipo, sino que un mismo servicio (transporte o transformación) puede realizarse de muchas formas, ya que las capacidades de los bienes de capital versátiles suelen solaparse. Por ejemplo, los camiones de caja cerrada y los semirremolques son casi intercambiables para transportar mercancías; solo las cargas más pesadas requieren un semirremolque.

Sin embargo, cada activo tiene costes de adquisición y de funcionamiento distintos. Además, todo activo, se considere perecedero o no, acabará deteriorándose por el uso y el desgaste. Por consiguiente, hay mucho en juego al desplegar el activo adecuado en el momento oportuno para cada tarea, de modo que se logre el resultado y se minimicen los costes.

4.3.5 De las fuerzas a las políticas de decisión

Desde la perspectiva del economista, estas fuerzas —estandarización, agrupación de inventarios, agrupación en lotes y versatilidad— son cuatro formas de remodelar la frontera en la que los recursos escasos se encuentran con los usos alternativos.

Cada fuerza corresponde a una disyuntiva económica elemental. La estandarización reduce el coste marginal a costa de la variedad; la agrupación de inventarios libera capital circulante a costa de aceptar recorridos de primera milla más largos; la agrupación en lotes acepta riesgo de inventario a cambio de menores costes de manipulación; y la versatilidad convierte la inversión en bienes de capital en opciones reales cuyo valor solo se materializa si el sistema de decisión puede elegir el momento adecuado para ejercerlas. Juntas amplían el espacio de opciones mucho más deprisa de lo que la atención directiva puede seguir.

Ante una explosión combinatoria de opciones, las empresas suelen adoptar políticas de decisión expresadas como una simple regla de asignación. Por ejemplo, una empresa con dos almacenes y una flota de camiones podría decidir que un camión haga un viaje diario de ida y vuelta entre las instalaciones para reequilibrar el inventario. Esta política se adopta con la intención implícita de utilizar el horario rígido para ese reequilibrio. No se especifican los bienes que deben transportarse, pero se da por entendido que los responsables utilizarán la capacidad asignada cada día para mantener equilibrado el inventario. Sin embargo, esta política de «un camión» es simplista: algunos días sería preferible disponer de dos camiones, mientras que otros, unos desequilibrios mínimos de inventario justificarían aplazar el viaje. Estas políticas basadas en reglas pueden implementarse mediante software para avisar a los empleados adecuados en el momento oportuno, pero un administrativo podría haberlas supervisado con poco esfuerzo.

Sin embargo, regir la supply chain mediante políticas sencillas basadas en reglas es, en gran medida, un vestigio del pasado. Refleja restricciones que dejaron de ser relevantes con la llegada de las supply chains digitales. Ceñirse a reglas simples era esencial cuando un administrativo se encargaba de ejecutar la política. Pero, si se delega en un ordenador, puede hacerse mucho más dinámica manteniendo insignificante el coste adicional de procesamiento. Si esta complejidad añadida mejora la supply chain, el resultado es una asignación de recursos muy superior. Volviendo al ejemplo, una política más avanzada no solo debería considerar la cantidad de inventario que debe reequilibrarse, sino también comparar las ventajas de ese reequilibrio con los usos alternativos de los camiones, como servir pedidos de clientes. Si los camiones son el cuello de botella y los desequilibrios de inventario entre los dos almacenes son tolerables, todos los camiones deberían destinarse a las entregas a clientes.

A diferencia de la agrupación de inventarios y de la agrupación en lotes, que reducen el número de opciones, la versatilidad de los bienes de capital lo aumenta. No hay ninguna razón a priori para pensar que todas esas opciones sean económicamente equivalentes. Al contrario, muchas opciones son malas, y una es la mejor bajo un modelo económico dado de la supply chain. El software apoyado en hardware informático moderno permite explorar con relativa facilidad un número extremadamente grande de opciones. Aquí no importan los pormenores de este proceso; lo que importa es que la versatilidad tiene consecuencias profundas para las supply chains.

Como toda política de decisión es, en última instancia, una regla de asignación, su mérito es económico, no procedimental: debe aumentar la tasa de rendimiento ajustada al riesgo de los recursos que dirige. Las heurísticas estáticas eran defendibles cuando las personas constituían el cuello de botella de cálculo, pero, en cuanto un ordenador se encarga de la regla, la referencia pasa a ser el coste de oportunidad, no la comodidad administrativa. Por tanto, la automatización solo importa en la medida en que permite que las señales de los precios —expresadas dentro del modelo como valoraciones y tasas de descuento— se propaguen hasta cada microdecisión. En última instancia, una política se justifica exactamente en la medida en que genera beneficios.

En la práctica, la explosión combinatoria causada por los bienes de capital versátiles puede parecer abrumadora y, a menudo, supera con facilidad la capacidad de supervisión humana. Sin embargo, el software moderno de supply chain no se limita a intentar recorrer todas las posibilidades por fuerza bruta. Como se verá en el capítulo Decisiones, la analítica avanzada —apoyada en solvers y algoritmos heurísticos— puede hacer tratable esta complejidad.

4.4 El objetivo de la supply chain

En el primer capítulo se definió la supply chain como el dominio de la opcionalidad en presencia de variabilidad al gestionar el flujo de bienes físicos. Aquí, el dominio no es una virtud abstracta: es la capacidad concreta de convertir la opcionalidad en dinero y, al mismo tiempo, proteger a la empresa de las consecuencias adversas de la incertidumbre. En una economía de mercado, la medida de ese dominio es inequívoca: el beneficio a largo plazo expresado en dinero contante y sonante. Por tanto, el objetivo práctico de la supply chain es elevar la tasa de rendimiento ajustada al riesgo que la empresa obtiene de cada recurso escaso que utiliza —capital, capacidad, tiempo, buena disposición—, mejorando continuamente tanto el abanico como la calidad de las opciones que pueden ejercerse.

Este objetivo engloba cualquier intención secundaria que pueda albergar un profesional. Niveles de servicio más altos, plazos operativos más cortos, inventarios más ajustados, un transporte más ecológico, proveedores más satisfechos, condiciones de trabajo más seguras: todo importa, pero solo en la medida en que contribuya, directamente o mediante la mitigación de riesgos, al valor actual neto del negocio. La supply chain no es filosofía moral; es una rama aplicada de la economía que sobrevive o perece según sus cuentas. La búsqueda del beneficio no debe confundirse con una reducción de costes miope ni con la caricatura del afán de lucro «desnudo»; es la búsqueda disciplinada de la asignación que maximiza el excedente a largo plazo, respetando tanto la variabilidad como la opcionalidad.

El resto de esta sección desarrolla esa proposición. Primero retomamos los beneficios y las pérdidas como el circuito de retroalimentación indispensable que indica a una empresa si sus decisiones de supply chain crean o destruyen valor. Después explicamos por qué las valoraciones objetivas son obligatorias dentro de la empresa, aunque toda valoración sea subjetiva en el plano individual, y cómo la noción de tasa de rendimiento permite comparar decisiones dispares a lo largo del tiempo. Por último, abordamos las objeciones frecuentes —moralistas, apocalípticas o institucionales— a la búsqueda del beneficio y mostramos por qué ninguna exime a una supply chain de las leyes de la economía.

4.4.1 Beneficios y pérdidas

Los beneficios y las pérdidas no son un artilugio contable: son el marcador de una sociedad basada en el consentimiento y no en la coacción. Siempre que dos partes comercian, cada una espera salir ganando; de lo contrario, no hay acuerdo. Por tanto, los beneficios solo surgen en el ámbito del intercambio voluntario. A la inversa, cuando la asignación se impone por la fuerza —o por una regulación que la imita—, desaparece la propia posibilidad de beneficio, sustituida por el tributo, el impuesto o el saqueo²⁰. En términos económicos, las relaciones humanas se sitúan en un continuo que va del mando hegemónico al comercio sin trabas. Los beneficios solo surgen en este último extremo.

Sin embargo, una corriente de la opinión pública que se hace oír con fuerza sigue presentando el beneficio como algo intrínsecamente explotador²¹. Esta visión confunde el beneficio con el saqueo: este último se obtiene por la fuerza, mientras que el primero solo puede surgir cuando ambas partes consienten y consideran que su situación mejora tras el intercambio. Visto así, el beneficio tiene una dimensión moral: solo se obtiene sirviendo a otros. Las pérdidas desempeñan el papel inverso. Advierten a los empresarios de que los clientes prefieren otros usos para sus recursos escasos. Lejos de ser dañinas, las pérdidas actúan como el sistema inmunitario del mercado: frenan el despilfarro adicional y redirigen el trabajo, el capital y el ingenio hacia fines más urgentes.

La historia hace patente el contraste: antes de la revolución comercial del siglo XVII, las fortunas solían amasarse conquistando una provincia, gravando al campesinado o buscando favores reales. Desde la aparición de los mercados abiertos, el camino hacia la riqueza se ha invertido: Rockefeller refinó queroseno más barato que nadie, Akio Morita miniaturizó la electrónica para la mayoría e Ingvar Kamprad enseñó los muebles en paquetes planos a un planeta frugal. Donde los beneficios están sujetos a la competencia, la eficiencia se dispara; donde la asignación se decide por decreto, llegan las colas, la escasez y el óxido.

Las supply chains traducen este principio en palés, contenedores y rutas de transporte. La estandarización reduce el coste unitario, la agrupación de inventarios libera capital circulante, la agrupación en lotes sopesa los gastos de manipulación frente a la capacidad de respuesta y la versatilidad convierte los activos fijos en opciones listas para activarse. Sin embargo, ninguna de estas palancas indica cuándo detenerse. El único árbitro imparcial es la cuenta de pérdidas y ganancias: ¿compensa el SKU adicional, el lote más grande o la caja reforzada una vez contabilizados la variabilidad y los costes de oportunidad? Si la respuesta es sí, el flujo se amplía; si es no, se contrae y el capital migra hacia usos mejores.

Por tanto, los profesionales se equivocan de objetivo cuando persiguen el «nivel de servicio», la «rotación de inventario» o cualquier otro indicador local de forma aislada. Estos indicadores solo importan en la medida en que elevan la tasa de rendimiento de la empresa a largo plazo. El objetivo nunca cambia: maximizar la diferencia entre lo que los clientes pagan voluntariamente y lo que la supply chain consume de forma irreversible, sujeta a los riesgos que impone la incertidumbre.

Las secciones siguientes desmontan las objeciones habituales al afán de lucro y muestran cómo una perspectiva clara de pérdidas y ganancias protege el diseño de la supply chain tanto de los sofismas de las hojas de cálculo como de las consignas piadosas.

4.4.2 Valoraciones objetivas

La economía parte de una observación sencilla: solo los individuos pueden sentir, pensar y actuar; por tanto, solo los individuos pueden atribuir valor a algo. Estas valoraciones son subjetivas y ordinales: alguien puede decir que prefiere el café al té, pero no existe una aritmética que permita sumar, restar o promediar ambas preferencias. Peor aún para el analista, ese orden puede invertirse mañana sin previo aviso. Ninguna hoja de cálculo puede fijar un precio «inherente» al primer sorbo de agua, al centésimo o al milésimo; la paradoja del valor sigue siendo una característica, no un fallo, de la acción humana.

Por supuesto, los modelos estadísticos pueden aprender a prever cuánto pagará una persona de recursos medios por un espresso o qué probabilidad hay de que abandone un carrito de compra, pero la previsión no convierte una preferencia privada en una cantidad objetiva. Solo caracteriza esa subjetividad como una distribución de probabilidad, útil para el comercio, pero incapaz de pronunciarse sobre el valor.

Este punto torpedea la teoría del valor-trabajo, que intentó anclar los precios al número de horas de trabajo «incorporadas» en un bien. Los diamantes son caros no porque los mineros trabajen duramente, sino porque los compradores aprecian su brillo. Si mañana todo el mundo decidiera que el cuarzo es más bonito, las minas de diamantes cerrarían aunque los insumos de trabajo no hubieran cambiado.

En 2019, cuando se declaró un gran incendio en Notre-Dame, el público fue evacuado rápidamente. Aunque ya no quedaban vidas humanas en peligro, algunos bomberos arriesgaron enormemente las suyas para salvar lo que consideraban obras de arte intemporales. En términos económicos, ejercieron un juicio de valor y situaron meros objetos por encima de sus propias vidas. La mayoría de las personas, en la misma situación, no habría actuado así y habría dejado de arriesgar la vida en cuanto estuviera claro que no había otras vidas amenazadas. Es inútil calcular cuánto «valen» esos objetos en horas de trabajo o cuánto costaría producir réplicas casi perfectas. Desde la perspectiva de aquellos hombres, el valor histórico y artístico de esos objetos era categóricamente superior a cualquier intento posterior de sustituirlos. Mediante sus acciones, los individuos libres pueden ejercer juicios de valor enteramente arbitrarios. El papel de la economía no consiste en evaluar si esos juicios son buenos o malos; se limita a reconocer su subjetividad irreducible.

Sin embargo, las empresas no pueden permitirse tales idiosincrasias. Dentro de una empresa, al director general pueden encantarle las trufas y el director financiero puede detestarlas, pero la única pregunta admisible es: «¿Pagan los clientes lo suficiente, y con la suficiente rapidez, para cubrir nuestros costes?». Las preferencias individuales no se suman: se anulan. Lo que queda es el veredicto impersonal del mercado, registrado como entradas y salidas de dinero.

Si un empleado decide que su empresa debe valorar ciertas opciones al margen del afán de lucro —«deberíamos tener este artilugio ecológico en stock aunque nunca se venda»—, ese empleado no está siendo bueno ni considerado: simplemente se engaña al proyectar su propio juicio de valor sobre la empresa. Con ello perjudica a la empresa y al mercado, porque actúa contra los deseos de los consumidores y favorece en su lugar su propia perspectiva predilecta del momento. Naturalmente, si el empleado discrepa de la misión general de la empresa, su deber como individuo libre es dimitir y buscar empleo en otra parte. Las discrepancias con el propósito declarado de la empresa no deben resolverse saboteando las operaciones desde dentro.

Por tanto, una empresa es un instrumento de cooperación social: reúne capital, talento e información para satisfacer los deseos más urgentes que otras personas expresan mediante sus compras. Los beneficios y las pérdidas convierten esas señales dispersas en una medida objetiva que todo planificador puede interpretar: ingresar más unidades monetarias de las que se gastan significa que los recursos fluyen hacia deseos de mayor prioridad; lo contrario significa que se despilfarran. La práctica de la supply chain debe anclar toda valoración a esa medida, nunca al gusto personal, porque solo los precios permiten condensar millones de escalas subjetivas en una medida objetiva única.

La siguiente pregunta, por tanto, es cómo comparar dos opciones rentables cuyos momentos de realización difieren, para lo que sirven las tasas de rendimiento.

4.4.3 Tasa de rendimiento

Siempre que una decisión separa en el tiempo el compromiso de un recurso y su rendimiento, la simple aritmética del beneficio deja de bastar. Los economistas llaman a este fenómeno universal preferencia temporal: unos bienes idénticos valen más cuanto antes estén disponibles. Una taza de café servida ahora vale más que la misma taza prometida para la semana próxima; un proveedor suele exigir un sobreprecio por un pago aplazado noventa días.

La preferencia temporal es, en primer lugar, un rasgo individual. Cada persona descuenta privadamente los beneficios futuros según sus circunstancias, y el mercado agrega esos descuentos en el tipo de interés. Por tanto, el tipo de interés cuantifica, a escala de la sociedad, cuánto se prefieren los bienes presentes a los futuros.

Las empresas heredan la misma lógica. El efectivo recibido hoy puede reinvertirse, utilizarse para saldar obligaciones o servir de reserva frente a la incertidumbre; el efectivo recibido el año que viene no. Por eso las empresas incorporan un coste de capital explícito —su preferencia temporal colectiva— a cada evaluación de inversión. Por atractiva que resulte de forma aislada, cualquier propuesta que no supere ese umbral erosiona valor una vez reconocido el coste de oportunidad de esperar.

Una vez reconocida la preferencia temporal, optimizar el beneficio exige prestar atención al tiempo; en concreto, la empresa debe escoger las opciones con la mayor tasa de rendimiento. Conceptualmente —dejando a un lado complicaciones secundarias—, la tasa se calcula como

\[ \mathtt{RoR}=\frac{\text{ingresos} - \text{gastos}}{\text{gastos} \times \text{periodo}} \]

donde periodo es el tiempo necesario para materializar los ingresos y gastos asociados. La tasa de rendimiento (RoR) se expresa como un porcentaje por unidad de tiempo. Si la RoR es mayor que cero, la empresa opera con beneficios; si es menor que cero, opera con pérdidas. Al comparar dos opciones, debe preferirse la tasa más alta, siempre que ambas estén normalizadas al mismo periodo.

Por ejemplo, consideremos una tienda minorista que puede elegir entre dos productos para exponerlos en un estante determinado. Ambos se venden a 3 unidades monetarias, con una demanda media de 1 unidad al día. El primer producto cuesta 1 unidad monetaria por unidad, mientras que el segundo cuesta 2. Se consideran insignificantes los costes de almacenamiento, dejando a un lado el espacio en el estante. Además, el estante es lo bastante grande como para albergar suficientes unidades y hacer insignificantes los faltantes de stock. En esta situación, el primer producto tiene una RoR del 200% diario, frente al 50% diario del segundo. Por tanto, debe preferirse el primero porque su RoR es mayor. El resultado no sorprende: los productos son idénticos, salvo que el primero tiene el doble de margen bruto que el segundo. La RoR simplemente aporta el criterio de ordenación que formaliza esta elección.

En los contextos habituales de supply chain, maximizar la RoR tiende a asignar más capacidad, existencias y espacio en los estantes a los productos con mayores volúmenes o rotaciones más rápidas. Sin embargo, lo que debe optimizarse es la RoR, no indicadores arbitrarios y no económicos como los niveles de servicio. Muchos autores de supply chain confunden la correlación débil entre una RoR más alta y unos volúmenes o rotaciones mayores con causalidad. Por ello, a menudo se proponen métodos de clasificación de inventario que segmentan los productos en clases²² según sus volúmenes o su irregularidad y ajustan las asignaciones de recursos conforme a esa segmentación. Estos métodos confunden correlación con causalidad: debe optimizarse la RoR. Imitar sus consecuencias aproximadas es un error de categoría que produce rendimientos menores.

En la práctica, la tasa de rendimiento presenta una serie de complicaciones:

1. Calcular la RoR depende de la atribución de ingresos y gastos, un problema difícil.

2. Los ingresos y los gastos no se producen al mismo tiempo; rara vez existe un periodo común.

3. Los ingresos deben producirse lo antes posible y los gastos lo más tarde posible; los flujos de caja deben descontarse.

4. El desfase entre los gastos futuros y los ingresos futuros debe respetar la restricción de liquidez de la empresa.

5. Las dependencias entre opciones hacen que la RoR dependa de la secuencia en que se seleccionen.

6. Tanto los ingresos como los gastos futuros son inciertos, y esa incertidumbre debe modelarse.

Ninguna de estas complicaciones resulta insuperable en la práctica, aunque todas conllevan cierto grado de aproximación.

4.4.3.1 Atribución de ingresos y gastos

La RoR refleja una visión idealizada de los flujos físicos. Sin embargo, las restricciones exigen un modelado económico nada trivial. Por ello, para calcular la RoR de una opción dada, hay que aislar esa opción de la empresa, normalmente mediante la atribución económica. Este punto se aborda más adelante; por ahora, conviene señalar que no existe una correspondencia uno a uno entre ingresos, gastos y opciones. Por tanto, la RoR es una perspectiva de modelado de la supply chain, no una verdad evidente por sí misma.

Por ejemplo, consideremos una tienda minorista con dos productos alternativos. El primero requiere un inventario de 100 unidades monetarias —renovado a diario— para generar 140 unidades monetarias de ingresos diarios. El segundo requiere un inventario de 150 unidades monetarias para generar 200 de ingresos diarios. Ambos productos ocupan exactamente el mismo espacio en los estantes de la tienda. En este caso, la RoR del primero es del 40% diario, mientras que la del segundo es del 33%. Así, según el principio de escoger las opciones con mayor RoR, el propietario debería elegir el primer producto. Sin embargo, esta elección resulta sorprendente: selecciona el producto que acabará generando menos beneficio bruto absoluto con el tiempo. Para una tienda en la que predominan los costes fijos, esto parece incorrecto.

En efecto, el modelo ingenuo anterior ignoraba los costes fijos de la tienda. Afinemos el modelo atribuyendo una parte de esos costes a los productos. El coste fijo diario atribuido es de 40 unidades monetarias. Por tanto, el coste diario del primer producto pasa a ser de \(100+40=140\) unidades monetarias, y el del segundo, de \(150+40=190\). Con este modelo revisado, la RoR del primero pasa al 0% diario, mientras que la del segundo pasa al 5,3%. Por consiguiente, con este modelo más preciso debe favorecerse el segundo producto.

Esta situación no es excepcional: lo que se considera mejor depende del modelo económico adoptado para la supply chain. Por desgracia, no existe un criterio único y sencillo que decida qué modelo es superior; su idoneidad depende de lo bien que cada uno refleje la realidad económica sobre la que debe orientar las decisiones. Este reto es un problema de inteligencia general. Eso no significa que todo valga; volveremos a esta clase de problemas más adelante.

4.4.3.2 Tasa de rendimiento aperiódica

En los manuales de finanzas, la tasa de rendimiento (RoR) casi siempre se vincula a un horizonte fijo —un mes, un trimestre, un año— porque ese es el ritmo de la contabilidad y la fiscalidad. Sin embargo, en el nivel micro de la ejecución de la supply chain, esos calendarios encajan mal. Emitir un pedido de compra, lanzar una rebaja, asignar un palé o programar un camión son decisiones atómicas cuyas salidas y entradas de caja se producen a intervalos irregulares. Una medida de doce meses difumina su propia razón de ser: reciclar el capital lo más deprisa posible.

La RoR aperiódica elimina la camisa de fuerza del calendario. En lugar de encajar cada opción en una ventana arbitraria, plantea una sola pregunta: ¿cuánto tiempo habrá transcurrido cuando la opción haya devuelto el efectivo que inmovilizó y haya empezado a capitalizar su excedente? Ese plazo, determinado por la propia opción, se convierte en el periodo implícito de la fórmula de la RoR y produce una tasa compuesta comparable entre decisiones, aunque cada una elija su propio reloj.

Como el cálculo se realiza al nivel de las opciones individuales, la dispersión de los resultados es amplia: las diferencias de uno e incluso dos órdenes de magnitud son habituales. Una reposición de alta rotación y margen elevado puede superar el 1.000% anual expresada en términos aperiódicos, mientras que la reposición de un producto de venta lenta en el pasillo de al lado puede tener dificultades para alcanzar el 10%. Esa dispersión no es un defecto del modelo: es la señal que indica al capital dónde se necesita con urgencia y dónde muere en silencio.

En términos operativos, la RoR aperiódica desliza un cursor por la cronología de los flujos de caja de la opción y calcula, en cada fecha, la tasa que se obtendría si la posición se cerrara entonces. Conserva el valor máximo; la fecha en la que se alcanza ese máximo se convierte en el horizonte implícito de la opción. En una sola cifra, el indicador recoge tanto la magnitud de la ganancia como el ritmo más rápido al que puede capitalizarse el capital inmovilizado. La regla exacta se detalla en el anexo.

4.4.3.3 Flujos de caja descontados

La subsección anterior introdujo la tasa de rendimiento como medida de la rapidez con que se capitaliza el capital comprometido. Sin embargo, la velocidad es solo la mitad de la cuestión temporal. Una unidad monetaria recibida hoy vale más que la misma unidad recibida el próximo trimestre, porque la primera puede reinvertirse, conservarse como reserva o simplemente devengar intereses mientras tanto. El flujo de caja descontado es la traducción numérica de la preferencia temporal: cada entrada o salida futura se multiplica por un factor de descuento que disminuye con el tiempo, de modo que cada movimiento de efectivo se expresa en «unidades monetarias de hoy». El factor de descuento se deriva del coste de capital de la empresa: el interés que paga efectivamente por la liquidez. La fórmula precisa figura en el anexo.

Dicho de otro modo, el flujo de caja descontado mide el importe absoluto ganado —o perdido— teniendo en cuenta el valor temporal del dinero. Desde la perspectiva de la supply chain, el tipo de interés representa el coste de financiación de la empresa. En finanzas, ese tipo suele servir también como aproximación a la incertidumbre asociada a los retrasos, pero en los casos de uso de supply chain conviene tratar la incertidumbre mediante otros mecanismos que se detallan más adelante.

La moda, que a menudo afronta tiempos de entrega largos y restricciones de liquidez, ofrece una ilustración práctica de los flujos de caja descontados en las decisiones de envío e inventario. Imagine una marca de moda de gama media que debe realizar los pedidos de su nueva colección seis meses antes de la temporada. La marca negocia condiciones que exigen un anticipo considerable y el pago del resto al enviarse la mercancía. Aunque los fondos prestados cuesten solo, digamos, un 10% anual, la tasa de rendimiento efectiva de la marca sobre esos pedidos anticipados puede superar ampliamente esa cifra. Esto ocurre porque el capital queda inmovilizado mucho antes de que se materialicen los ingresos, y cualquier error de apreciación sobre tallas, colores o estilos eleva el coste efectivo de los bienes. Al llegar la temporada, la marca puede rebajar los artículos de venta lenta, lo que añade costes de oportunidad a un dinero que podría haberse invertido en una línea más prometedora. A la inversa, un pedido acertado y ajustado a la demanda puede rotar rápidamente a precio completo y ofrecer una tasa de rendimiento muy superior al coste de capital. Así, la interacción entre los tiempos de entrega largos, los plazos de pago prolongados y la incertidumbre del mercado suele pesar más que el tipo de interés vigente a la hora de determinar la rentabilidad real de cada decisión de supply chain.

En la práctica, para las decisiones de supply chain, el tipo de interés vigente importa menos que la tasa de rendimiento, impulsada en gran medida por las rotaciones del inventario. Esto no niega la importancia de los tipos de interés. Sin embargo, una unidad de inventario que rinde un 10% por rotación y rota diez veces al año se capitaliza hasta \(1.1^{10}\approx 2.59\), es decir, un 159% anual. Una misma empresa vende a menudo productos cuyas tasas de rendimiento oscilan entre el 1% y el 1.000% anual. Este amplio espectro procede en gran medida de rotaciones de inventario que van de diarias a anuales. Como consecuencia de esos extremos, la calidad de servicio que maximiza el beneficio varía mucho de un producto a otro. Las estrategias de existencias divergen en consecuencia.

Una tasa de rendimiento anual del 1.000%, aunque no es atípica para el flujo de un producto aislado dentro de la supply chain, supera en más de un orden de magnitud lo que las finanzas consideran «plausible». Naturalmente, este cálculo ignora los costes fijos, sobre todo los de infraestructura. Una vez incluidos esos costes, las tasas de rendimiento efectivas de las supply chains se alinean con las de la economía general.

4.4.3.4 Flujo de caja y capital circulante

Los tipos de interés fijan el suelo del coste de la liquidez; por eso importan a toda supply chain. Sin embargo, en la práctica suelen moverse dentro de una franja relativamente estrecha —digamos, aproximadamente un 10–20% anual—, mientras que los rendimientos de los ciclos de inventario abarcan habitualmente dos órdenes de magnitud. Por consiguiente, lo que más suele limitar a los planificadores no es el precio exacto del dinero, sino su disponibilidad. Un comprador que puede obtener efectivo al 12% en lugar de al 8% seguirá adelante si las existencias que financia se capitalizan al 300% anual; a la inversa, un préstamo nominal al 2% es inútil cuando la línea de crédito está agotada. La gestión cuidadosa del flujo de caja es, por tanto, esencial, especialmente en los negocios que deben transferir fondos meses antes de que los bienes pasen la aduana o lleguen al estante; las colecciones de moda, los juguetes para las fiestas y los dispositivos de alta tecnología son ejemplos cotidianos.

Pensemos, por ejemplo, en una empresa cuyo banco le concede una línea de crédito renovable limitada al 25% de su facturación media de los últimos tres años, a un tipo uniforme del 10% anual. Hasta ese límite, puede obtener efectivo de un día para otro; sin embargo, en cuanto se alcanza el tope, cada unidad monetaria adicional requiere una nueva negociación y puede denegarse. Existen, desde luego, otras vías de financiación —inyecciones de capital, deuda mezzanine, factoring de proveedores—, pero ninguna puede conseguirse de un día para otro, y todas conllevan costes explícitos e implícitos significativamente mayores. Por tanto, el precio de la liquidez se describe mediante una curva por tramos, no con una sola cifra, y cualquier modelo que suponga un tipo de interés uniforme ignora precisamente la no linealidad que más suele perjudicar en la práctica.

Las no linealidades asociadas al acceso a la liquidez explican por qué las condiciones de pago suelen tener una importancia primordial en la supply chain. Esas condiciones determinan de manera decisiva cuánto capital circulante necesita la empresa. A largo plazo, unas menores necesidades de capital circulante mejoran la rentabilidad al reducir los intereses pagados a los prestamistas; a corto plazo, a menudo marcan la diferencia entre una empresa que opera con normalidad y otra obligada a tomar decisiones inferiores porque la falta de liquidez le cierra opciones mejores.

Por ejemplo, una marca de moda puede tener que emitir pedidos de compra de prendas de su nueva colección más de seis meses antes del inicio de la temporada. Los proveedores de ultramar pueden exigir anticipos considerables. Si la marca prevé unas ventas mayores para esa colección, puede emitir pedidos de compra más grandes. Sin embargo, una línea de crédito insuficiente puede impedirlo. En ese caso, los pedidos serán menores y podrían causar faltantes de stock importantes en etapas posteriores. Naturalmente, desde la perspectiva del prestamista, el límite no es arbitrario: simplemente no comparte el optimismo de la marca sobre el éxito extraordinario de la colección.

La hipótesis de un tipo de interés uniforme rara vez se cumple, aunque hay situaciones en las que constituye una aproximación aceptable. El caso más sencillo es aquel en el que la empresa tiene acceso a una liquidez muy superior a sus oportunidades rentables de supply chain. Un caso algo más sutil es aquel en el que la empresa tiene necesidades negativas de capital circulante.

Para ilustrarlo, consideremos un minorista cuyo inventario en tienda rota mensualmente y cuyo tiempo de entrega de los proveedores es insignificante. Supongamos que paga a los proveedores dos meses después de la entrega y vende los productos en la tienda con un margen bruto del 20%. En esas condiciones, por cada cuatro unidades monetarias de bienes mantenidos en tienda, el minorista tiene unas necesidades de capital circulante de \(-2\) unidades monetarias. En efecto, cuando llegue el momento de pagar los bienes, el inventario habrá rotado dos veces de media y habrá generado dos unidades monetarias de beneficio bruto. Aquí, el minorista tiene necesidades de capital circulante negativas, al menos desde la perspectiva exclusiva del flujo de caja.

Este ejemplo no debe confundirse con unos tipos de interés negativos; el minorista sigue sujeto a los tipos del mercado.

Volviendo al caso más habitual de un límite a corto plazo sobre el capital circulante, se necesita un método numérico para comparar las opciones. Conceptualmente, puede escogerse un conjunto viable de opciones que, en su conjunto, respete la restricción de capital circulante, un enfoque parecido a recurrir a un solver general. Sin embargo, pueden utilizarse heurísticas más sencillas, como introducir un componente del coste del dinero que dependa del tiempo.

4.4.3.5 Opciones dependientes

El indicador de tasa de rendimiento identifica el mejor uso siguiente del capital, pero las propias opciones rara vez están aisladas. La mayoría recurre a las mismas reservas finitas —efectivo, espacio en estantes, capacidad de los vehículos— y, por tanto, interactúa. Las interacciones pueden ser competitivas, cuando dos SKU se disputan un mismo hueco; complementarias, cuando el café y el azúcar impulsan mutuamente sus ventas; o secuenciales, cuando el segundo palé solo tiene sentido después de haber asignado el primero. Reconocer estos vínculos es un requisito previo para traducir el indicador en decisiones acertadas.

Una heurística práctica para las opciones dependientes consiste en dejar que la tasa de rendimiento guíe una selección sucesiva, de una en una. Escoja la opción con la tasa actual más alta, actualice todas las tasas restantes para reflejar los recursos que acaban de comprometerse —o liberarse—, vuelva a elegir y repita hasta que todas las restricciones sean vinculantes. Los informáticos llaman a esto un algoritmo voraz; su resultado es una lista priorizada. Como cada actualización propaga las restricciones actuales, la lista no tiene por qué mantenerse en un orden descendente perfecto: la mayoría de las tasas disminuye al intensificarse la competencia; algunas incluso pueden aumentar cuando se hace posible una complementariedad. Aun así, cada paso sigue siendo la mejor decisión disponible en ese momento. Cuando los vínculos son débiles, basta esta pasada voraz; cuando son estrechos —rutas de vehículos o secuenciación de la producción—, un solver más exigente que explore muchas trayectorias combinatorias supera a la heurística, aunque se apoye en la misma base de valoraciones.

Por ejemplo, consideremos el reto de reponer una tienda minorista. Según la tasa de rendimiento, seleccione una unidad para añadir a la tienda: la que ofrezca la tasa más alta. Una vez añadida conceptualmente esa unidad, se ajustan las tasas de rendimiento. La siguiente unidad del mismo producto tiene una tasa menor, ya que acumular inventario en la misma tienda presenta rendimientos decrecientes. Entonces se escoge una segunda unidad según las tasas revisadas. El proceso se repite hasta alcanzar la capacidad de los estantes de la tienda.

La optimización voraz ofrece varias ventajas importantes. Primero, no exige más que establecer las tasas de rendimiento de las opciones. Segundo, el proceso es sencillo y observable: la lista priorizada ofrece una imagen completa de la progresión del algoritmo. Tercero, cuando se implementa correctamente, suele ser varios órdenes de magnitud más rápida que las alternativas no voraces.

Una implementación ingenua de esta lógica de optimización voraz incurre en un coste computacional cuadrático respecto al número de opciones que compiten. Para la mayoría de las situaciones de supply chain con miles de opciones, un coste cuadrático es inaceptablemente alto. Sin embargo, existen métodos —fuera del alcance de esta discusión— que mitigan ese coste adicional y reducen la complejidad a un tiempo cuasilineal.

La mayoría de los retos de supply chain se presta bien a métodos voraces o cuasivoraces porque las opciones están débilmente acopladas. No es casualidad: las empresas evitan deliberadamente sistemas que se parezcan a rompecabezas criptográficos; lo que resulta difícil para un ordenador también lo es para la mente humana.

Por ejemplo, un minorista especializado que vende tres productos técnicos —A, B y C—, normalmente comprados juntos en una proporción fija (por ejemplo, dos unidades de A, cinco de B y siete de C) para formar un kit, puede simplificar la gestión del inventario. En lugar de seguir tres artículos separados, trata el kit premontado \(K\) como un único artículo de inventario y mantiene un pequeño excedente de componentes individuales para las excepciones. Esta consolidación reduce la complejidad y agiliza la reposición.

Sin embargo, la optimización voraz no es adecuada para todos los escenarios de supply chain; las rutas de vehículos y la programación de la producción son excepciones destacadas. En términos más generales, los problemas que implican secuencias de decisiones muy interdependientes no se prestan al método voraz. Dicho esto, muchas situaciones de supply chain —si no la mayoría— pueden tratarse de forma cuasivoraz con pequeños ajustes. Por ejemplo, al emitir pedidos de compra simultáneos a varios proveedores —cada uno con su propia cantidad mínima de pedido (MOQ)—, una estrategia voraz puede producir resultados inviables, como una serie de pedidos incompletos que no alcanzan los umbrales bajo un presupuesto limitado. Sin embargo, basta una pequeña heurística para resolver esta limitación. Pueden descartarse proveedores de forma iterativa —empezando por los que ofrecen menores rendimientos— y redistribuir el presupuesto entre los restantes.

Aunque las complicaciones derivadas de las opciones dependientes no invalidan el principio de seleccionar las de mayor tasa de rendimiento, pueden hacer ineficaces los métodos de selección ingenuos. Para tratar esas complejidades se necesita software especializado de optimización, a menudo llamado solvers. En particular, estos solvers optimizan una amplia variedad de funciones de pérdida (la cantidad que debe minimizarse), un tema que se aborda más adelante en el capítulo Decisiones.

4.4.3.6 Tasa de rendimiento incierta

Las interdependencias eran el primer obstáculo; la incertidumbre, el segundo. Incluso después de describir cómo compiten las opciones por el efectivo, la capacidad o el espacio en los estantes, seguimos sin saber qué cifras se materializarán cuando esas opciones se desarrollen. La demanda, los plazos operativos, los rendimientos productivos y los precios al contado fluctúan fuera del control del planificador. Sin embargo, el principio rector se mantiene: escoger la opción con mayor rendimiento económico, medido no como un valor puntual, sino en esperanza. En la práctica, hay que sustituir cada rendimiento determinista por su equivalente ponderado por probabilidades: enumerar escenarios plausibles, asignar una probabilidad a cada uno, aplicar la fórmula determinista dentro de cada rama y promediar los resultados. Esto produce una tasa de rendimiento esperada que puede compararse entre opciones como antes.

Aunque conceptualmente sencilla, la perspectiva probabilística presenta sus propios retos. Primero, deben estimarse las probabilidades: esta es la esencia de la previsión probabilística. Segundo, el futuro depende de decisiones aún no tomadas: la tasa de rendimiento de una opción depende de cómo se seleccionen las opciones futuras. Elegir opciones presentes y futuras bajo incertidumbre es la esencia de la optimización estocástica.

La previsión probabilística y la optimización estocástica son temas técnicos que se tratarán en el capítulo El futuro. Sin embargo, la visión probabilística de la tasa de rendimiento no es una mera curiosidad teórica. Con el software adecuado, las opciones reales de supply chain pueden y deben evaluarse mediante este método. Naturalmente, las aproximaciones son inevitables —el número de futuros posibles es infinito—, pero esto no reduce el valor práctico del enfoque.

4.4.4 Amiguismo y captura regulatoria

El afán de lucro suele caricaturizarse como una búsqueda despiadada de «más a cualquier precio». En realidad, dentro de un mercado competitivo, el beneficio es simplemente el aplauso obtenido por satisfacer los deseos más urgentes de desconocidos consumiendo la menor cantidad posible de recursos escasos. Por tanto, el beneficio es un resultado, no un credo.

Tras la sola palabra «beneficio» se esconden tres comportamientos radicalmente distintos. La auténtica búsqueda del beneficio obtiene márgenes al ofrecer una combinación superior de disponibilidad, calidad y precio. Por tanto, el beneficio a largo plazo depende de cultivar la buena disposición de clientes, proveedores y empleados. Las tácticas de tierra quemada que deleitan a la hoja de cálculo de hoy, pero erosionan las opciones de mañana, resultan contraproducentes una vez calculada su tasa de rendimiento completa.

Un segundo comportamiento es el afán de lucro «desnudo» que la cultura popular se complace en condenar: verter residuos en los ríos, intimidar a los proveedores o atraer a los clientes con una oferta para luego sustituirla por otra. Esta conducta no es el resultado lógico de buscar beneficios; es el resultado de un cálculo económico defectuoso. Cuando las multas, los litigios, la fuga de talento y el daño a la marca se llevan a valor actual, el espejismo desaparece. La analítica moderna de supply chain existe precisamente para sacar a la luz esos costes latentes, convirtiéndolos en valoraciones sombra que disciplinen cada decisión.

El tercer comportamiento es el capitalismo de amiguetes y la captura regulatoria. Una empresa que presiona para obtener aranceles, licencias exclusivas o estándares obligatorios no obtiene beneficios: extrae rentas. Ningún cliente recibe un mejor servicio; los recursos simplemente se desvían mediante privilegios políticos. Las rentas distorsionan todas las señales de la supply chain: la opcionalidad se reduce, la innovación se estanca y la tasa de rendimiento aparente se sostiene por la ley, no por el desempeño.²³

La disciplina presentada en este libro persigue el primer camino y protege a la empresa frente a los otros dos. Todas las técnicas posteriores presuponen un mercado abierto: comparan cada opción con lo que un competidor atento podría hacer mañana, no con un privilegio conseguido ayer en el parlamento. Restablezca una competencia auténtica y la misma maquinaria de optimización se convertirá en un motor de creación de riqueza; permita que se acumulen las rentas y ninguna sofisticación en las previsiones podrá salvar la economía del negocio.

4.4.5 Objetivos supraeconómicos

Una objeción recurrente a las empresas que buscan beneficios consiste en apelar a objetivos supraeconómicos: fines que supuestamente están por encima de las meras consideraciones monetarias y que, por tanto, justifican dejar de lado la disciplina de los precios, los costes y los costes de oportunidad. Estas apelaciones suelen adoptar dos formas. La primera es moralista: la convicción de que la empresa debe promover alguna agenda ética o social más allá de servir a los clientes. La segunda es apocalíptica: la predicción de una catástrofe inminente que exige sacrificar de inmediato la rentabilidad para evitar el desastre. Las páginas siguientes examinan ambas categorías.

Para las empresas que operan en mercados abiertos, invocar un propósito superior no disuelve la escasez: simplemente cambia el nombre de las disyuntivas. Cada palé, hora de trabajo y unidad monetaria dedicados a un objetivo se sustraen inevitablemente de otro. Por tanto, el cálculo económico no es una visión del mundo opcional, sino la única forma coherente de comparar alternativas. Las instituciones que recurren a la coacción —los ejércitos, por ejemplo— quedan fuera del alcance de este libro precisamente porque sus recursos no se asignan mediante intercambios voluntarios. Para todas las demás organizaciones, la supuesta supremacía de los objetivos supraeconómicos es una ilusión; en la práctica, siguen teniendo que decidir si desviar recursos de su misión principal crea o destruye valor a largo plazo.

4.4.5.1 Preocupaciones moralistas

En términos de supply chain, una preocupación moralista afirma que las personas deberían consumir menos —o más— de algo y que, por ello, la empresa debería ayudar a orientar el cambio social deseado. Los detalles varían según la época y el lugar.

Por ejemplo, en Ruritania, una religión dominante podría declarar que el consumo de leche por parte de los adultos es un signo de depravación y que la leche debería reservarse para los niños. En respuesta, una empresa ruritana podría reducir voluntariamente tanto la cantidad como la variedad de botellas de leche comercializadas para adultos, poniendo así en práctica de forma proactiva el cambio social aparentemente deseable. Sin embargo, esa medida apenas afectaría al mercado. Contrariamente al tópico del «poder económico», una empresa no puede obligar a los clientes a comprar sus productos ni a renunciar a ellos. Si reduce arbitrariamente la producción de botellas de leche dirigidas a adultos, bastará con que un competidor aumente la suya para mantener igualmente satisfecha la demanda.

Sin embargo, si la opinión pública ruritana contraria a la leche embotellada para adultos es tan intensa que muchos clientes boicotean otros productos no relacionados, puede ser razonable desprenderse por completo de esa línea, quizá vendiendo la unidad de negocio si su producción puede separarse de las demás. Este enfoque difiere fundamentalmente de limitarse a reducir la oferta con la esperanza equivocada de disminuir la demanda total del mercado.

Entre las preocupaciones moralistas habituales figuran alimentos o bebidas considerados inapropiados, ya sea por supuestos daños a las personas o por daños causados durante la producción. El veganismo, por ejemplo, es uno de los credos más recientes dentro de un conjunto de credos extremadamente diverso. Estas preocupaciones también se extienden al país de origen y suelen apoyarse en visiones mercantilistas²⁴ erróneas del comercio (por ejemplo, «estamos en guerra económica con Ruritania») o en percepciones sobre las condiciones de trabajo de esos países (por ejemplo, «Ruritania permite que sus empresas exploten indebidamente a sus ciudadanos»).

La supply chain solo se ocupa de las posiciones moralistas en la medida en que servir un tipo de bien o utilizar un determinado factor de producción pueda comprometer su capacidad general para operar. El daño a la marca puede alejar a los clientes o reducir el atractivo de la empresa para posibles empleados. Estas preocupaciones son reales y pueden cuantificarse como cualquier otro riesgo. Los cálculos económicos pueden indicar que esos riesgos son excesivos y sugerir que la empresa abandone un segmento del mercado para minimizar pérdidas futuras. Sin embargo, estos cálculos no deben confundirse con los juicios de valor personales de los empleados de supply chain.

Lo que vuelve más intrincado el reto es que los empleados²⁵ tienen incentivos perversos en materia de preocupaciones moralistas. Al insistir públicamente en una de ellas, en un proceso denominado ostentación de virtud, un empleado se presenta como especialmente virtuoso, más que sus compañeros. La ostentación de virtud ha sido y sigue siendo eficaz porque la política interna de las empresas tiende a recompensar a quienes más se ajustan a las normas sociales dominantes, no solo a quienes impulsan la rentabilidad de la empresa.

Sin embargo, dentro de una supply chain, no es el individuo que hace ostentación de virtud quien soporta el coste del cambio de rumbo, sino la propia empresa y, en cierta medida, el mercado, que recibirá un servicio menos adecuado hasta que un competidor cubra el hueco. Por ello, los directivos deben mantenerse atentos frente a esa ostentación de virtud. De hecho, las grandes empresas son especialmente susceptibles a esta clase de comportamiento antisocial, que socava la autoridad de la jerarquía nominal y su capacidad para orientar la empresa hacia el servicio a los clientes.

4.4.5.2 Preocupaciones apocalípticas

A lo largo de la historia, una parte considerable de la humanidad ha sentido fascinación por la aniquilación. Explorar esas fascinaciones morbosas y comprender por qué han perdurado durante milenios corresponde a la psicología, la sociología y la historia. Las supply chains solo se ocupan de ellas en la medida en que interfieren con la actividad empresarial. La historia ofrece dos observaciones: primero, la magnitud y el impacto de las preocupaciones apocalípticas han sido enormes; segundo, sus detalles han variado drásticamente de una década a otra. Repasemos una breve lista de apocalipsis modernos que estuvieron de moda.

• Superpoblación (siglos XVIII–XIX): El rápido crecimiento demográfico durante la primera revolución industrial llevó a numerosos intelectuales a creer que la población acabaría superando inevitablemente la producción de alimentos, provocando hambrunas generalizadas y el colapso de la sociedad. (Véase An Essay on the Principle of Population (1798), de Thomas Malthus.)

• Degeneración de la raza (décadas de 1920 y 1930): Los temores a la degeneración racial y genética, influidos por la eugenesia y las teorías raciales pseudocientíficas, predecían el declive de las civilizaciones debido a la mezcla de razas. (Véase The Passing of the Great Race (1916), de Madison Grant.)

• Toma del poder comunista y alarma anticomunista (década de 1950): El auge de la Unión Soviética y la expansión del comunismo suscitaron temores a una toma del poder comunista mundial, dando lugar a la alarma anticomunista y al macartismo en Estados Unidos. (Véase The Naked Communist (1958), de W. Cleon Skousen.)

• Agricultura química (década de 1960): Los efectos perjudiciales de los pesticidas, en particular el DDT, sobre el medio ambiente y la salud pública pusieron de relieve preocupaciones más amplias por la contaminación industrial y el colapso ecológico. (Véase Silent Spring (1962), de Rachel Carson.)

• Invierno nuclear y enfriamiento global (década de 1970): En plena Guerra Fría, el miedo a un invierno nuclear —una consecuencia de la guerra nuclear que provocaría un enfriamiento global— se mezcló con la preocupación por una posible glaciación natural. (Véase The Cooling: Has the Next Ice Age Already Begun? (1976), de Lowell Ponte.)

• Agotamiento de los recursos (décadas de 1970 y 1980): Se hicieron numerosas predicciones según las cuales la humanidad estaba agotando recursos esenciales como el petróleo y los minerales, lo que conduciría al colapso social. (Véase The Limits to Growth (1972), de Meadows et al.)

• Acceso al agua dulce (décadas de 1980 y 1990): Se predijo que el agotamiento y la contaminación de los recursos de agua dulce provocarían escasez grave y conflictos por el agua. (Véase Cadillac Desert: The American West and Its Disappearing Water (1986), de Marc Reisner.)

• Lluvia ácida (década de 1990): Se temía que las emisiones industriales causantes de la lluvia ácida estuvieran devastando bosques, lagos y edificios y ocasionando daños ecológicos generalizados. (Véase Acid Rain: Its Causes and its Effects on Inland Waters (1992), de B. J. Mason.)

• Agotamiento de la capa de ozono (década de 1990): El agotamiento de la capa de ozono debido a los gases refrigerantes, que aumentaba la radiación ultravioleta, el cáncer de piel y las alteraciones ecológicas. (Véase Ozone Diplomacy: New Directions in Safeguarding the Planet (1991), de Richard Elliot Benedick.)

• Calentamiento global (década de 2000): Se predijo que el aumento de los gases de «efecto invernadero» provocaría cambios climáticos catastróficos, entre ellos la subida del nivel del mar, fenómenos meteorológicos extremos y pérdida de biodiversidad. (Véase An Inconvenient Truth: The Crisis of Global Warming (2006), de Al Gore.)

• Cambio climático (décadas de 2010 y 2020): A partir del relato del calentamiento global, el cambio climático abarca preocupaciones más amplias por impactos ambientales impredecibles y graves que amenazan la sostenibilidad de la civilización humana. (Véase The Uninhabitable Earth: Life After Warming (2019), de David Wallace-Wells.)

Esta lista abarca los últimos 150 años, aunque podría remontarse milenios. Su propósito no es validar ni refutar estas amenazas: esos juicios quedan fuera de la supply chain y corresponden a las ciencias especializadas. Más bien ilustra la magnitud del fenómeno y la inconsistencia de los detalles de las amenazas.

Las preocupaciones apocalípticas son supraeconómicas porque sostienen que, si no se atienden, el mundo —y, por tanto, la economía de mercado— acabará o quedará en un estado irremediablemente degradado. Por definición, una preocupación apocalíptica prevalece sobre cualquier deseo particular de un individuo. Al fin y al cabo, ningún individuo puede ser más que insignificante frente a la posibilidad de desaparición de una parte considerable de la humanidad y, potencialmente, de toda ella.

En el caso de los temores apocalípticos que han pasado de moda, es evidente que las empresas que históricamente dedicaron recursos a apoyar esas causas estaban profundamente equivocadas y se infligieron daños considerables. Pocos directivos sostendrían todavía que una política de contratación que discrimine explícitamente a una religión minoritaria refleja los mejores intereses económicos de la empresa. Del mismo modo, pocos defenderían hoy que las donaciones generosas a organizaciones benéficas y movimientos políticos que promueven la eugenesia contribuyen realmente a mejorar la humanidad. Sin embargo, no hace tanto tiempo, ambas políticas eran ampliamente practicadas por personas instruidas y bienintencionadas, amparadas en lo que se consideraba un consenso «científico» firme²⁶.

Estas preocupaciones apocalípticas perturban las supply chains porque su pretensión supraeconómica invalida el cálculo económico. Sin embargo, las empresas siguen teniendo que asignar recursos escasos. El apocalipsis no suprime la escasez. No existe alternativa al cálculo económico cuando se trata de satisfacer a los clientes. Si una preocupación está por encima de satisfacerlos, ¿por qué dedicarle menos que todos los recursos?

Como grita el rey Ricardo en Richard III: «¡Un caballo, un caballo! ¡Mi reino por un caballo!».

En términos más generales, la idea de que cualquier preocupación sobre la asignación de recursos escasos goza de un estatus supraeconómico y se impone categóricamente a las preocupaciones mundanas refleja una profunda incomprensión de la economía. No existe alternativa a los beneficios y las pérdidas.

4.4.5.3 Organizaciones sin ánimo de lucro

En la mayoría de los países occidentales, las leyes fiscales conceden exenciones especiales a las organizaciones denominadas «sin ánimo de lucro», a diferencia de las que se presumen «con ánimo de lucro». Determinar si esas exenciones fiscales y dispensas regulatorias²⁷ benefician a la sociedad en su conjunto queda fuera de la supply chain. Sin embargo, desde el punto de vista de la comprensión económica general, esta etiqueta es muy desafortunada y genera una enorme confusión entre el público. Peor aún, muchos autores de libros de supply chain comparten esa confusión y atribuyen cualidades casi místicas a las organizaciones sin ánimo de lucro, haciéndose eco de creencias populares pero equivocadas. Estos autores creen erróneamente que las asociaciones —es decir, las llamadas organizaciones «sin ánimo de lucro»— están exentas de los principios de beneficios y pérdidas. Esto es manifiestamente falso. Las asociaciones operan bajo las mismas leyes económicas y, en la medida en que algunas gestionan una supply chain, obedecen los mismos principios. Por consiguiente, una técnica destinada a mejorar las supply chains es igual de válida —o de inválida— con independencia del régimen fiscal.

Bastan unos pocos hechos. Ambos tipos de organización están impulsados por emprendedores. Algunos que dirigen empresas con ánimo de lucro fracasan y terminan más pobres de lo que empezaron. A la inversa, algunos que dirigen organizaciones sin ánimo de lucro tienen éxito y perciben salarios muy superiores a la media nacional. Algunas empresas rentables reparten dividendos y otras no. Tanto las empresas como las asociaciones protagonizan escándalos de corrupción. Ambas necesitan clientes que las financien²⁸. Los clientes tienen expectativas y, en ambos casos, si una organización competidora ofrece más por menos, favorecen a la más eficiente. Ambas crecen cuando ingresan más de lo que gastan; ambas quiebran cuando gastan más de lo que ingresan.

Llamar «sin ánimo de lucro» a una asociación es una denominación impropia: los beneficios y las pérdidas son hechos básicos de la economía. La organización recauda y gasta recursos. Si lo recaudado supera los desembolsos, hay beneficio. Si los desembolsos superan lo recaudado, hay pérdida. Los beneficios y las pérdidas existen incluso sin un contable. Cuando un contable lleva los libros, aclara la situación; no crea ni el beneficio ni la pérdida, simplemente los revela.

En la economía de mercado, todos los actores procuran atender los deseos más apremiantes de los clientes. Esto vale tanto para las empresas como para las asociaciones. Por ejemplo, si a los clientes les preocupa la deforestación, pueden gastar para plantar árboles o para que otros los planten. Al donar a una asociación dedicada a la reforestación, emiten un juicio de valor: compran bosques futuros; su recompensa es un mundo con más bosques. Si se les presentan varias organizaciones igualmente comprometidas y una puede hacer crecer el doble de bosque por unidad monetaria, los clientes la favorecerán. Si después descubren que la asociación gastó todo lo recaudado en publicidad y no plantó ningún árbol, se sentirán estafados con razón y probablemente dejarán de donar.

La ausencia de una correspondencia directa entre el pago de un cliente y el servicio prestado por una asociación es un mero detalle técnico. El mismo patrón aparece en los negocios: la recogida de residuos urbanos suele pagarse mediante una cantidad global anual, no por cada servicio prestado, y aun así muchos de esos proveedores tienen ánimo de lucro.

Llamar a una organización «sin ánimo de lucro» es tan absurdo como llamarla «libre de gravedad». Las leyes naturales no admiten objeciones; las que rigen la economía no son una excepción. Cómo se asignan los beneficios —si se reparten entre los accionistas, se reinvierten en más bienes de capital o se utilizan para aumentar los salarios— es un detalle técnico. Los regímenes fiscales afectan materialmente a esos detalles, pero no de una forma categóricamente distinta de, por ejemplo, subvencionar un sector como la energía solar. Es solo uno de los muchos enfoques con los que los gobiernos dividen el mercado al distribuir subvenciones. Las subvenciones no confieren ningún poder económico especial a las asociaciones.

En última instancia, las motivaciones íntimas de los emprendedores siguen siendo incognoscibles para los observadores externos, tanto si sus organizaciones tienen ánimo de lucro como si no. Pueden estar sinceramente movidos por mejorar la vida de sus semejantes o limitarse a perseguir la vanidad y la publicidad que acompañan a una asociación exitosa. Las personas pueden mentir; también pueden cambiar. Lo que empieza con una intención egoísta puede convertirse con el tiempo en altruismo auténtico; lo contrario también es posible.

Por tanto, la supply chain no puede distinguir categóricamente entre las supuestas organizaciones sin ánimo de lucro y las que tienen ánimo de lucro. Esa distinción pertenece a los códigos fiscales, no a la supply chain. Los autores que afirman que las asociaciones poseen propiedades singulares de supply chain están haciendo ostentación de virtud —adoptando poses con causas nobles— o están confundidos por la ideología y atribuyen cualidades casi místicas a estas organizaciones.

4.4.5.4 Fuerzas armadas

Las organizaciones sin ánimo de lucro ilustran cómo los beneficios y las pérdidas siguen siendo ineludibles incluso bajo pretensiones altruistas. Las fuerzas armadas ofrecen un caso distinto: una institución plenamente dentro de la economía, pero sin los circuitos habituales de retroalimentación basados en el beneficio. Los ejércitos no obtienen ingresos vendiendo servicios a una clientela; se financian mediante impuestos recaudados por un poder soberano. Esta dependencia de la coacción estatal no los exime de la escasez: solo cambia la forma de asignar los recursos. Las leyes económicas no se evaporan ante las armas y los uniformes: cada bala y cada barril de combustible afrontan las mismas restricciones que rigen el resto de la economía.

Desde una perspectiva económica, un «ejército» es una de las estructuras de planificación central más extensas de las sociedades modernas. Las fuerzas armadas deben mantener equipos, adquirir suministros, sostener a las tropas y proyectar poder en distintas geografías. Sin embargo, estas actividades no pueden evaluarse mediante el marco de beneficios y pérdidas que se aplica a los actores del mercado. Mientras una empresa privada contrasta constantemente sus gastos con los pagos de los clientes, el ejército se financia sin intercambio voluntario y, por tanto, carece de disciplina directa de mercado. La mano invisible que fomenta la eficiencia en las iniciativas privadas se sustituye por directrices descendentes destinadas a integrar la estrategia, no a obtener rendimientos financieros a corto plazo.

Sin embargo, la ausencia de señales de beneficio no libra a las fuerzas armadas de los problemas del cálculo económico. Como demostró Ludwig von Mises en Socialism (1922) y Human Action (1949), cuando un planificador central intenta orientar la asignación de recursos al margen del proceso de formación de precios, no existe una medida fiable que permita distinguir los usos rentables de los no rentables. Sin la disciplina impuesta por los mercados libres, la mala asignación está casi garantizada. Esas asignaciones erróneas permanecen ocultas en tiempos de paz —cuando el presupuesto figura como una sola partida—, pero se hacen evidentes cuando las fuerzas armadas sufren escasez de material crítico o excedentes de equipos obsoletos. Los mismos retos afectan a las grandes empresas que gestionan supply chains complejas, pero los ejércitos los afrontan a mayor escala y con consecuencias de vida o muerte.

En la época moderna, los presupuestos de defensa de miles de millones reflejan complejas disyuntivas resueltas al más alto nivel político. La analogía clásica de «cañones o mantequilla» expresa que cada unidad dedicada al ejército es una unidad que no se gasta en bienes civiles: escuelas, hospitales, carreteras u otras iniciativas productivas. Las fuerzas armadas no obtienen «beneficios» cuando cumplen su misión; reciben apoyo político continuado para seguir haciendo lo mismo. Cuando se encarga una nueva generación de aviones de combate o buques de guerra, no hay una cola de clientes cuya disposición a pagar justifique el gasto. La justificación surge, en cambio, de imperativos estratégicos, reales o percibidos, que quedan fuera de los mecanismos habituales de rendición de cuentas del mercado.

Naturalmente, los ejércitos intentan mitigar las deficiencias de la planificación central recurriendo a indicadores sustitutivos: «grado de preparación», «capacidad para cumplir la misión», «proyección de fuerza» y otros indicadores estratégicos o burocráticos. Aunque útiles, no sustituyen la inmediatez de los beneficios y las pérdidas. Una campaña victoriosa no produce un excedente de ingresos para las fuerzas armadas, del mismo modo que un conflicto prolongado no se contabiliza directamente como una pérdida. Los conflictos prolongados pueden dar lugar a presupuestos de defensa mayores y a infraestructuras más amplias sin ninguna demostración clara de un uso económico eficaz. La toma de decisiones vuelve a la política —lo que el público o sus representantes consideran justificable— en lugar de a las disyuntivas definidas por la demanda voluntaria.

Estas restricciones generan retos de supply chain singulares para las fuerzas armadas. La demanda es muy incierta y depende de acontecimientos geopolíticos, no de las preferencias de los consumidores. Se mantienen grandes reservas para protegerse frente a las crisis, y los tiempos de entrega de equipos especializados, como submarinos nucleares o aviones furtivos, pueden ser extraordinariamente largos. Cuando un ejército no tiene capacidad suficiente para producir por sí mismo componentes críticos, debe recurrir a contratistas privados de defensa. En ese momento, una parte de la supply chain vuelve a entrar en el ámbito de la competencia de mercado, al menos sobre el papel: se paga a los proveedores según precios negociados, y los países suelen intentar que varios contratistas compitan entre sí para reducir los costes. Sin embargo, la injerencia política y la complejidad regulatoria suelen distorsionar estos procesos, dando lugar a contratos de «coste más margen» y otros acuerdos que con demasiada frecuencia degeneran en capitalismo de amiguetes. Por ello, aunque pueda existir una apariencia de disciplina de mercado, suele ser parcial y quedar eclipsada por la política burocrática.

En la misma línea, el problema del conocimiento de Hayek en The Use of Knowledge in Society (1945) también se aplica al ámbito militar. La información relevante para asignar recursos está ampliamente dispersa. Las unidades locales tienen información actualizada sobre sus restricciones logísticas y estratégicas, pero los mandos superiores toman las grandes decisiones de asignación. Las jerarquías descendentes estrictas suprimen las señales que vienen de abajo y privan a los niveles superiores del conocimiento local necesario para decidir con fundamento sobre adquisiciones, despliegues o mantenimiento. De facto, la industria armamentística actúa como un microcosmos cerrado de planificación central: por competentes o bienintencionados que sean oficiales y burócratas, se pierde información crítica durante su transmisión, lo que aumenta el riesgo de asignaciones erróneas.

Aun así, todos los recursos relevantes siguen siendo escasos. La falta de suministros puede hundir campañas enteras y, a la inversa, unas reservas excesivas de material obsoleto pueden dificultar la capacidad del ejército para financiar modernizaciones. Además, como en cualquier burocracia de gran escala, los esfuerzos rutinarios de mejora añaden capas de procesos: nuevos comités, nuevos órganos de supervisión, nuevos pasos de planificación. Con el tiempo, esas capas adquieren una inercia propia que dificulta corregir el rumbo. Sin una prueba de rentabilidad que elimine el despilfarro, líneas enteras de adquisición pueden sobrevivir mucho más allá de su vida útil. Los programas favorecidos políticamente perduran incluso cuando aportan pocas ventajas en el campo de batalla. El resultado económico es una incapacidad estructural para optimizar el uso de los recursos. Los ejércitos no son libres de desprenderse de estas restricciones: no pueden convertirse en fuerzas ágiles guiadas por el beneficio. Cumplen funciones ajenas a la colaboración voluntaria, y el precio de ese arreglo es la ausencia de retroalimentación directa del mercado.

Una última peculiaridad de las fuerzas armadas es que están sujetas a reorientaciones bruscas, normalmente tras cambios en la dirección política. La revisión presupuestaria puede ser drástica, al alza o a la baja, según la amenaza percibida. Los cambios de alianzas, los nuevos tratados o el cansancio de la guerra pueden alterar las prioridades militares. Aunque las empresas privadas de un mercado libre también se adaptan a cambios repentinos, pueden apoyarse en las señales de beneficio para orientarse hacia mejores asignaciones. En cambio, los ejércitos deben rediseñar sus supply chains según instrucciones descendentes, asumiendo los costes de una gran burocracia que debe producir a la vez nuevas doctrinas, desechar las antiguas y reorganizar flotas enteras de vehículos y equipos.

Así, las fuerzas armadas ejemplifican una manifestación extrema de los mismos dilemas de planificación que afrontan las grandes empresas integradas. El Estado no mide el éxito de sus ejércitos por la eficacia con que satisfacen los deseos de los consumidores; no existe un canal directo que permita que la insatisfacción de estos actúe sobre el presupuesto militar. Sin embargo, los recursos siguen siendo escasos y persiste la necesidad de distribuirlos, por lo que la lógica económica sigue siendo aplicable. La ausencia de señales de beneficios y pérdidas puede compensarse parcialmente con indicadores sustitutivos, pero estos no se acercan a la amplitud y la precisión que ofrecen los precios de mercado. La consecuencia es que, aunque los ejércitos operen en un contexto ajeno al mercado, cada conflicto, cada movilización en tiempos de paz y cada preparación logística entre bastidores están sujetos a la férrea ley de la escasez. Aunque el estado de guerra suele tratarse como política o estrategia pura, en el fondo también es un elaborado problema de asignación del que ningún decreto puede escapar.

4.4.6 Soluciones y disyuntivas

No hay soluciones. Solo hay disyuntivas.
A Conflict of Visions (1987), Thomas Sowell.

Las supply chains están estrictamente sujetas a las leyes de la economía. Cada asignación de un recurso excluye todos los usos alternativos que estaban disponibles. Una decisión solo es correcta si no existe un uso mejor para el recurso; no basta con que sea rentable: su rentabilidad debe ser máxima.

Toda asignación de inventario conlleva el coste de oportunidad de la mejor alternativa. En una red minorista, una vez que una unidad del almacén se envía a una tienda, deja de estar disponible para atender a otras. Si era la última unidad y va a una tienda de ventas lentas mientras otras venden con rapidez, probablemente esa asignación fue un error. Es mejor dirigir la última unidad a la tienda cuya demanda sea más urgente. En cualquier caso, es probable que la unidad se venda. Sin embargo, enviarla donde la demanda es más intensa alinea la red con los deseos más urgentes de los clientes. Si la unidad permanece demasiado tiempo en la tienda mediocre, puede devolverse al almacén y enviarse de nuevo a una tienda más adecuada. Pero esto genera costes de transporte adicionales y, mientras está en tránsito, la unidad no sirve a nadie.

Vender ahora supone renunciar a la posibilidad de vender con mayor rentabilidad más adelante. Ese resultado posterior más rentable no tiene por qué exigir un precio mayor. Por ejemplo, un tornillo comprado por 1 unidad monetaria y vendido por 2 genera 1 unidad monetaria de margen bruto. Sin embargo, si ese tornillo —el último en inventario— forma parte de un conjunto (digamos, una máquina vendida por 100 unidades monetarias cuyos componentes cuestan 50), venderlo por separado produce 1 unidad monetaria ahora, pero hace perder 50 si llega un comprador del conjunto antes de conseguir más tornillos. Si la empresa espera que pronto llegue ese comprador, vender el tornillo solo es una decisión de supply chain equivocada, aunque sea rentable. La decisión correcta es mantenerlo en stock para preservar la venta del conjunto.

Los recursos son variados, y las disyuntivas resultantes lo son aún más. Sin embargo, muchos autores de supply chain reducen las decisiones a costes de inventario frente a faltantes de stock, coste frente a efectivo frente a servicio, u oferta frente a demanda. Estas perspectivas de pocas dimensiones están equivocadas. Al elevar unas pocas disyuntivas de ingeniería —más arraigadas en el registro de operaciones que en la economía— a la categoría de primeros principios, ocultan la única medida universal: el cálculo económico.

En cualquier sector, la supply chain es un continuo ejercicio de funambulismo entre mejoras mutuamente excluyentes. Baje el precio de venta y los volúmenes suelen dispararse, pero cada punto porcentual cedido recorta directamente el margen bruto y, en los segmentos de lujo, puede devaluar tanto la marca que las unidades no vendidas acaben destruyéndose en lugar de rebajarse. Amplíe el surtido con más colores o tallas y los clientes aplaudirán, pero los costes de aprovisionamiento, almacenamiento y control de calidad crecerán con la misma rapidez. Añada proveedores de respaldo para protegerse frente a las entregas tardías y comprará resiliencia a cambio de menor poder de negociación en las compras. Mantenga las tiendas abiertas más tiempo y llegará más público, junto con una mayor masa salarial. Contrate preparadores de pedidos temporales para absorber un pico estacional y mejorará el volumen procesado, mientras aumentan los errores y las mermas. Cambie a un fabricante especializado de componentes y el producto terminado transmitirá una calidad superior, siempre que la pequeña planta no incumpla su plazo. Flexibilice la política de devoluciones para fomentar la fidelidad y el gasto en logística inversa se disparará. Rote diariamente los perecederos para maximizar la frescura y el estante lucirá impecable, pero un inventario deliberadamente más reducido garantiza más faltantes de stock. Cada palanca tiene esa doble naturaleza; los planificadores gestionan decenas de estos dilemas en cada momento.

Esta lista podría ampliarse casi indefinidamente a cada sector y sus disyuntivas particulares. Además, casi todos los recursos nombrados pueden descomponerse aún más. La etiqueta es útil, pero en última instancia constituye una aproximación. Por ejemplo, supongamos que la capacidad del almacén es de 10.000 \(m^2\). En realidad, no todos esos \(m^2\) son iguales. Algunos están cerca de los muelles de carga o de los extremos de las cintas transportadoras. La capacidad puede precisarse en 2.000 \(m^2\) «prémium» y 8.000 \(m^2\) «normales».

Siempre puede imponerse una taxonomía arbitraria a los recursos y las disyuntivas, con tantas clases como se desee. Dentro de una empresa concreta, esa taxonomía puede facilitar la comunicación. En el conjunto del mercado, estos ejercicios carecen en gran medida de sentido. No producen mejores resultados que el lenguaje común.

El único enfoque práctico para estas disyuntivas es el cálculo económico. Este equilibra las contradicciones para llegar a una decisión de supply chain adecuada. También deja claro que ninguna decisión es un bien absoluto —una fuente pura de beneficio—, sino una mezcla de ganancias y pérdidas esperadas.

4.5 Cuestiones de valoración

En el fondo, las decisiones de supply chain son apuestas: cada una compromete hoy un recurso escaso a cambio de un flujo de consecuencias inciertas mañana. Intentar evaluar todas esas apuestas en un único cálculo monolítico es inútil: el espacio de decisiones es demasiado grande y cambia demasiado deprisa. La solución práctica consiste en dividir ese gran cálculo en fragmentos manejables —uno por opción— y dotar a cada fragmento de una valoración. Una valoración no es una curiosidad contable, sino un instrumento: una puntuación expresada en dinero que hace comparables las opciones, de modo que puedan contrastarse, ordenarse y escogerse una a una en lugar de todas a la vez. Las buenas valoraciones revelan los costes de oportunidad y alimentan los motores de optimización presentados antes; las defectuosas orientan silenciosamente a la empresa hacia una mala asignación sistemática.

Desde esta perspectiva, las valoraciones forman el puente indispensable entre el mundo concreto de los palés y los camiones y el ámbito abstracto del cálculo económico. Traducen sucesos heterogéneos —un día adicional de vida útil, un cliente irritado, un pago tardío a un proveedor, un pasillo de preparación de pedidos congestionado— a una sola escala que el software puede manipular en milisegundos. La construcción de ese puente siempre sigue la misma ruta.

Primero, la empresa formula un modelo económico explícito que aclara qué flujos importan y cómo se relacionan con los beneficios y las pérdidas. Segundo, atribuye cada unidad monetaria observada a las decisiones que la generaron, de modo que cada microdecisión asuma la parte que le corresponde de los costes y beneficios compartidos. Tercero, proyecta esos flujos de caja hacia el futuro, incorporando la incertidumbre y añadiendo ajustes sombra allí donde unos meros registros contables omitirían riesgos o beneficios importantes, como la buena disposición o el daño a la marca.

Las siguientes subsecciones examinan estos tres pasos por orden. Muestran cómo un modelo económico explícito fundamenta el cálculo, por qué la atribución es a la vez inevitable y controvertida, y cómo las proyecciones —complementadas con valoraciones sombra y privadas— convierten los datos de ayer en conocimiento útil para actuar mañana.

4.5.1 El modelo económico

El cálculo económico comienza con un modelo económico explícito: una representación concisa pero transparente que vincula cada decisión operativa —comprar, fabricar, mover, conservar, fijar precios— con su impacto financiero proyectado. En la práctica, el modelo traduce el flujo de átomos en flujos de unidades monetarias especificando cuatro elementos: la unidad de análisis (SKU, palé, hora de máquina, etc.), el horizonte temporal en el que se desarrollan las consecuencias, las reglas de atribución que asignan costes e ingresos compartidos y el criterio de descuento que concilia fechas distintas. Su propósito no es lograr una precisión profética, sino revelar disyuntivas que, de otro modo, permanecerían invisibles, de modo que las opciones mutuamente excluyentes puedan ordenarse con una sola medida: el rendimiento ajustado al riesgo. Como las supply chains operan en varias escalas temporales entrelazadas, suelen coexistir varios submodelos: un modelo de reposición de ciclo corto centrado en las rotaciones de inventario, uno de aprovisionamiento que incorpora los descuentos de los proveedores y las MOQ, y uno de capacidad que muestra cómo las restricciones de producción se convierten en dinero. Cada uno es una faceta de la misma disciplina: convertir decisiones físicas en flujos de caja descontados.

Por ejemplo, uno de los modelos económicos más sencillos es el del comerciante puro. Este se limita a comprar y vender bienes sin transportarlos, y a menudo deja su custodia al vendedor durante un periodo acordado. Su estrategia consiste en comprar barato y vender caro. El modelo pertinente se reduce al margen bruto proyectado: el precio de venta unitario menos el precio de compra unitario. La variabilidad procede del precio de venta, desconocido en el momento de comprar. Los comerciantes puros desempeñan diversas funciones en el mercado, como proteger a los vendedores frente a la variabilidad de los precios o ahorrarles la interacción con numerosos clientes más pequeños.

Aunque el comerciante puro es una simplificación extrema, las supply chains reales implican invariablemente numerosos matices. El modelo económico siempre es aproximado. Algunas aproximaciones son intencionales, porque ayudan a mantenerlo manejable. Por ejemplo, todos los bienes son perecederos: con tiempo suficiente, incluso el llamado acero inoxidable se oxida. Sin embargo, muchos bienes tienen una vida útil tan larga que su carácter perecedero es insignificante. En esos casos, es razonable omitirlo del modelo.

Otras aproximaciones son involuntarias y reflejan la incertidumbre operativa. El conocimiento puede afinarse, pero seguirá siendo incompleto. Por ejemplo, las existencias pueden contener defectos que solo detecten los clientes, algunos de los cuales pedirán después reembolsos o cambios. El control de calidad puede reducir los defectos a niveles casi insignificantes, pero la posibilidad persiste y el conocimiento nunca llega a ser absoluto.

Diseñar el modelo —incluidas su estructura y sus aproximaciones intencionales— es un problema de inteligencia general. Estos problemas no se prestan a resoluciones «mecanicistas». La idoneidad del modelo siempre exige un juicio de alto nivel. Puede refutarse empíricamente un modelo económico —o, al menos, cuantificar sus aproximaciones y juzgarlas excesivas—, pero diseñar el propio modelo requiere formas superiores de razonamiento. Pueden proporcionarse orientaciones y principios, pero ningún manual conciso de reglas formales realizará este ejercicio de forma satisfactoria.

Sin embargo, aunque diseñar el modelo siga siendo una cuestión de inteligencia general, todavía puede lograrse un alto grado de automatización. Su evaluación y su uso en la toma de decisiones pueden automatizarse por completo. El modelo debe revisarse a medida que evolucionan la empresa y el mercado; no obstante, este proceso suele ser lento en comparación con las fluctuaciones del flujo de bienes y materiales. Para la mayoría de las empresas, un modelo económico pertinente conserva su validez durante meses, si no años; un dato del flujo —como un nivel de existencias— la conserva durante horas.

4.5.2 Valoraciones implícitas

Muchas empresas eluden el problema del cálculo económico de la supply chain recurriendo a políticas basadas en porcentajes y a otros métodos no económicos similares. Esas políticas rigen la toma de decisiones en la supply chain. Suelen combinar operaciones manuales y automatizadas sin adoptar explícitamente una perspectiva económica. La única cualidad rescatable de este enfoque es que evita el coste adicional del propio cálculo económico. Por lo demás, por mucho éxito que la empresa obtenga gracias a factores independientes de su supply chain —como una marca superior—, este enfoque ya no puede considerarse otra cosa que atrasado.

Para una microempresa —una sola tienda de alimentación, un taller familiar, un pequeño negocio de reparaciones—, la ausencia de valoraciones formales no es atraso: es pragmatismo. El recurso más escaso del propietario es su propio tiempo: cada hora dedicada a construir una hoja de cálculo compite con limpiar estantes, hablar con los clientes o simplemente mantener el negocio en marcha. Cuando dos horas de aritmética pueden, en el mejor de los casos, ahorrar unas pocas unidades monetarias en el pedido de compra de la semana siguiente, esas horas ofrecen un rendimiento mayor y más seguro si se invierten en mantenimiento o venta directa. En ese contexto, reglas sencillas —«volver a pedir cuando solo queden dos unidades», «no dejar nunca vacío el estante del pan»— se aproximan suficientemente al óptimo. Cuando aumentan los volúmenes, los productos y las ubicaciones, la aritmética se invierte: el coste de la mala asignación supera rápidamente el trabajo administrativo adicional. Más allá de ese umbral, aferrarse a valoraciones implícitas deja de ser frugalidad y se convierte en autosabotaje.

Aclarada esta salvedad, volvamos al hilo principal del argumento. Las existencias de seguridad, los puntos de reposición mínimo/máximo y los márgenes de protección basados en el tiempo son políticas no económicas arquetípicas. Cada una escupe una cifra —un porcentaje, un número de unidades o unos «días de demanda»— que desencadena un pedido, pero ninguna incorpora una valoración expresada en dinero. Se calibran para alcanzar objetivos de ingeniería —fill rate, duración del ciclo, tranquilidad visual— sin preguntarse nunca cuánto vale la siguiente unidad. El coste de capital, la varianza de los márgenes y el coste de oportunidad no aparecen en las fórmulas. Una empresa puede ejecutar esas políticas sin un solo fallo y, aun así, asignar mal los recursos, porque la medida que optimizan está desconectada de los beneficios y las pérdidas.

Por mucho que estas políticas ignoren el cálculo económico, los beneficios y las pérdidas siguen produciéndose; puede eludirse el cálculo, pero no sus consecuencias. Por ejemplo, es habitual la idea equivocada de que los porcentajes deben acercarse al 100%, como sucede con los niveles de servicio que determinan las existencias de seguridad. Aumentar las cantidades en stock presenta rendimientos decrecientes evidentes. En algún punto, los costes de dar de baja el exceso de inventario igualan los costes de los faltantes de stock; a partir de ahí, seguir aumentando las existencias genera pérdidas. Cuando se utilizan políticas no económicas, no hay razón para creer que sus parámetros internos estén cerca de los valores que maximizarían los rendimientos.

Como aspecto positivo, es poco probable que esos valores sean catastróficos: si lo fueran, la empresa habría cesado su actividad. El sesgo de supervivencia pesa mucho: solo siguen siendo observables las empresas que evitaron la quiebra; las demás, por definición, han desaparecido. Por tanto, en cierta medida, una política no económica que ha mantenido solvente a una empresa a lo largo de los años demuestra algún mérito.

Conceptualmente, toda política no económica puede reformularse como una económica. Basta introducir una serie de valoraciones escogidas no por su adecuación a los beneficios y pérdidas reales, sino por su capacidad de producir numéricamente las mismas decisiones. Este ejercicio aclara el defecto fundamental de las políticas no económicas: son políticas económicas construidas sobre valoraciones defectuosas.

Así, cualquier política no económica puede mejorarse reformulándola primero de manera explícita como política económica y acercando después las valoraciones a sus valores reales. Este rodeo tiene sobre todo interés teórico; en la práctica, rara vez se justifica abordar la situación de una manera tan enrevesada. Puede estar justificado ocasionalmente si el sistema transaccional heredado es inflexible y solo puede operar, por ejemplo, con existencias de seguridad. En ese caso, si la empresa no quiere o no puede modernizar su sistema, se ve obligada al tedioso proceso de hacer explícitas las valoraciones implícitas y reajustarlas a valores más sensatos. Este proceso implica una ingeniería inversa considerable, es propenso a errores de implementación, eleva los costes de mantenimiento y debe seguir siendo una opción de último recurso.

Una vez reinterpretadas las políticas no económicas del flujo como valoraciones rudimentarias —a menudo defectuosas—, todavía quedan dos obstáculos prácticos entre el registro de operaciones y las microdecisiones que pueden llevarse a la práctica. La atribución pregunta: «¿Qué unidades monetarias pasadas corresponden a qué decisiones pasadas?», y desenreda los hilos causales que entrelazan costes e ingresos. La proyección pregunta después: «Dados esos hilos, ¿qué patrón de unidades monetarias traerá con mayor probabilidad el mañana?», y extiende la imagen hacia el futuro bajo incertidumbre. Las dos subsecciones siguientes abordan esos dos retos en ese orden.

4.5.3 Atribución de gastos e ingresos

La atribución vuelve a vincular cada unidad monetaria que pasa por los libros con la decisión operativa que la originó. En el mundo del comerciante puro, la correspondencia es trivial: una compra, una venta, un margen bruto. En cuanto una empresa almacena, transporta, transforma o promociona bienes, esa simetría uno a uno desaparece. Un solo contenedor entrante repone cientos de SKU; una rebaja impulsa toda una categoría; la falta de una junta detiene una línea de montaje entera. Si no se desenredan esos efectos entrelazados, cualquiera puede aventurar cuál es el «valor» de enviar un palé adicional o recortar un día del plazo operativo. Por tanto, la atribución aporta la causalidad cuantitativa que convierte los registros contables brutos en datos preparados para la toma de decisiones y hace posible una evaluación microanalítica, opción por opción.

Consideremos el problema de establecer el precio de compra unitario de una serie de productos que pueden adquirirse todos al mismo proveedor. Ese precio unitario es esencial para decidir si las unidades deben comprarse a ese proveedor o a un competidor. En nuestro ejemplo, el proveedor muestra precios unitarios; sin embargo, esos precios llevan condiciones asociadas. En efecto, cobra una tarifa fija de entrega que refleja el coste de enviar un camión. La empresa cliente afronta una disyuntiva: pedidos pequeños con costes de inventario bajos y gastos de entrega altos, o pedidos grandes con costes de inventario altos y gastos de entrega bajos. Sean cuales sean el tamaño y la frecuencia de los pedidos de compra, las facturas del proveedor mezclan líneas de artículos y líneas de entrega. El problema de atribución consiste en decidir cómo deben asignarse esas líneas al cálculo de los precios de compra unitarios.

Para mayor claridad, supongamos que el cliente pide dos productos: uno en gran volumen y otro en pequeño volumen. En la práctica, la única forma «económica» de pedir el segundo es aprovechar un pedido que incluya muchas unidades del primero. El segundo producto «se suma» al flujo de pedidos del primero. En esta situación, resulta tentador asignar los gastos de entrega a ambos productos en proporción al gasto. Así, casi todos se atribuirían al primer producto y solo una pequeña parte al segundo. Con esta atribución, el precio de compra «ajustado» de ambos productos aumenta en un porcentaje fijo. Sin embargo, este razonamiento ignora el vínculo entre los dos productos. Si la empresa pasa a comprar el primero a un proveedor más barato, podría acabar peor, porque el ahorro en ese producto queda compensado por los gastos de entrega que sigue teniendo que pagar para pedir el segundo. Esa decisión eleva de hecho el precio unitario del segundo producto.

Sin embargo, el problema de atribución no se limita a los gastos: también afecta a los ingresos. Por ejemplo, consideremos una tienda que ofrece un descuento considerable en un producto dado. Los ingresos de ese producto se disparan porque se venden más unidades, aunque con menor margen bruto; el efecto promocional no termina ahí. Los clientes también compran productos complementarios, impulsados por su interés inicial en el producto rebajado. Por tanto, también aumentan los ingresos de varios productos complementarios. Puede parecer que esos ingresos se generaron a precio completo, pero esa perspectiva es engañosa. Sin el descuento del producto «estrella», los demás no se habrían comprado en la misma medida. Así, en lugar de atribuir ingenuamente toda la reducción de ingresos —causada por el descuento— al primer producto, es más correcto repartirla entre todos los productos complementarios en proporción a su promoción indirecta.

En términos más generales, los vínculos son omnipresentes en la supply chain: los artículos se compran, transportan, almacenan, transforman y venden conjuntamente. Cada una de esas operaciones implica costes fijos o compartidos. A la inversa, casi todos los mecanismos que generan ingresos tienen efectos indirectos: notoriedad de marca y fidelidad, compras impulsivas más allá de la intención original, etc. La atribución reorganiza los gastos y los ingresos de formas más acordes con la toma de decisiones. Por ello, es uno de los mecanismos clave para realizar los cálculos económicos necesarios para identificar las mejores opciones disponibles para la empresa. En gran medida, la atribución define la propia estructura del cálculo económico.

La corrección de una atribución no puede demostrarse matemáticamente; solo puede demostrarse que es incorrecta si inventa gastos o ingresos de la nada, o si la aritmética subyacente es errónea. Sin embargo, esos problemas son relativamente triviales, e incluso unas atribuciones defectuosas pueden cumplir un criterio tan básico de «corrección».

En la mayoría de los países existen muchísimas reglas, normalmente contables, para realizar esas atribuciones. Por ejemplo, pueden pretender impedir la «venta a pérdidas», según alguna definición semiarbitraria de «pérdidas»²⁹. Estas reglas persiguen fines fiscales o regulatorios. Su validez no se extiende más allá de su objetivo original. Reciclarlas con fines analíticos sería un grave error. La supply chain debe cumplir los requisitos regulatorios, pero nada más.

Cada esquema de atribución conlleva sus propias distorsiones. Desde el punto de vista de la información, la atribución es una técnica de reducción de dimensionalidad. Volviendo al ejemplo anterior de alto y bajo volumen, tenemos dos precios de artículos y una tarifa de entrega. Al atribuir esa tarifa a los propios productos, proyectamos una situación tridimensional en un espacio bidimensional. Esta proyección simplifica la toma de decisiones, porque cada producto recibe un precio sombra que refleja la tarifa de entrega. Sin embargo, puede conducir a decisiones equivocadas si esos precios sombra representan mal la situación original. En general, comprimir dimensiones no permite conservar perfectamente todas las propiedades del espacio original.

Las técnicas de optimización capaces de operar en muchas dimensiones pueden aliviar, o incluso eliminar, el problema de atribución. Por ejemplo, si disponemos de una receta numérica capaz de tratar directamente las seis dimensiones de dos proveedores que compiten por los mismos dos productos —es decir, cuatro precios unitarios y dos tarifas de entrega—, no hace falta atribución alguna: la receta acepta la mayor dimensionalidad del problema.

La atribución pertenece a la economía, no a la historia económica, en la medida en que da por supuestas la exactitud y la integridad de los registros. Simplifica el espacio del problema —mediante la reducción de dimensionalidad— y mantiene a la vez un modelo económico pertinente, es decir, uno que represente de forma fiable las bases de gastos e ingresos utilizadas para valorar las opciones. Una vez establecidas esas bases, hay que pasar al segundo mecanismo: la proyección.

4.5.4 Gastos e ingresos proyectados

La historia económica no debe confundirse con la economía propiamente dicha. Aunque los gastos y los ingresos pasados pueden conocerse con certeza —salvo errores administrativos ocasionales—, los futuros siempre son inciertos. Su incertidumbre es irreducible. Por recientes o numerosas que sean las observaciones transaccionales, nunca pueden contar toda la historia de lo que sucederá, porque el futuro depende de decisiones que todavía no se han tomado. Algunas las tomará la propia empresa; otras, terceros, como los clientes y los proveedores.

Como las opciones de supply chain se escogen por los rendimientos económicos que se les atribuyen, en última instancia dependen de valoraciones proyectadas y, por tanto, inherentemente imperfectas. Hay situaciones en las que las diferencias de valoración entre el pasado reciente y el futuro próximo se consideran insignificantes, pero son raras. En la supply chain predomina lo contrario. Ilustremos brevemente esta proposición.

Cuando un minorista decide añadir una unidad más —con un precio marcado de una unidad monetaria— al estante, deben hacerse dos proyecciones complementarias.

Primero, las salidas proyectadas. Desde el instante en que el artículo entra en la tienda hasta el día en que sale, inmoviliza capital y absorbe costes de mantenimiento del inventario: el alquiler del espacio que ocupa, los salarios del personal que lo mueve o cuenta, los suministros, las mermas, el seguro y el coste de oportunidad del efectivo inmovilizado en la propia unidad. Estos gastos se acumulan día tras día y su valor esperado es estrictamente positivo; si fueran realmente insignificantes, la estrategia racional sería ampliar sin límite la superficie de venta, una reductio ad absurdum que confirma que los costes son reales y relevantes.

Segundo, las entradas proyectadas. La etiqueta de una unidad monetaria solo indica un precio posible: si la demanda flojea, quizá haya que rebajar la unidad; si se deteriora, quizá haya que darla de baja; si los competidores bajan los precios, la tienda puede seguirlos; y, en sentido contrario, un aumento brusco de la demanda o la inflación general pueden elevar el precio realizado por encima del marcado. Así, el efectivo que se espera recuperar con la venta casi nunca equivale exactamente a una unidad monetaria: suele ser menor y, en ocasiones, mayor. Solo después de descontar ambos flujos a valor actual puede el minorista decidir si almacenar esa unidad adicional aumenta o reduce el beneficio a largo plazo.

En términos más generales, el problema de proyección es tan intrincado como el de atribución. Aunque el ejemplo anterior es sencillo —la medición solo se retrasa un ciclo de inventario—, muchas cuestiones son más difíciles de captar empíricamente. Sin embargo, también pueden resultar cruciales. No hay correlación entre la facilidad de medición y la importancia para el negocio.

Consideremos una marca de moda que aplica descuentos al final de la temporada para liquidar la colección actual. Actúan dos fuerzas distintas. Primero, el descuento aumenta el volumen de ventas a costa del margen bruto. Segundo, acostumbra a los clientes a esperar descuentos comparables en el futuro, erosionando su disposición a pagar: algunos retrasarán las compras hasta las rebajas. Esta erosión puede ralentizarse; aun así, con tiempo suficiente, su efecto sobre los ingresos de la marca es considerable. Para muchas marcas, si no la mayoría, bien puede eclipsar el primer efecto. Sin embargo, aunque cuantificar esa erosión no es imposible, dista mucho de ser sencillo.

Toda valoración implica una proyección: una afirmación numérica sobre el futuro, una «previsión» que no se limita a la demanda. Los gastos, los ingresos y sus atribuciones históricas proporcionan las bases sobre las que calcular esas proyecciones. Sin embargo, las bases históricas no deben equipararse con sus proyecciones. El futuro depende de decisiones aún no tomadas. Cualquier proyección que parezca precisa puede volverse completamente inexacta si se revisan las decisiones posteriores. Este problema es fundamental y no puede eliminarse solo con métodos estadísticos, por sofisticados que sean; puede mitigarse mediante métodos que reconozcan la incertidumbre inherente.

El rendimiento económico de una decisión de supply chain depende en gran medida de la calidad y la fiabilidad de las proyecciones que la sustentan. Aunque abordar este reto suele requerir mucha estadística, es un error tratarlo como un problema puramente estadístico. En efecto, una proyección debe evaluarse ante todo por su pertinencia económica, un criterio más exigente que la mera precisión estadística.

El resto de esta sección se centra en dos categorías especiales de proyecciones que merecen un tratamiento propio. Primero, las valoraciones sombra: cifras que no aparecen en ninguna línea contable, pero que deben crearse para captar efectos esquivos y, aun así, económicamente decisivos. Después pasamos a las valoraciones privadas, los precios internos de transferencia aplicados a componentes intermedios que nunca se enfrentan al mercado externo a la empresa, pero que siguen compitiendo por efectivo, espacio y atención dentro de ella. Ambas familias siguen la lógica general que acabamos de establecer, aunque cada una plantea sus propias dificultades y técnicas prácticas.

4.5.4.1 Valoraciones sombra

El impacto económico de una decisión suele calcularse proyectando el efectivo gastado hoy y el obtenido mañana. Sin embargo, muchos efectos de segundo orden —la pérdida de buena disposición, la desconfianza de los proveedores, el cansancio de los empleados— nunca aparecen en los libros, aunque más adelante se traduzcan en dinero contante y sonante. Ignorarlos produce la caricatura de un contable miope, dirigido por su hoja de cálculo, que «optimiza» este trimestre mientras destruye silenciosamente el año siguiente. Para escapar de esa trampa, los profesionales deben introducir valoraciones sombra: estimaciones explícitas y expresadas en dinero que vuelven tangibles las consecuencias invisibles. Estas cifras son supuestos —no existe una base histórica para ellas—, pero, sin esos ajustes, el cálculo degenera en una reducción ingenua de costes que sacrifica la opcionalidad a largo plazo y, en última instancia, el beneficio.

Consideremos un ejemplo minorista: si un cliente no encuentra en una tienda lo que esperaba, su compra se retrasa como mínimo, e incluso puede cancelarse si pierde el interés. Puede acudir a un competidor, encontrar el producto y acabar prefiriendo esa tienda. Estos fallos de servicio ocurren en silencio, sin dejar rastro en los registros transaccionales, pero tienen consecuencias reales: perjudican tanto a los ingresos a corto plazo como a los de largo plazo.

Si un minorista valora su inventario únicamente a partir de las ventas observadas, pasa por alto cómo un servicio inadecuado erosiona su base de clientes. En otras palabras, al infravalorar el inventario —y dejando aparte las restricciones de capacidad de los estantes—, la tienda acaba manteniendo unas existencias subóptimas. Al reconocerlo, la empresa puede introducir una «penalización por faltante de stock», una valoración sombra destinada a recoger el coste a largo plazo de las ventas perdidas. Incorporada al cálculo económico, esta penalización eleva el valor percibido de mantener inventario y anima a la tienda a disponer de más.

En términos más generales, la buena disposición³⁰ de clientes, proveedores y empleados hacia una empresa se recoge mejor mediante valoraciones sombra. Aunque los detalles varían entre organizaciones, la mayoría de las decisiones de supply chain afecta a esa buena disposición. Por tanto, incorporar valoraciones sombra permite tener mejor en cuenta estas consecuencias más amplias al evaluar las opciones.

Por ejemplo, los proveedores pueden verse perjudicados por compras irregulares: tamaños de pedido fluctuantes y frecuencias inconsistentes. Al suavizar el flujo de pedidos y hacer más previsible la demanda, las empresas animan a los proveedores a bajar sus precios. En este contexto, una valoración sombra que penalice la variabilidad de los pedidos orienta el comportamiento de compra en la dirección deseada.

Del mismo modo, los empleados sufren ante cargas de trabajo excesivas. Por ejemplo, si el personal de una tienda de alimentación recibe en un día más artículos de los que puede colocar en los estantes durante la jornada habitual, puede verse obligado a hacer horas extra no previstas. Además, el inventario que queda disperso en lugar de bien colocado frustra tanto a empleados como a clientes. Una valoración sombra que penalice volúmenes excesivos de entrega ayuda a suavizar los despachos del almacén.

En la práctica, las valoraciones sombra suelen ser estimaciones aproximadas, y eso es aceptable: es preferible acertar aproximadamente que equivocarse con exactitud. Pasar por alto factores difíciles de captar pero trascendentes es un error. Esa omisión conduce a soluciones de «sabio idiota», que pueden exhibir una gran sofisticación técnica y, aun así, no entender lo esencial. Aunque más adelante veremos cómo la optimización experimental ofrece una solución más robusta para las valoraciones, por ahora una aproximación informada es preferible a ignorar factores importantes.

4.5.4.2 Valoraciones privadas

Una característica fundamental de la economía de mercado es la formación de precios. Para los bienes terminados o «comercializables», las empresas deben operar dentro de las restricciones fijadas por los precios de mercado. Una empresa puede orientar sus precios a la baja —mediante innovaciones que reduzcan drásticamente los costes— o al alza —mediante un trabajo cuidadoso de marca, como ocurre con los bienes de lujo—. Sin embargo, los precios de mercado siempre se aplican. Incluso una empresa con un monopolio respaldado por una patente debe ajustar sus precios teniendo en cuenta las alternativas del mercado. Los precios de mercado no requieren sustitutos perfectos.

En cambio, los bienes no comercializables no se benefician directamente de los precios de mercado. Son habituales en la fabricación, donde la producción suele requerir numerosos componentes intermedios, algunos ensamblados a partir de subcomponentes adquiridos externamente. Estos bienes intermedios suelen existir solo dentro del proceso productivo de la empresa y carecen de los complementos —documentación técnica, canales de venta establecidos, materiales de marketing, procedimientos de cumplimiento normativo— que permitirían comercializarlos. Sin embargo, no todos los bienes intermedios son no comercializables; por ejemplo, un fabricante puede producir tanto bombas como unidades de aire acondicionado, y las primeras formar parte de las segundas y venderse también por separado.

Los bienes no comercializables exigen inversiones tanto en capacidad productiva como en inventario suficiente. Cuando un componente no comercializable se utiliza exclusivamente en un producto terminado, su valoración es relativamente sencilla³¹: el coste del producto terminado puede repartirse proporcionalmente entre sus componentes. Sin embargo, cuando un componente sirve para varios productos terminados, valorar cada unidad adicional en stock resulta más difícil, porque depende de la probabilidad de que se utilice en cada producto.

Por ejemplo, supongamos que un fabricante utiliza un componente en dos productos que se venden en volúmenes iguales: el producto A genera un margen bruto de 10 unidades monetarias y el B, solo 1. El valor de producir una unidad adicional de ese componente depende del producto al que contribuya. Si hay existencias abundantes del producto A mientras el B está agotado, la siguiente unidad es más valiosa para el B. A la inversa, si el A está agotado y el B bien abastecido, la unidad adicional es más valiosa para el A, que ofrece un margen mayor. Así, el valor del componente adicional depende de manera decisiva de los niveles de inventario de las etapas posteriores y de los márgenes de los productos.

En la práctica, un fabricante puede manejar numerosos productos y componentes. Los ciclos de producción suelen diferir, y la demanda fluctúa tanto en volumen como en precio. Cada producto suele mantener sus propias existencias, a menudo distribuidas entre varias ubicaciones, y la producción puede realizarse en lotes de tamaños distintos. Estas condiciones complican la valoración de los inventarios de componentes.

La tasa de rendimiento de cualquier inversión relacionada con bienes no comercializables —ya sea adquirir bienes de equipo o utilizar insumos para producir unidades adicionales— debe evaluarse por su impacto proyectado en los ingresos y gastos de la empresa. Al igual que la atribución presentada anteriormente, las valoraciones privadas actúan como una técnica de reducción de dimensionalidad que resume efectos complejos y multidimensionales en un rendimiento esperado.

En las empresas más grandes e integradas verticalmente, las valoraciones privadas ganan presencia e importancia. En ellas, los bienes no comercializables suelen superar en número a los productos terminados y representar una proporción mayor del valor del inventario. Por consiguiente, valorar estos activos resulta esencial.

4.5.4.3 El papel del mercado

Las valoraciones privadas son inherentemente difíciles. A medida que las empresas crecen y se integran más verticalmente, sus problemas de supply chain se parecen cada vez más a los problemas de asignación de recursos que afrontan los gobiernos bajo el socialismo y su planificación central. En efecto, el socialismo se ha implantado muchas veces y en muchos lugares; como predijeron destacados economistas en la primera mitad del siglo XX, todos esos intentos fracasaron y condujeron invariablemente al empobrecimiento general. El socialismo, con su corolario de planificación central, fracasa porque intenta resolver el problema de valorar los recursos escasos, un reto que solo el mercado libre puede resolver a gran escala. Del mismo modo, aunque las empresas pueden realizar valoraciones privadas precisas a pequeña escala, las grandes suelen encontrar importantes deseconomías de escala —entre cuyos factores principales están las valoraciones privadas defectuosas— que limitan su crecimiento.

En un mercado libre, los precios indican a los actores económicos cómo deben asignarse los recursos. Cuando la demanda supera a la oferta, los precios suben y fomentan la inversión en el producto escaso. A la inversa, un exceso de oferta hace bajar los precios y anima a desplazarse hacia oportunidades más rentables. Cuando una supply chain es relativamente sencilla —pocos productos, un mínimo de bienes intermedios y plazos operativos cortos—, traducir los precios de mercado en decisiones de asignación de recursos es fácil. En esos casos, los propios precios de mercado resuelven una parte esencial del reto de la supply chain sin necesidad de conocimientos profundos ni analítica avanzada³².

A medida que las grandes empresas amplían la profundidad y la complejidad de sus supply chains, se debilita el vínculo entre la planificación y la retroalimentación de los precios de mercado, y se multiplican los retos. Este problema era bien conocido por los empresarios del siglo XIX, pero el fundador de IKEA, Ingvar Kamprad, lo expresa sin rodeos en su Testament of a Furniture Dealer (1976):

Pero no olviden que la planificación exagerada es la causa más común de muerte empresarial.

En efecto, al igual que los gobiernos que intentan implantar el socialismo, las grandes empresas no tienen otra alternativa que nombrar una casta de expertos —como planificadores de oferta y demanda, responsables de categorías, especialistas en previsión de demanda y responsables de inventario— para abordar la asignación de recursos. Aunque estas funciones difieren solo ligeramente en su alcance, el reto global es inmenso: las empresas deben tener en cuenta cientos de factores económicos y establecer miles de valoraciones privadas, todo ello afrontando las incertidumbres inherentes del futuro. Las valoraciones defectuosas generan decisiones no rentables.

A medida que crece una organización, los incentivos cambian: los mandos intermedios prefieren cada vez más evitar las culpas a buscar mejoras incrementales, y la disposición a asumir riesgos disminuye con el tamaño de la empresa. Por ello, recurren a procesos establecidos y suelen seguirlos rígidamente con independencia de su mérito económico. Cuando esos procesos producen repetidamente resultados no rentables, la burocracia responde añadiendo más reglas, ampliando listas de comprobación e incorporando pasos adicionales a los flujos de trabajo. En esencia, la burocracia se expande con independencia de su justificación económica.

Las deseconomías de escala, no la falta de ambición, suelen frenar a las empresas muy grandes e integradas verticalmente. A medida que se multiplican las capas organizativas, las valoraciones privadas se desvían, y cada nuevo nivel amplifica las asignaciones erróneas resultantes. Para recuperar agilidad, las empresas suelen desprenderse de actividades periféricas —mediante externalizaciones, escisiones o empresas conjuntas— y redoblar sus esfuerzos en segmentos donde su ventaja comparativa es evidente y los precios del mercado externo a la empresa ofrecen un circuito de retroalimentación rápido e inequívoco.

5 Información

Toda decisión de supply chain es una apuesta bajo incertidumbre; para ser buena, debe estar informada. Aunque al lector no especializado pueda sorprenderle, «informada» no es una mera metáfora: desde la década de 1940, la teoría de la información ha dado a esta palabra un significado preciso y cuantitativo. Este capítulo aclara qué implica «estar informado» para una supply chain moderna.

Dos hechos motivan lo que sigue. Primero, las supply chains contemporáneas son objetos irreductiblemente digitales. Sus estados e historiales residen en los sistemas empresariales; llamar «digital» a una supply chain es redundante, porque ninguna de cierta envergadura puede funcionar sin software. Segundo, la teoría predominante de supply chain confunde habitualmente los datos con la información: trata las magnitudes sobre las que pretende decidir —demanda, plazos operativos, niveles de servicio— como si fueran directamente observables. En realidad, la empresa solo dispone de rastros rudimentarios (pedidos de venta, expediciones, devoluciones, correcciones de existencias) de los que debe inferir esas magnitudes. Ignorar esta distinción es precisamente la razón por la que tantas fórmulas elegantes fracasan al enfrentarse a los residuos brutos que producen los sistemas empresariales. Este desajuste entre teoría y práctica provoca el fracaso de muchas iniciativas: las empresas intentan injertar ideas anteriores al ordenador en infraestructuras posteriores a su aparición.

Para orientarnos en este panorama, debemos separar tres nociones que el lenguaje cotidiano mezcla: datos, información y conocimiento. Los datos son los símbolos registrados: bytes en tablas, líneas de registros de actividad, códigos de barras. La información es la capacidad de esos símbolos para resolver incertidumbre, una magnitud que Shannon nos enseñó a medir. El conocimiento es la estructura causal que permite a una mente —humana o artificial— convertir la información en decisiones que mejoran los rendimientos de la empresa. Confundir estas nociones engendra recetas ingenuas que parecen sofisticadas sobre el papel, pero que en producción rinden peor que heurísticas rudimentarias.

La digitalización ya ha desplazado a los seres humanos de la custodia de los datos; esa misma tendencia erosiona ahora su custodia de la información y del conocimiento. A medida que los volúmenes y las frecuencias de actualización se disparan, la arquitectura de los sistemas —no el ingenio personal de sus usuarios— determina qué puede o no puede decidir bien la empresa. Por eso, comprender dónde reside realmente la información dentro de la empresa adquiere importancia estratégica.

Desde la década de 1970, tres clases de software han estructurado ese «dónde»: los sistemas de registro (ejecutan flujos de trabajo y almacenan transacciones), los sistemas de informes (describen lo sucedido) y los sistemas de inteligencia (deciden lo que debería suceder a continuación). La mayoría de las decepciones empresariales procede de confundir estas funciones: esperar que los libros de registro piensen o que las capas analíticas sirvan como fuentes de verdad.

Este capítulo avanza por etapas: primero distinguimos datos, información y conocimiento, anclando la «información» en la teoría de Shannon. Después examinamos cómo aparecen estas nociones —y cómo se distorsionan habitualmente— en las tres clases dominantes de software empresarial. Con ese marco, abordamos la enrevesada semántica de los datos empresariales, los mitos sobre los «datos de mala calidad» y los incentivos que desvían los registros del interés de la empresa. Por último, retomamos el conocimiento tácito, denominado cotidiano, que todavía reside en la cabeza de las personas y mostramos cómo también puede codificarse progresivamente. Así preparamos el terreno para el siguiente capítulo, sobre la inteligencia, y para la mecanización completa de la toma de decisiones.

5.1 Datos, información y conocimiento

Datos, información y conocimiento son tres palabras que las diapositivas y los folletos de los proveedores intercambian alegremente; en la práctica, confundirlas destroza arquitecturas y políticas. Tratar los registros brutos (datos) como si ya resolvieran la incertidumbre (información), o tratar la incertidumbre reducida como si ya incorporara un modelo causal capaz de orientar la acción (conocimiento), no es un pequeño desliz semántico. Es la causa fundamental de los cuadros de mando que nunca deciden, los módulos de «planificación» que nunca planifican y los análisis de fallos que siguen culpando a los «datos de mala calidad» de fracasos que, en realidad, son metodológicos.

Los datos son símbolos capturados por los sistemas: bytes en tablas, líneas de registros de actividad, códigos de barras; por sí solos, no dicen nada sobre cuánta incertidumbre persiste. La información es lo que esos símbolos nos permiten ganar frente a la incertidumbre; puede cuantificarse y presupuestarse. El conocimiento es la estructura —explícita o tácita— que permite a una inteligencia convertir la información en decisiones que mejoran sistemáticamente los rendimientos de la empresa. Confundir estas capas invita a cometer dos errores simétricos. Primero, las empresas acumulan cada vez más datos y capacidad de cómputo, convencidas de que el volumen sustituye a la información; acaban con petabytes de residuos de escaso valor que apenas reducen la incertidumbre que importa. Segundo, confunden información con conocimiento y esperan que los informes o los KPI «dirijan» el negocio; las personas lo compensan entonces a mano, introduciendo reglas ad hoc y saberes informales que nunca se formalizan, se someten a control de versiones ni se prueban.

Para una supply chain moderna, estas distinciones son operativas. Si no se puede decir dónde reside la información, no se puede decir qué sistema hace de referencia; si no se puede decir dónde reside el conocimiento, no se puede decir quién —o qué— responde por las decisiones. Desde esta perspectiva, los «sistemas de registro», los «sistemas de informes» y los «sistemas de inteligencia» se convierten en restricciones arquitectónicas esenciales: los registros contienen (la mayoría de) los datos, los informes muestran fragmentos de información y la inteligencia pone el conocimiento en práctica para emitir órdenes. Esperar que cualquiera de estas capas haga el trabajo de las demás es confundir los deseos con la realidad, además de una forma segura de consumir tanto presupuestos como credibilidad.

Por tanto, lo que sigue no repite definiciones por mero afán taxonómico. Partimos de la naturaleza mecánica de los datos —simples símbolos— y de las realidades de ingeniería que rigen su almacenamiento y recuperación. Después anclamos la «información» en el tratamiento cuantitativo de la incertidumbre de Shannon, mostrando por qué muchos conjuntos de datos aparentemente «ricos» aportan poca información a las decisiones en cuestión. Finalmente, abordamos el conocimiento, la noción menos manejable de las tres, y lo vinculamos de nuevo con el código, las recetas y las personas de la empresa: dónde reside realmente, cómo debe cuidarse y cómo puede mecanizarse progresivamente. Solo manteniendo separados estos tres niveles puede una empresa aspirar a construir sistemas de decisión que estén informados y sean fiables.

5.1.1 Almacenamiento de datos

Los datos son símbolos registrados. Pueden ser números, caracteres, píxeles o cualquier otra marca discreta que un sistema pueda almacenar y recuperar de manera fiable. Por sí solos, estos símbolos carecen de significado; solo una interpretación acordada (un esquema, un libro de códigos, un protocolo) los convierte en algo sobre lo que una empresa puede razonar. Un código de barras, un identificador de cliente, una línea de pedido de compra o la lectura de una sonda de temperatura son «datos» en este sentido estricto y mecánico.

En los ordenadores, estos símbolos se codifican en última instancia como dígitos binarios y se agrupan en bytes (8 dígitos binarios por byte)³³. Los dispositivos de almacenamiento modernos, que pesan apenas unos gramos³⁴, pueden contener más de 1 TB, es decir, \(10^{12}\) bytes. Un terabyte ya escapa a la comprensión intuitiva. La edición de 1768–1880 de la Encyclopaedia Britannica abarca 143 volúmenes, cuyo contenido textual suma 336 MB: unas 3.000 veces menos que 1 TB. Incluso con imágenes de alta resolución, la enciclopedia ocupa solo 23,5 GB, unas 400 veces menos que 1 TB. Con representaciones eficientes, 1 TB permite almacenar más de una década de transacciones minoristas de una gran red.

Desde la perspectiva de la supply chain, las grandes capacidades de almacenamiento permiten reunir extensos registros electrónicos. Estos recogen tanto el estado actual de la supply chain como la secuencia detallada de acontecimientos que condujo a él, incluido el flujo de bienes físicos. También pueden incluir datos del mercado, como los precios de los competidores. Todos estos datos se almacenan en los sistemas de registro de la empresa, que examinaremos más adelante.

La capacidad de almacenamiento del hardware moderno es tan inmensa que cuesta asimilar sus cifras, y esta brecha no hará sino ampliarse a medida que avance la tecnología. Las arquitecturas digitales modernas abarcan habitualmente entre 10 y 15 órdenes de magnitud: desde ciclos de CPU de nanosegundos hasta trabajos por lotes que duran un día; desde bytes en dispositivos integrados hasta petabytes en almacenes de datos. En cambio, la distancia entre un negocio de una sola persona y las mayores empresas de la Tierra es de «solo» unos siete órdenes de magnitud (de 1 a 10 millones de empleados). Las cantidades son perfectamente medibles; lo difícil es desarrollar una intuición para fenómenos que difieren por factores de un billón o más.

A medida que aumenta la capacidad, también se hace más difícil recuperar y procesar lo que almacenamos. Sin embargo, la presión del mercado suele impulsar lo suficiente al resto de los componentes —ancho de banda, RAM, CPU— para que el almacenamiento adicional siga siendo económicamente aprovechable. Cuando el almacenamiento se adelanta demasiado tiempo a sus complementos, la inversión en soportes cada vez más densos simplemente se frena hasta que el resto del hardware se pone a su altura; entonces, nuevas mejoras vuelven a tener sentido empresarial.

Un chip de almacenamiento de apenas un gramo contiene hoy más bits de los que una mente —o mil— podría mantener jamás en su memoria de trabajo. Esta inmensa capacidad explica por qué, hace décadas, los sistemas empresariales se convirtieron en los custodios de facto de casi toda la información pertinente para la supply chain. Por consiguiente, un proceso de toma de decisiones de supply chain solo está realmente informado si aprovecha los vastos depósitos que albergan los sistemas de registro de la empresa.

La inmensidad del almacenamiento moderno trae consigo dos riesgos distintos. Los profesionales de supply chain poco familiarizados con las tecnologías de la información suelen subestimar cuántos datos pueden almacenarse y procesarse para sus fines. Como consecuencia, datos vitales quedan sin registrar, se borran demasiado pronto o nunca llegan a recopilarse. Si estuvieran disponibles, podrían haberse utilizado para perfeccionar aún más los procesos de toma de decisiones. Los dos errores más comunes son no conservar todos los acontecimientos que afectan a los sistemas empresariales y descartar los datos históricos al cabo de tres a cinco años, aunque el historial completo podría conservarse casi indefinidamente³⁵.

Por ejemplo, aunque todos los sistemas de gestión de inventario incluyen ajustes manuales de los niveles de existencias para corregir discrepancias entre el inventario físico y los registros electrónicos, algunos no registran esos ajustes. Sin embargo, disponer de su rastro completo es esencial para remontarse a las causas fundamentales de los errores de inventario. Idealmente, debería registrarse todo acontecimiento que termine modificando el estado del sistema empresarial³⁶.

En cambio, los ingenieros de software, que conocen bien las capacidades del hardware, suelen aprovecharlas para favorecer soluciones fáciles de implementar frente a otras que usan los recursos con eficiencia. Como resultado, el software a menudo utiliza el hardware de manera ineficiente, especialmente el software empresarial en comparación con las aplicaciones de consumo. En el software de consumo, el comprador y el usuario suelen ser la misma persona, y la rapidez de respuesta de la aplicación es un factor clave para su adopción³⁷. Por ello, los ingenieros dedican buena parte de su esfuerzo a exprimir cada ciclo de la aplicación.

Por el contrario, el comprador de software empresarial rara vez es el usuario, y las demostraciones suelen ejecutarse sobre datos ficticios mucho más pequeños que los de producción, de modo que el rendimiento real recibe poca atención. Además, pese al uso ineficiente de los recursos informáticos, el coste total de propiedad de la aplicación suele superar con creces sus costes de hardware. Por eso, ante un problema de rendimiento, es habitual añadir más hardware en vez de mejorar la eficiencia del software subyacente. En términos más generales, la mayoría de los proveedores de software empresarial tiene incentivos modestos para invertir en una tecnología que utilice los recursos con eficiencia.

La eficiencia en el uso de recursos importa porque una misma información puede codificarse de muchas maneras, algunas mucho más compactas que otras. Aunque un conjunto de datos de 1 GB (\(10^{9}\) bytes) parezca más rico y más informativo que uno de 1 KB (\(10^{3}\) bytes), más bytes no significan intrínsecamente más información. Por ejemplo, el número 123 puede almacenarse en un solo byte o en un millón de bytes con un millón de ceros iniciales.

Utilizar un millón de bytes para representar un número pequeño es un evidente mal uso de los recursos informáticos; aun así, el software empresarial suele crear copias redundantes de los mismos datos en sus bases de datos. En las bases de datos relacionales, el software empresarial suele multiplicar por diez —y a veces por cien— el almacenamiento debido a representaciones redundantes de los datos. Diversas razones técnicas justifican esas representaciones. Quedan fuera de nuestro ámbito aquí, pero plantean una pregunta importante: ¿qué relación guarda la representación elegida con la información misma?

5.1.2 Teoría de la información

Los registros de una empresa pueden almacenarse como datos. Sin embargo, aunque los datos suelen medirse en bytes, esa unidad no indica cuánta información contienen. Un mismo registro admite muchas representaciones, algunas más eficientes que otras en términos de almacenamiento. La información subyacente no cambia con su notación. Por ejemplo, 1776 equivale a MDCCLXXVI en números romanos; la información permanece intacta. La teoría de la información estudia qué es la información y cómo se mide, se almacena y se transmite.

Claude Shannon fundó la teoría moderna de la información en la década de 1940. Es una ciencia auxiliar fundamental de la supply chain. Esta teoría se basa en la probabilidad y define la información como la capacidad de resolver incertidumbre. Para ilustrar el vínculo entre incertidumbre e información, consideremos dos establecimientos, cada uno con existencias de 100 productos. Nos centramos en los niveles de existencias —100 números en total— y comparamos la información que implica gestionar dos establecimientos muy distintos.

El primero es una tienda de relojes de lujo. De cada reloj del surtido se mantiene, como máximo, una unidad. Cuando se vende, se envía enseguida otra para mantener el surtido completo. El segundo es un almacén de materiales de construcción a granel situado en las afueras. Las reposiciones son poco frecuentes y se hacen en grandes lotes, normalmente un camión completo. En la relojería, es probable que un responsable diligente conozca el inventario exacto en todo momento. Lo habitual es que el nivel de existencias sea 1 para todos los relojes; en los recién vendidos, baja temporalmente a 0 hasta la reposición. Como la mayoría está en 1 y solo unos pocos pasan brevemente a 0, el responsable puede recordar los niveles con facilidad. En cambio, en el almacén de las afueras los niveles van de 0 a 10.000 unidades. Un responsable podría recordar qué productos presentan faltantes de stock o se han repuesto recientemente, pero ni siquiera uno diligente puede memorizar los niveles exactos de los 100 productos. Ambos establecimientos siguen 100 artículos, pero la relojería contiene mucha menos información que el almacén.

La teoría de la información precisa este contraste. La noción de entropía cuantifica la información y se mide en bits (a veces llamados «shannons»). Basta con retomar el ejemplo para ilustrarla. Supongamos que la relojería tiene un nivel de servicio del 95%: cada reloj presenta un faltante de stock con una probabilidad del 5%; en caso contrario, su nivel es 1. Supongamos también que los niveles de existencias del almacén de las afueras se distribuyen uniformemente entre 0 y 9999. Aunque una distribución uniforme no sea realista, basta para esta ilustración.

La entropía será de aproximadamente 29 bits para la relojería de lujo y 1328 bits para el almacén de las afueras (el cálculo detallado figura en el anexo). La entropía del almacén es casi \(50\times\) la de la relojería, razón por la que ni siquiera un responsable diligente puede seguir mentalmente su inventario.

Desde la perspectiva de la supply chain, la teoría de la información aclara qué significa complejo en un sistema de supply chain. Una supply chain se resiste a una descripción sucinta: hacen falta millones de bits para representar incluso una de tamaño medio, y miles de millones para una grande. Esta enorme exigencia no es un artificio de la representación; es una propiedad fundamental de la supply chain. La información necesaria para determinar el estado de una supply chain supera con creces lo que cualquier grupo de personas podría memorizar, y mucho más lo que podría seguir durante años a través de sus transiciones.

Así, generar cada día decisiones de supply chain informadas requiere millones de bits de entrada para reflejar el estado y otros tantos millones de salida para representar las decisiones. De ahí que el software sea fundamental para las supply chains modernas: sin él sería imposible operarlas. Antes de que los sistemas empresariales se extendieran a principios de la década de 1970, las supply chains eran mucho menos complejas que hoy. Este aumento de complejidad procede directamente de los avances del hardware informático. Las empresas gestionan ahora más SKU, proveedores, centros, estructuras de precios y canales que nunca, aprovechando el hardware moderno para manejar esa complejidad creciente.

Aunque las supply chains se han vuelto más complejas, se han dominado muchas fuentes de complejidad accidental. En los bienes físicos, la estandarización, las tolerancias estrictas y el control formal de calidad se hicieron cada vez más comunes durante la primera mitad del siglo XX. El giro digital de la década de 1970 llevó la estandarización aún más lejos. El concepto moderno de SKU (unidad de mantenimiento de existencias) supone que todas las unidades en stock son físicamente idénticas.³⁸ El contenido de una SKU puede resumirse con un solo número: las existencias físicamente presentes.

Al lector actual puede costarle creer que, en el siglo XIX, incluso los artículos fabricados en masa variaban notablemente de una unidad a otra. En aquellas supply chains, un sistema de gestión de inventario —de haber existido— habría necesitado seguir los detalles de cada unidad para reflejar el inventario con exactitud. En la práctica, el problema se resolvía de otra forma: los vendedores rebajaban sobre la marcha las unidades de calidad inferior.

La teoría de la información aporta conocimientos fundamentales para la supply chain, especialmente al juzgar si una fuente de datos puede mejorar las decisiones.

Por ejemplo, esta perspectiva aclara por qué son inútiles las correcciones manuales de detalle, como ajustar previsiones o políticas de existencias. Si los planificadores de demanda se apoyan en datos históricos para hacer esas correcciones, no añaden ningún bit de información al sistema. Se limitan a paliar defectos de las recetas numéricas existentes, construidas sobre esos mismos datos. Por tanto, para que ese proceso manual haga que el sistema esté mejor informado, debe introducir bits de información «nuevos». Supongamos que un número basado en la intuición o en conocimientos previos contiene menos de 10 bits de información. Aunque un empleado aporte cada día 100 números pertinentes, el total será de solo 1000 bits, suponiendo, de manera poco realista, una independencia completa. Añadir 1000 bits a un sistema que procesa millones difícilmente hará que esté mucho mejor informado. Aunque un empleado pueda aportar ocasionalmente información de enorme impacto, eso plantea preguntas sobre el origen de tales conocimientos y la posibilidad de reproducirlos de forma constante.

De manera más general, la perspectiva informacional ayuda a evaluar hasta qué punto una fuente de datos puede informar las decisiones de supply chain. Como mostraba el ejemplo anterior, procesar datos no añade información: solo puede revelar lo que ya estaba presente en los datos originales. También aclara que el volumen de datos puede no guardar correlación con su contenido informativo.

Sin embargo, convertir información en decisiones informadas todavía requiere otro ingrediente: conocimiento.

5.1.3 Conocimiento

El conocimiento es la comprensión teórica y práctica de un objeto. Abarca las ideas, reglas y principios que dan forma al modelo causal que una mente tiene de ese objeto³⁹. Ese modelo causal permite deducir por qué el objeto es como es y hacia dónde se dirige. El conocimiento convierte observaciones en acciones que orientan al objeto hacia un estado mejor.

Para los fines de la supply chain recurrimos solo a una fracción diminuta del conocimiento de la humanidad. Nuestro interés se limita a las supply chains; el alcance del conocimiento queda circunscrito a ese propósito. Un conocimiento solo cuenta como conocimiento de supply chain cuando mejora las decisiones de la empresa. En su sentido más amplio, el conocimiento de supply chain abarca temas muy diversos. No obstante, como explicaba el capítulo anterior sobre Epistemología, debemos distinguir entre el ámbito central de la supply chain y sus ciencias auxiliares, pues sus formas de organizar y desarrollar el conocimiento difieren notablemente.

A diferencia de la información —que puede caracterizarse por completo matemáticamente y es un asunto mecánico sin inteligencia, cuyo soporte de almacenamiento es irrelevante—, el conocimiento es esquivo e inseparable de la mente que lo produce.

Entreguemos el mismo manual de física a dos estudiantes: uno puede extraer ideas que van mucho más allá de sus ejemplos, mientras que el otro quizá nunca conecte los ejemplos con los principios. Lo que obtiene un lector es subjetivo: el conocimiento de un libro permanece latente hasta que alguien lo lee. Hasta entonces, no es más que un dispositivo de almacenamiento de datos. El contenido del libro sigue siendo el mismo con independencia de la calidad del papel, e incluso de que llegue a imprimirse; la copia electrónica tiene un contenido idéntico.

Como el conocimiento y la inteligencia general están entrelazados, comprender plenamente uno requiere comprender plenamente la otra. Definir uno sin la otra es inevitablemente incompleto. La inteligencia general sigue siendo un campo de investigación activo. Los avances en este ámbito se han acelerado durante las últimas siete décadas y han producido resultados notables. Sin embargo, también hemos comprendido cuánto subestimábamos nuestra ignorancia al respecto. Retomaremos este tema en el capítulo Inteligencia.

Igual de importante es la ubicación del conocimiento —dónde reside realmente dentro de la empresa—, una cuestión crucial al aplicarlo a la supply chain. Dos visiones habituales, pero simplistas, se equivocan. La primera, y la más común, es creer que el conocimiento reside exclusivamente en los expertos y en sus materiales de apoyo: artículos, libros y cursos. El mundo académico suele alimentar esta visión; muchos profesores se ven como la cúspide del saber especializado. La segunda es la idea de que el conocimiento está distribuido uniformemente por la empresa. Esta creencia suele nacer del deseo equivocado de implicar a todos los empleados en sus iniciativas de supply chain. Para aclarar dónde reside el conocimiento, debemos precisar aún más qué entendemos por él.

En su influyente ensayo de 1945⁴⁰, The Use of Knowledge in Society, Friedrich Hayek distingue el conocimiento «especializado» del «cotidiano». El conocimiento especializado abarca manuales, fórmulas, código fuente, políticas y reglamentos. El error fundamental, sostiene, consiste en creer que es el único tipo de conocimiento.

Hayek añade un segundo tipo, crucial: el conocimiento cotidiano. Este comprende los pequeños detalles ligados a las circunstancias de un momento y un lugar determinados. Un camionero, por ejemplo, conoce el zumbido de un motor en buen estado y programa reparaciones antes de que aparezcan los problemas. Este conocimiento se afina cuando conduce habitualmente el mismo camión y, con el tiempo, comprende sus peculiaridades. Es un conocimiento informal y no documentado, pero a menudo esencial para hacer las cosas de manera fiable.

Así, la supply chain combina conocimiento especializado, en manos de un grupo reducido, y conocimiento cotidiano, en manos de otro mucho más amplio. En ambos casos, sus poseedores pueden ser empleados o no. Por ejemplo, parte del conocimiento especializado puede delegarse en un proveedor de software empresarial, y parte del cotidiano, en una empresa externa de reparaciones.

Desde hace un siglo, las empresas trabajan para sustituir el saber hacer cotidiano por reglas codificadas. El conocimiento cotidiano sigue importando —lo que uno desconoce puede perjudicarle—, pero su informalidad genera fricciones en las grandes empresas. Estas buscan que sus procesos sean lo más reproducibles posible para reducir la variación accidental de la calidad, el coste o los retrasos en su flujo de bienes físicos. Desde esta perspectiva, el conocimiento cotidiano dificulta la estandarización de los procesos.

El auge del software empresarial durante las últimas cinco décadas ha amplificado esta tendencia: el software incorpora conocimiento especializado y acelera el cambio. Mecaniza la aplicación del conocimiento y, cuando se implanta con éxito, produce importantes mejoras de productividad. Sin embargo, ponerlo en marcha es caro, y mantenerlo lo es aún más, especialmente en entornos empresariales complejos. Codificar un proceso aporta dos ventajas: facilita su reproducción y permite un control más estricto mediante software.

En una supply chain moderna, el código fuente que implementa las recetas numéricas de la empresa —junto con los elementos que lo respaldan: pruebas, cuadernos, configuración y documentación— es su activo de conocimiento especializado más valioso. A diferencia de las presentaciones o del saber informal del grupo, este activo permite actuar: convierte información en decisiones sin esperar a una reunión. Lo crucial es que este código no constituye una biblioteca estática de fórmulas; es un corpus vivo que debe cuidarse, someterse a control de versiones y ponerse continuamente a prueba frente a los resultados de pérdidas y ganancias.

Como el código es información, también puede analizarse mediante software. El análisis estático, los sistemas de tipos, los analizadores de código, los perfiladores, las pruebas formales y los entornos de simulación permiten inspeccionar y mejorar el conocimiento a velocidad de máquina. A la inversa, como ese conocimiento es inseparable de las mentes que lo hacen evolucionar, los ingenieros que mantienen y amplían el código forman parte del activo: sin ese cuidado, aparece la degradación, los significados derivan y la empresa vuelve silenciosamente al saber informal.

Esta observación cierra el círculo. Los datos son símbolos. La información es su capacidad para reducir la incertidumbre. El conocimiento es la estructura causal —plasmada cada vez más en código— que convierte sistemáticamente esa incertidumbre reducida en mejores asignaciones de recursos escasos. Para la supply chain, «poseer el conocimiento» significa poseer y operar el código que lo incorpora.

5.2 Clases de software empresarial

La mayor parte de la información que necesita una supply chain moderna reside en el software empresarial. Sin embargo, estas aplicaciones desempeñan funciones epistémicas distintas. Las páginas anteriores distinguían entre datos, información y conocimiento; esta sección traslada esa división tripartita al software. Lo que la empresa registra (datos), comunica en sus informes (información) y decide (conocimiento puesto en práctica) reside en tres clases distintas de sistemas. Confundirlas —pedir a los libros de registro que piensen o a los cuadros de mando que sean fuentes de verdad— es uno de los errores más costosos que cometen las empresas.

Desde la década de 1970, tres clases han dominado los conjuntos de aplicaciones empresariales: los sistemas de registro, los sistemas de informes y los sistemas de inteligencia. Existen decenas de herramientas especializadas (por ejemplo, CAD para ingeniería o virtualización para TI), pero estas tres las eclipsan tanto en presupuesto como en relevancia para la supply chain. A continuación se denomina cada clase con precisión, se explica por qué sus responsabilidades deben permanecer separadas y se muestra cómo mezclarlas deteriora el rendimiento y la rendición de cuentas.

Sus principales virtudes son la fiabilidad, la trazabilidad y la coherencia. La «inteligencia» no es necesaria ni deseable. Un sistema de registro digitaliza y agiliza tareas que, de otro modo, se harían con papel y bolígrafo. Casi todos los sistemas transaccionales —ERP, CRM, WMS, PLM, MRP— pertenecen a esta clase. Su arquitectura gira en torno a CRUD (crear, leer, actualizar, eliminar) y se apoya en una base de datos relacional. El control de concurrencia, la auditabilidad y la consistencia fuerte dominan el diseño. Los análisis y la optimización que exigen muchos recursos no tienen cabida aquí: acaparan los recursos compartidos, degradan la experiencia del usuario y enturbian la rendición de cuentas que los libros de registro deben preservar.

No añade información; se limita a dar otra forma a lo que existe. Los sistemas de informes automatizan lo que administrativos y analistas hacían antes a mano: totales, promedios, tablas dinámicas, cuadros de mando. Se sitúan sobre los sistemas de registro y son intrínsecamente descriptivos. Para la práctica moderna de la supply chain, su utilidad es limitada: siguen siendo útiles para el cumplimiento normativo, las investigaciones retrospectivas y la supervisión de la dirección, pero no como entradas de los motores de optimización. Basar la toma de decisiones en una capa de informes introduce pérdida de información, deriva semántica y sesgos adicionales sin ningún beneficio económico.

Lo hace a través de una API de alcance reducido y expone registros de ejecución lo bastante precisos como para contrastarlos con los resultados de pérdidas y ganancias. Apenas gestiona datos maestros propios y tiene muy poca interfaz de usuario. Un sistema de inteligencia sustituye los pasos manuales, mediados por hojas de cálculo, que suelen interponerse entre los informes y la ejecución. Consume datos de referencia, calcula opciones, las arbitra económicamente y consigna pedidos, asignaciones, precios o programas en el libro de registro. Su cultura de ingeniería, su perfil de ejecución y su modelo de rendición de cuentas difieren fundamentalmente de los de los sistemas de registro y de informes. Esta clase se examinará con mayor profundidad en el capítulo Decisiones.

Dentro de una empresa, los sistemas de registro vienen primero; los de informes, después; y los de inteligencia, al final. Los sistemas de informes y los sistemas de inteligencia están concebidos para superponerse a los sistemas de registro, posiblemente con ayuda de lagos o almacenes de datos. Las empresas suelen equivocarse al mezclar las clases, esperando que un solo producto aporte valor más allá de sus límites naturales; esos intentos fracasan invariablemente. Los sistemas de registro son pésimos sistemas de inteligencia, y viceversa.

El segundo error es intentar hacer funcionar un sistema de inteligencia sobre un sistema de informes. Un sistema de informes es una fuente secundaria de información. Los datos originales se alteran invariablemente para facilitar la elaboración de informes. Estas transformaciones no solo provocan pérdida de información, sino que también introducen complicaciones y sesgos. Aunque esas transformaciones están justificadas —en el contexto del sistema de informes—, los datos ya no reflejan con exactitud lo que ocurrió realmente.

Por ejemplo, las ventas semanales que comunica la inteligencia de negocio pueden ser netas de devoluciones. En los artículos que se devuelven con frecuencia, esas cifras pueden subestimar las existencias necesarias para mantener un determinado nivel de servicio.

La idea de hacer funcionar un sistema de inteligencia sobre un sistema de informes resulta tentadora porque, a ojos humanos, los datos tal como los presenta el sistema de informes parecen más claros y mejor organizados que sus equivalentes originales en el sistema de registro. Así, da la impresión de que esto ayudaría al sistema de inteligencia. Sin embargo, es falso. La perspectiva de la información explica por qué: el sistema de informes no solo contiene menos información, sino que también añade su propia capa de complicaciones.

Comprender con claridad estas tres clases de software es esencial para que la práctica moderna de la supply chain arraigue en una empresa.

5.2.1 El lugar del software

La supply chain está ahora limitada por el software: lo que la empresa puede observar, recordar y, en última instancia, decidir está condicionado menos por las carretillas elevadoras y los muelles que por los esquemas, las API y los entornos de ejecución. Situar mal el software en la arquitectura general no es una preocupación informática pedante; es un error económico que grava silenciosamente cada decisión que toma la empresa. Si se pide pensar al sistema equivocado o se priva al adecuado de los datos que necesita, la opcionalidad se reduce, la variabilidad golpea con más fuerza y el capital circulante queda atrapado por motivos que nunca aparecen en una cuenta de pérdidas y ganancias.

Las páginas anteriores distinguían entre datos, información y conocimiento, y los vinculaban a tres clases de software: sistemas de registro, sistemas de informes y sistemas de inteligencia. Esta sección aclara por qué esa separación debe imponerse en la práctica, no solo reconocerse en diapositivas. Antes de examinar cómo se equivocan en esto la mayoría de los autores, debemos explicitar lo que está en juego: la autoridad sobre los hechos (registros), sobre su narración (informes) y sobre las palancas que realmente mueven dinero y átomos (inteligencia). Confundir estas funciones desordena la rendición de cuentas, infla los costes mediante la contención de recursos y garantiza que se culpe a los «datos deficientes» de lo que, en realidad, es un fallo de diseño.

Con este marco en mente, podemos examinar cómo el discurso sobre supply chain representa habitualmente el software de forma errónea: bien como un detalle irrelevante que proporciona mágicamente cualquier cifra que exija una fórmula, bien como un vistoso organigrama de módulos intercambiables que, supuestamente, suman una «mejor práctica».

Los autores sobre supply chain suelen dividirse en dos grupos. Los de inclinación académica tratan el software empresarial como una abstracción, suponiendo que cifras como las ventas o los niveles de existencias simplemente «están ahí». Rara vez se discute de dónde proceden las cifras; obtenerlas se trata con tanta ligereza como la elección de una marca de palas por parte de un contratista. Para ampliar su alcance, ofrecen un menú de modelos —algunos dependen de entradas como los registros de faltantes de stock y otros las eluden—, dejando que las empresas elijan el que se ajuste a los datos de los que realmente disponen.

Los autores de las consultoras recurren a términos de moda, desplegando diagramas ornamentados y matrices de madurez que tratan los módulos de software como piezas de un rompecabezas. Prescriben «recorridos de adopción» por fases, pero estas rara vez pasan del barniz de una presentación. Abundan las frases efectistas para directivos; escasea la sustancia técnica sólida.

Ambas perspectivas se quedan cortas frente a un tratamiento riguroso de la supply chain. Tratar los «datos de ventas» o los «datos de existencias» como algo evidente delata el desconocimiento de las realidades del software empresarial; describir herramientas sin sus mecanismos o mercados subyacentes no es mejor. Con demasiada frecuencia, el resultado es poco más que un discurso de venta con ropaje académico.

El software es una ciencia auxiliar indispensable de la supply chain, y su dominio no puede relegarse a los especialistas, del mismo modo que un médico moderno no puede externalizar la química. Una empresa debe comprender su propio terreno informático para gestionar bien su supply chain.

5.3 Sistemas de registro

Los sistemas de registro son los libros de registro de una empresa: incorporan los flujos de trabajo operativos, capturan cada transacción y cambio de estado y, por construcción, se convierten en la memoria de referencia de los bienes en movimiento. En las supply chains modernas, son el único custodio de información que puede escalar: lo que la empresa puede observar y recordar reside allí, no en la cabeza de las personas.

Esta sección trata los sistemas de registro como lo que son: indispensables, pero limitados epistémica y técnicamente. Están diseñados para la fiabilidad, la trazabilidad y el control de concurrencia. No están hechos para elaborar informes, y mucho menos para decidir. Confundirlos con sistemas de informes o sistemas de inteligencia es uno de los errores empresariales más comunes y más caros.

Procedemos en cinco pasos: primero, recordamos el recorrido histórico que produjo los ERP, CRM, WMS y sistemas afines actuales. Segundo, diseccionamos su diseño CRUD y su consiguiente conversión en productos indiferenciados. Tercero, examinamos la trayectoria tecnológica que hace que todo sistema de registro crezca con el tiempo, creando solapamientos funcionales y pesadillas de sincronización. Cuarto, exponemos los límites funcionales estrictos que impiden introducir análisis u optimizaciones de gran consumo de recursos dentro del libro de registro. Quinto, cerramos con el dilema del proveedor: el incentivo estructural para comercializar libros de registro como plataformas «inteligentes», pese a sus límites intrínsecos.

Con este marco en mente, el resto de la sección puede leerse como una guía de campo: cómo explotar sin contemplaciones los sistemas de registro en aquello que hacen bien y cómo mantenerlos alejados del puesto de decisión para el que nunca fueron diseñados.

5.3.1 El origen del software empresarial

Los sistemas de registro aparecieron a finales de la década de 1970 y se extendieron rápidamente durante las de 1980 y 1990. Su función era convertir el trabajo administrativo cargado de papeles —especialmente la contabilidad y el control de existencias— en flujos de trabajo electrónicos. Al capturar cada transacción y movimiento de existencias, eliminaron clases enteras de errores administrativos y, una vez que llegaron los lectores de códigos de barras, elevaron la productividad. A finales de la década de 1990, la mayoría de las grandes empresas había implantado varios de estos sistemas para automatizar sus tareas administrativas rutinarias.

La caída de los costes del hardware sustentó este auge. Durante 1970–2000 se cumplió la ley de Moore: el número de transistores se duplicaba aproximadamente cada dos años, mientras que los precios apenas variaban. La memoria, el almacenamiento, el ancho de banda y las operaciones de entrada/salida siguieron curvas similares, de modo que, a finales de la década de 1990, almacenar transacciones digitalmente era varios órdenes de magnitud más barato que las alternativas en papel.

Entre la avalancha de productos de registro, dos etiquetas acabaron dominando: ERP (planificación de recursos empresariales) y CRM (gestión de relaciones con los clientes). Si se retira el marketing, ambos son el mismo animal: un libro de registro CRUD envuelto en flujos de trabajo. La única diferencia real es el punto de entrada: el ERP se organiza alrededor del producto (y sus listas de materiales, rutas de fabricación y existencias); el CRM, alrededor del cliente (y el embudo de ventas). Una vez que un proveedor consigue afianzarse, ambas familias crecen de la misma manera: añaden entidades adyacentes, agrupan cada vez más módulos y adquieren rivales de nicho. A finales de la década de 1990, la mayoría de los ERP y CRM se habían hinchado hasta convertirse en enormes monolitos, preparando el terreno para los problemas técnicos que se examinan a continuación.

Una de las causas de fondo era técnica: las redes de conmutación de paquetes se concibieron en la década de 1960, pero los verdaderos sistemas empresariales distribuidos siguieron siendo minoritarios hasta finales de la de 1990. Por ello, las empresas utilizaban grandes ordenadores centrales, y la integración entre proveedores resultaba ruinosa o imposible. Ampliar el sistema existente era más barato que conectar uno nuevo.

Pero construir y operar bases de código cada vez mayores es caro. Durante la década de 2000, las herramientas de integración de uso común —ETL de código abierto y API web— abarataron la interconexión de sistemas, por lo que resurgieron las aplicaciones especializadas de registro y recuperaron trabajo que antes absorbían los monolitos.

Sin embargo, los antiguos monolitos nunca se redujeron, y las nuevas herramientas de nicho también se hincharon pronto: todo sistema de registro sigue creciendo por las mismas vías. De ahí la sopa de letras de WMS, OMS, PIM, PLM, SRM y un sinfín de sistemas afines: distintos puntos de partida, pero prácticamente la misma arquitectura y trayectoria de crecimiento.

En el trabajo de supply chain, el monolito ERP suele ser la principal fuente de datos porque contiene los registros de compras y ventas. La etiqueta Enterprise Resource Planning es un artefacto de marketing: un ERP no planifica en el sentido económico de arbitrar opciones bajo incertidumbre; ejecuta y registra flujos de trabajo relativos a los recursos (pedidos, existencias, facturas) y, en el mejor de los casos, secuencia pasos administrativos (aprobaciones, explosiones de necesidades MRP programadas en el calendario, cambios de estado) según parámetros introducidos por los usuarios.⁴¹ Llamar a esto «planificación» confunde el registro de operaciones con la toma de decisiones y alimenta el mito recurrente de que un sistema de registro puede servir también como sistema de inteligencia.

5.3.2 El diseño CRUD

Casi todos los sistemas de registro actuales siguen el patrón CRUD (crear, leer, actualizar, eliminar), nacido con las bases de datos relacionales a finales de la década de 1970⁴². Las interfaces han evolucionado de las pantallas verdes a las vistosas aplicaciones web, pero los principios de la parte interna apenas han cambiado. Las herramientas, en cambio, han avanzado tanto que, desde mediados de la década de 2000, los sistemas de registro son poco más que productos indiferenciados.

En la práctica, «la base de datos» significa un motor relacional (SQL): un conjunto de tablas, cada una con columnas tipadas (números, texto, fechas, …) y filas de datos. Existen otros diseños, pero su importancia en el software empresarial es mucho menor. Las bases de datos relacionales vinculan tablas mediante pares de claves primarias y foráneas. Una fila de Orders, por ejemplo, puede contener un ProductID que apunte al ProductID correspondiente en Products; el motor prohíbe un pedido que haga referencia a un producto inexistente.

Los dialectos de los proveedores difieren, pero el núcleo de SQL‑92 (publicado en 1992) funciona en todas partes, y la mayoría de las aplicaciones CRUD rara vez necesitan más, pese a las extensiones posteriores y más sofisticadas. Los pormenores de SQL quedan fuera del alcance de este texto; sin embargo, un nivel básico de SQL debería considerarse parte de los conocimientos fundamentales que necesita un profesional moderno de la supply chain.

El diseño CRUD comienza definiendo entidades: grupos de tablas que reflejan los conceptos de negocio que gestiona la aplicación. Esos conceptos pueden ser productos, clientes, existencias, proveedores, contratos, empleados, pagos, etc. Además, la mayoría de los conceptos de negocio no caben en una sola tabla. Por ejemplo, un pedido de un cliente puede requerir una tabla Orders con una transacción por fila y otra tabla OrderDetails que enumere todos los artículos incluidos en cada pedido.

Cada entidad dispone de pantallas mediante las cuales los usuarios crean, leen, actualizan o eliminan sus registros, siguiendo el paradigma subyacente de la base de datos. Esas pantallas suelen ir acompañadas de fragmentos de lógica de negocio que automatizan cambios en la base de datos —consecuencias mecánicas de lo que introduce el usuario— y normalmente siguen algún tipo de flujo de trabajo.

La complejidad de una aplicación CRUD casi siempre aumenta poco a poco: aparecen nuevas entidades y las existentes se amplían. Proliferan las nuevas pantallas y las antiguas acumulan opciones. Los flujos de trabajo adquieren mayor expresividad al añadir opciones que ajustan la automatización que se desencadena tras introducir datos. En teoría, la complejidad podría disminuir; en la práctica, los incentivos del entorno lo impiden. Volveremos a este punto a continuación.

Las aplicaciones CRUD son, como su nombre sugiere, rudimentarias. Dejando de lado la propia capa de base (base de datos incluida), no hay nada remotamente «inteligente» en el diseño ni en la ejecución de una aplicación CRUD. Los principios de software que sustentan las reglas y los comportamientos implementados en un CRUD son fundamentalmente accesibles para cualquiera que haya completado el primer ciclo de secundaria. Se reducen a operaciones aritméticas intercaladas con instrucciones IF-THEN y poco más. Naturalmente, el negocio en sí puede ser intrincado, con reglas y comportamientos que excedan con mucho lo que puede comprender un estudiante de ese ciclo. En esos casos, el paradigma CRUD solo ofrece una laboriosa descomposición en pasos elementales de procesamiento.

La simplicidad de CRUD lo convirtió durante décadas en el patrón predeterminado de las aplicaciones empresariales y, desde mediados de la década de 2010, los conjuntos de herramientas de código abierto lo han convertido en un producto indiferenciado. Esas herramientas hacen que los ingenieros de software sean mucho más productivos al desarrollar aplicaciones CRUD que al desarrollar casi cualquier otro tipo de software. En particular, las aplicaciones CRUD son el ejemplo estrella de la mayoría de las demostraciones de entornos de programación. Además, aunque contratar ingenieros de software sigue siendo notoriamente difícil, el desarrollo CRUD es en gran medida accesible para desarrolladores principiantes (y para veteranos mediocres) y representa, con diferencia, el tipo de software más fácil de construir.

Muchas empresas siguen pagando de más por sistemas de registro CRUD, al subestimar hasta qué punto las herramientas de código abierto los han convertido en productos indiferenciados. Los proveedores explotan ese desfase para mantener precios elevados. Por útil y esencial para las operaciones que sea un sistema de registro, hoy este tipo de producto puede desarrollarse de forma rápida y barata. Sin embargo, por hábitos arraigados, muchas empresas siguen pagando a los proveedores de software cuotas anuales superiores a lo que costaría volver a desarrollar esos sistemas internamente. Naturalmente, los proveedores se benefician de esta confusión y se han convertido en maestros en retrasar lo inevitable: bajar los precios de los libros de registro que venden. Esta situación también se deriva de la trayectoria tecnológica de los sistemas de registro.

5.3.3 Trayectoria tecnológica

Los sistemas de registro, a diferencia de las hojas de cálculo a las que sustituyeron, son rígidos y menos expresivos. Incluso un sistema de registro extremadamente capaz hoy solo cubre una fracción de lo que permite un conjunto informal de hojas de cálculo. Con hojas de cálculo sueltas, los empleados siempre pueden apartarse de los procesos formalizados, siempre que sus compañeros estén de acuerdo. Pueden omitirse pasos o requisitos; pueden hacerse excepciones a cualquier regla; o, a la inversa, un juicio arbitrario puede rechazar una solicitud que unas políticas «ciegas» considerarían aceptable. Naturalmente, esta libertad tiene un coste en fiabilidad y productividad, pues las hojas de cálculo se resisten a una automatización sustancial.

Los proveedores suelen lanzar un sistema de registro con un pequeño conjunto de entidades, junto con las pantallas y los flujos de trabajo necesarios para gestionarlas. Los recursos tecnológicos de un proveedor emergente son limitados, y no tiene sentido seguir desarrollando si el producto puede venderse tal cual, pese a sus limitaciones. Además, desarrollar una aplicación empresarial sin comentarios detallados resulta inútil antes de que los clientes la hayan integrado en sus procesos. Así, aunque el núcleo inicial pueda basarse en una visión a priori del mercado, las ampliaciones se construyen casi invariablemente en estrecha colaboración con unos pocos clientes.

Los mercados empresariales carecen de la profundidad de los mercados de consumo. Por ello, una vez que se vende un producto a un cliente empresarial, el proveedor aprovecha naturalmente esa posición para volver a vender al mismo cliente: la venta adicional o upselling⁴³. Vender módulos adicionales a un cliente existente es mucho más barato que captar uno nuevo, pues esto último implica superar todos los obstáculos corporativos de una nueva partida de gasto, como participar en una licitación frente a los rivales.

Los sistemas de registro siempre ofrecen otra entidad que añadir —o enriquecer— para que el proveedor pueda justificar la siguiente venta. Por amplia que sea la cobertura funcional del producto, siempre hay más conceptos de negocio y variaciones de los flujos de trabajo que añadir. Nada en la tecnología de los sistemas de registro impone un imperativo de coherencia que limite el crecimiento. Por ejemplo, un sistema de gestión de existencias puede ampliarse para gestionar clientes; a la inversa, un sistema de gestión de relaciones con los clientes puede ampliarse para gestionar existencias. De hecho, la mayoría de los grandes proveedores de ERP ofrecen funcionalidades de CRM; a la inversa, la mayoría de los grandes proveedores de CRM ofrecen funcionalidades de ERP. Se reduce a añadir más tablas, más pantallas y más lógica de negocio, ad infinitum. Dejando de lado las personalizaciones a medida para cada cliente, el sistema de registro se convierte en la suma de las peculiaridades de toda su base de clientes.

Todo sistema de registro con mantenimiento comercial sigue creciendo hasta que el proveedor quiebra o retira por completo la línea de productos. Como el coste de ingeniería es una función superlineal del número de entidades —es decir, implementar el doble de entidades más que duplica los costes—, el ritmo de crecimiento del producto (en funciones y capacidades) tiende a ralentizarse con el tiempo, incluso si el proveedor sigue aumentando su plantilla de ingeniería a medida que la empresa se expande. Sin embargo, pese a que esos costes superlineales frenan un crecimiento de la complejidad que, de otro modo, sería ilimitado, muchos sistemas de registro acaban convertidos en mastodontes funcionales tras dos décadas de desarrollo continuo. Numerosos sistemas de registro populares, incluidos los destinados a empresas más pequeñas, presumen de más de 10.000 tablas, la mayoría con decenas de campos.

La senda del crecimiento incesante de la complejidad resulta prácticamente irresistible para los proveedores que venden sistemas de registro. Sencillamente, eliminar entidades poco utilizadas no ofrece ninguna ventaja: enemista a las pocas empresas clientes que las usan —por reducido que sea su número—, mientras que deja indiferentes a todos los demás clientes. Por desgracia, esta senda conduce a una previsible desnaturalización del producto. En efecto, aunque colaborar con los clientes es un ingrediente esencial del desarrollo de software empresarial, algunos clientes se equivocan en sus peticiones. Otros representan nichos estrechos que no justificaban funcionalidades a medida. Otros aún imponen terminologías o conceptos incompatibles con los adoptados por el proveedor. Como resultado, con el tiempo, todo sistema de registro en desarrollo activo se convierte en una construcción lovecraftiana que pone en peligro la cordura de quienes la contemplan demasiado tiempo.

En A Deepness in the Sky (1999), el escritor estadounidense de ciencia ficción Vernor Vinge ofrece una imagen inquietantemente precisa de las iniciativas de software de larga duración:

Había allí programas escritos hacía cinco mil años, antes de que la Humanidad abandonara la Tierra. Lo asombroso —lo horroroso, decía Sura— era que, a diferencia de los restos inútiles del pasado de Canberra, ¡esos programas todavía funcionaban! Y, a través de un millón de sinuosos hilos de herencia, muchos de los programas más antiguos seguían ejecutándose en las entrañas del sistema Qeng Ho. Tomemos el método de los Comerciantes para medir el tiempo. Las correcciones del marco de referencia eran increíblemente complejas y, en lo más profundo de todo, había un pequeño programa que hacía funcionar un contador. Segundo a segundo, los Qeng Ho contaban desde el instante en que un ser humano había pisado por primera vez la luna de la Vieja Tierra. Pero, si se examinaba aún más de cerca. . . el instante inicial era en realidad unos cien millones de segundos posterior: el segundo 0 de uno de los primeros sistemas operativos informáticos de la Humanidad.

Así, detrás de todas las interfaces de alto nivel había capas y más capas de soporte. Parte de aquel software se había diseñado para situaciones radicalmente distintas. De vez en cuando, las incoherencias provocaban accidentes mortales. Pese al romanticismo de los viajes espaciales, los accidentes más comunes se debían simplemente a programas antiguos y mal utilizados que, por fin, se cobraban su venganza.

«Deberíamos reescribirlo todo», dijo Pham.

«Ya se ha intentado», lo corrigió Bret, recién regresado de los congeladores. «Pero incluso los niveles superiores del código del sistema de la flota son enormes. Tú y mil amigos tuyos tendríais que trabajar durante un siglo, más o menos, para reproducirlo». Trinli sonrió con malicia. «Y adivina qué: aunque lo hicierais, cuando terminarais tendríais vuestro propio conjunto de incoherencias. Y seguiríais sin ser compatibles con todas las aplicaciones que pudieran necesitarse de vez en cuando».

Sin embargo, esta espiral de acumulación no es una ley inexorable para el comprador. Varias grandes organizaciones han mantenido ligeros sus libros de registro desplazando los flujos de trabajo auxiliares a componentes laterales desmontables: pequeños servicios o complementos que se comunican con el núcleo a través de una frontera definida por una API. Como el cliente posee los complementos, controla sus versiones y —fundamentalmente— puede deshacerse de ellos a voluntad, los residuos se acumulan en la periferia, donde pueden podarse sin tocar el almacén de datos de referencia.

Una palanca más radical es la retirada gradual de funciones. Contrariamente a la creencia popular de que «nadie reescribe un ERP», muchas empresas lo hacen, solo que no de un único y heroico golpe. El patrón probado es el del estrangulador: colocar una fachada ligera delante del monolito, redirigir una funcionalidad única y autónoma (motor de precios, autorización de devoluciones, módulo fiscal…) a un servicio desarrollado desde cero, congelar las tablas correspondientes y después eliminarlas físicamente tras un periodo de retirada. Si se repite cada trimestre, el imposible gran cambio de golpe se convierte en una secuencia de intervenciones manejables.

Estas tácticas no corrigen el incentivo del proveedor para vender aún más paquetes de ampliación; simplemente devuelven capacidad de acción al cliente. Nada obliga a una empresa a instalar el siguiente complemento vistoso cuando el coste de mantener la complejidad supera el de una sustitución ligera. En la práctica, el menor coste de propiedad a largo plazo se consigue tratando el libro de registro central como terreno sagrado y todo lo demás como código prescindible. El crecimiento de la complejidad es la opción por defecto, no el destino, siempre que la organización cultive la disciplina de seguir podando su propio jardín.

5.3.4 Solapamientos funcionales

Los datos maestros⁴⁴ son la primera víctima de los solapamientos funcionales. En cuanto coexisten dos sistemas de registro, no puede darse por supuesta una correspondencia 1 a 1 entre entidades. Los atributos que parecen idénticos («peso del producto», «fecha del pedido», «código del proveedor») divergen habitualmente en significado, unidad, momento y gobernanza. Lo que el ERP llama product_family puede ser solo una aproximación a lo que el PIM almacena como category; lead_time en el MRP puede ser un plazo de aprovisionamiento prometido, mientras que el WMS registra un promedio empírico. El llamado «registro de oro» es una ficción de gestión: en realidad, cada sistema es maestro para algunos atributos, en algunos momentos, para algunos casos de uso.

Esta fragmentación no es una mera molestia administrativa; es el principal motor de la deriva semántica (véase la sección Semántica de los datos). Cuando los libros de registro solapados no comparten esquemas isomorfos, la información sobre un único hecho empresarial se dispersa entre tablas, sistemas y equipos, sin una regla canónica de conciliación. Los programas de gestión de datos maestros (MDM) intentan encubrir esta realidad con nodos centrales y reglas para determinar qué valores prevalecen, pero, a falta de una autoridad clara para cada atributo y de un sistema de decisiones auditable, no hacen más que añadir otro sistema solapado y otra capa de sincronización que mantener.

Los solapamientos funcionales entre sistemas de registro de terceros son la consecuencia directa de su trayectoria tecnológica, y afectan sobre todo a los datos maestros. En efecto, a medida que los proveedores de software siguen ampliando sus respectivos ámbitos funcionales, las colisiones son inevitables; solo el momento en que se producirán sigue siendo incierto. Además, los proveedores más grandes son especialmente propensos a ellas, pues han crecido ampliando continuamente su cobertura funcional. Este problema es específico de los sistemas de terceros; incluso una coordinación interna modesta suele impedir que surjan tales solapamientos en los desarrollos propios.

En la práctica, los sistemas solapados requieren procesos de sincronización de datos. La sincronización de datos maestros es particularmente perniciosa: los esquemas rara vez son isomorfos, los atributos tienen semánticas diferentes y la autoridad para cada atributo (qué sistema es maestro para qué y cuándo) rara vez se explicita. Estas sincronizaciones son invariablemente proyectos de software ad hoc. En efecto, el mercado del software empresarial está demasiado fragmentado para justificar el desarrollo de herramientas de sincronización listas para conectar y usar.

Una sincronización bidireccional entre sistemas de registro —en la que pueden hacerse modificaciones en ambos sistemas y cada modificación de uno debe propagarse al otro— suele requerir al menos un orden de magnitud más de esfuerzo que las integraciones unidireccionales, en las que un sistema se considera «maestro» y el otro «esclavo». Una sincronización bidireccional de datos debe abordar las modificaciones en conflicto y su resolución, lo que resulta mucho más complicado que limitarse a copiar todas las modificaciones del maestro al esclavo, sobrescribiendo sus valores. En los datos maestros, donde varios departamentos modifican continuamente distintos subconjuntos de atributos, este terreno de conflicto es la regla, no la excepción. Pese a la existencia de algoritmos sumamente ingeniosos dedicados a este caso, la sincronización de datos entre N sistemas, con N mayor que 2, debería considerarse en general una abominación.

Incluso cuando TI identifica cuidadosamente qué sistema es maestro para cada ámbito, la mayoría de los grandes sistemas acaban siendo a la vez maestros y esclavos, según el ámbito (por ejemplo, el ERP puede ser la referencia para el precio y el PIM para el contenido descriptivo de la misma SKU). Por ejemplo, el CRM puede ser maestro para los «clientes» y, sin embargo, esclavo del ERP para los «proveedores».

Estos solapamientos plantean un obstáculo enorme y permanente que las empresas subestiman sistemáticamente. En particular, al elegir al siguiente proveedor de software, las empresas suelen valorar las listas de funciones impresionantes, como ilustra el proceso típico de RFQ (solicitud de presupuesto), que a menudo incluye cientos de requisitos. En consecuencia, tienden a elegir grandes proveedores con productos innecesariamente complejos, siguiendo la intuición de sentido común qui peut le plus, peut le moins (quien puede lo más, puede lo menos). Sin embargo, esta intuición equivocada lleva invariablemente a las empresas a elegir proveedores con enormes solapamientos funcionales. Esos solapamientos resultan extremadamente costosos.

Estos solapamientos no son solo un impuesto informático; corrompen directamente el significado. Volveremos a este punto en la sección Semántica de los datos, donde mostraremos cómo una semántica esquiva y dependiente de cada fila hace descarrilar silenciosamente los esfuerzos de optimización.

En primer lugar, para el departamento de TI, resolver los problemas de sincronización es marcadamente superlineal: el esfuerzo crece mucho más deprisa que el número de entidades. En poco tiempo, el plano del metro de Tokio parece más sencillo que el grafo de sincronización que TI debe mantener. Hoy es habitual ver departamentos de TI que, a efectos prácticos, entran en quiebra: ya no pueden seguir manteniendo el grafo de sincronización ante el flujo interminable de actualizaciones de sus sistemas de registro de terceros.

En segundo lugar, para los empleados que introducen datos, estos solapamientos crean una fuente permanente de confusión, pues las mismas entidades pueden consultarse y modificarse en más de un lugar. Los proveedores de software no tienen ningún incentivo para facilitar la «esclavización» de partes de sus productos a los de sus rivales con el fin de mitigar esta confusión. Desde su perspectiva, incluso una función que no se utiliza mantiene una puerta abierta para la siguiente venta adicional. Además, la idea de que la empresa deba pagar para que se eliminen funciones de un sistema va sencillamente en contra de todo el paradigma que rige el mercado del software empresarial.

En tercer lugar, todos los intentos de explotar los datos, ya sea en un sistema de informes o en uno de inteligencia, se enfrentan a una sala de espejos: la misma información aparece en varios lugares. Sin embargo, los datos secundarios generados por los procesos de sincronización no deben utilizarse para esos fines. Los datos secundarios pueden estar desactualizados, degradados o sutilmente alterados, causando estragos en los procesos posteriores. Por tanto, para cada dato, hay que asegurarse de leer el registro maestro canónico.

Aunque la historia del software empresarial es breve, el desarrollo interno de sistemas de registro —pese a sus defectos— es la única vía viable para evitar los costes incesantes que inducen los solapamientos funcionales entre sistemas de registro de terceros. Afortunadamente, como se ha señalado, a efectos prácticos el desarrollo de estos sistemas de registro se ha convertido en una actividad indiferenciada.

5.3.5 Límites funcionales

Aunque los sistemas de registro aportan valor a las empresas que los utilizan, lo que pueden ofrecer está estrictamente limitado. Los sistemas de registro son, en el mejor de los casos, libros de registro mejorados. En particular, no son sistemas de informes ni sistemas de inteligencia eficaces; esos objetivos son tecnológicamente antagónicos a las funciones básicas que deben desempeñar.

Gran parte del valor de un sistema de registro procede de su base de datos: su núcleo transaccional. El diseño del sistema es fundamentalmente centralizado, exactamente lo que quiere la empresa. Por ejemplo, si el sistema almacena el nivel de existencias de una SKU determinada, todo usuario o agente que lo consulte debe ver el mismo valor. Además, si alguien solicita 1 unidad, esa unidad no debe concederse a otra solicitud competidora. Mantener la integridad de las existencias electrónicas exige que el sistema coordine solicitudes simultáneas y competidoras sobre el mismo dato: una unidad en stock.

De forma más general, esta clase de problemas constituye la contención de recursos: el conflicto por acceder a un recurso compartido, como la RAM, el disco u otro hardware. La contención de recursos es notoriamente difícil, pues a menudo se reduce a disminuir la latencia. Sin embargo, el progreso en latencia se estancó en gran medida hace más de una década, y hace más de dos para muchos problemas concretos. En buena medida, la latencia está ahora limitada por la propia velocidad de la luz. Por ejemplo, los paquetes de datos de Internet se propagan aproximadamente a dos tercios de la velocidad de la luz en el vacío. Esto deja poco margen para seguir mejorando⁴⁵. Otro ejemplo: en unos 0,3 nanosegundos —aproximadamente un ciclo de reloj de la CPU—, la luz solo puede recorrer unos 5 cm de ida y vuelta.

Existen técnicas para mitigar la contención de recursos en procesos de alto coste computacional: particionamiento horizontal (sharding), separación de lecturas y escrituras, colas asíncronas, CQRS⁴⁶/event sourcing, bloqueos distribuidos, patrones de saga u orquestación y otras. Sin embargo, cada una sacrifica precisamente las virtudes que un sistema de registro debe maximizar —simplicidad, trazabilidad y consistencia fuerte— a cambio de complejidad operativa y semántica: consistencia eventual que habrá que explicar a los sistemas posteriores, rutas de lectura y escritura duplicadas, lógica elaborada de reintentos y compensaciones, transacciones distribuidas frágiles, mayores cargas de observabilidad, evolución más lenta de los esquemas y auditorías más difíciles. En suma, es posible hacer que un libro de registro escale mediante estos patrones, pero el precio es la ambigüedad y la fragilidad precisamente donde la empresa necesita una verdad de referencia cristalina. Por tanto, todo lo computacionalmente «pesado» debería expulsarse del libro de registro y delegarse en un sistema de informes o de inteligencia.

La contención de recursos explica en gran medida por qué las aplicaciones empresariales no responden hoy fundamentalmente más deprisa que a principios de la década de 2000. Modificar una entidad sigue provocando un retraso perceptible para el usuario: decenas de milisegundos. Las demoras de un segundo o más para operaciones aparentemente básicas siguen siendo habituales. Estas demoras parecen sorprendentes, dado que, a igual coste, el hardware es ahora varios órdenes de magnitud más capaz que hace dos décadas. Sin embargo, el estancamiento refleja la falta de avances en latencia; la contención de recursos tampoco mejora.

Dentro del sistema de registro, como los recursos son compartidos, cada operación debe ser lo más ligera posible. Cualquier operación pesada corre el riesgo de privar de recursos al sistema y degradar la calidad de servicio de otras operaciones simultáneas. Por ello, los procesos de toma de decisiones deben evitarse escrupulosamente dentro de un sistema de registro. Las decisiones exigen sopesar numerosas opciones e implican varios órdenes de magnitud más de cálculo que las reglas aritméticas o lógicas básicas.

Consideremos un optimizador de aprovisionamiento que necesita 10 segundos de CPU para calcular la cantidad que debe pedirse de una sola SKU. En un sistema de inteligencia, ejecutado fuera de línea o en un clúster dedicado, ese coste es trivial, e incluso 100 segundos para obtener unos pocos puntos básicos adicionales pueden ser racionales. Dentro de un sistema de registro, sin embargo, el mismo cálculo es catastrófico: con decenas de miles de SKU al día, 10 segundos por SKU se convierten en decenas de horas de CPU que compiten con las cargas transaccionales, bloquean las pantallas y degradan la experiencia del usuario. Incluso con 1 segundo por SKU, seguiría creando latencias impredecibles allí donde el libro de registro debe garantizar tiempos de respuesta bajos y estables. Por tanto, la optimización pesada debe quedar fuera del libro de registro: el sistema de registro debe almacenar de forma persistente resultados compactos (por ejemplo, líneas de pedidos de compra), no realizar la búsqueda combinatoria que los produjo.

En teoría, existen alternativas a CRUD que permiten intercalar operaciones pesadas y ligeras. En la práctica, sin embargo, esas alternativas socavan las razones mismas que hacen atractivo a CRUD. El enfoque más sencillo y práctico consiste en separar todas las operaciones «pesadas» del sistema de registro. La estadística descriptiva corresponde a los sistemas de informes; la toma de decisiones, a los sistemas de inteligencia. Si las tres clases se mantienen estrictamente desacopladas, la contención de recursos se mitiga en gran medida.

Más allá de la contención de bajo nivel hay un obstáculo de mayor peso: las culturas de ingeniería de las tres clases de software son fundamentalmente incompatibles. Desde lejos, todas las clases parecen similares —en todas se escribe código—, pero pasar de una a otra es tan distinto como pasar de pintar casas a las bellas artes. Ambos oficios utilizan pintura; comparten poco más. Detallar esos matices queda fuera de nuestro alcance; baste decir que, durante cinco décadas, los proveedores han incursionado fuera de su clase de origen, casi siempre con resultados desastrosos, especialmente cuando los especialistas en sistemas de registro se expanden hacia los sistemas de inteligencia. Sin embargo, los proveedores siguen intentándolo, ajenos a los previsibles fracasos que se suceden.

5.3.6 El dilema del proveedor

El valor añadido de un sistema de registro es fundamentalmente limitado. Una vez que el sistema ofrece una cobertura amplia y demuestra ser fiable, no se obtienen más beneficios. Los proveedores de software que venden sistemas de registro siempre han sido dolorosamente conscientes de esta limitación. Por eso, desde finales de la década de 1970, casi todos los proveedores de sistemas de registro que han tenido éxito han intentado adentrarse en los sistemas de inteligencia.

Para comprender por qué, consideremos el caso de un contable. La ventaja tangible de un gran contable frente a uno meramente competente es pequeña. Por eso las empresas no contratan a contables «superestrella» con salarios cien veces mayores; la contabilidad solo aporta un valor limitado. El marketing, en cambio, puede añadir valor sin límite. Un genio del marketing puede revitalizar una marca de formas aparentemente imposibles y crear fortunas para los accionistas. En consecuencia, las empresas buscan habitualmente mentes creativas «superestrella» y las remuneran con generosidad.

Un sistema de registro contribuye como un contable. Una vez que el trabajo se hace correcta y diligentemente, no queda nada más que esperar. En cambio, el valor añadido de un sistema de inteligencia —el motor de toma de decisiones— se asemeja al del talento de marketing. A efectos prácticos, la calidad de una decisión empresarial no tiene límite superior.

Por consiguiente, la disposición a pagar por sistemas de registro más nuevos y mejores es limitada. Esta idea fundamental no es novedosa, y los proveedores de software ya la percibían como tal en la década de 1970. Hasta principios de la de 1990, los proveedores exitosos apenas tenían capacidad de ingeniería más allá de añadir funciones y seguir el ritmo del progreso constante del hardware. Esto cambió en la década de 1990 y llevó a muchos a rebautizarse como proveedores de «ERP», cuya novedosa «P», de planificación, señalaba la intención de convertirse en sistemas de inteligencia. Se produjeron movimientos similares en otras variantes de los sistemas de registro. Sin embargo, como ya se ha señalado, esos intentos han fracasado en gran medida —y siguen fracasando—, a veces de forma espectacular.

Como efecto secundario, el marketing de los proveedores suele confundir a los directivos. Como la distinción entre sistemas de registro, sistemas de informes y sistemas de inteligencia sigue siendo relativamente desconocida para el público general, los proveedores pregonan invariablemente la promesa de mejores decisiones. En suma, todo producto de software empresarial se vende como un sistema de inteligencia. Por ejemplo, un sistema que se limita a registrar movimientos de existencias mientras los administrativos se encargan de la reposición no debería prometer menos excesos ni faltantes de stock; sin embargo, estas promesas son omnipresentes.

Desde la perspectiva del comprador, tres heurísticas sencillas despejan la confusión.

Primera: un auténtico sistema de inteligencia se entrega prácticamente sin pantallas de entrada de datos. La inteligencia consume registros de referencia; no pide a los usuarios que vuelvan a teclearlos o los «confirmen» a diario. Cada formulario adicional delata un libro de registro disfrazado y enturbia la rendición de cuentas: cuando los resultados son malos, el proveedor siempre puede alegar que «el usuario tecleó la cifra equivocada». Un sistema de inteligencia genuino se responsabiliza de sus decisiones de principio a fin: sus entradas son los registros de la empresa; sus salidas —pedidos, asignaciones, precios, programas— pueden auditarse frente a las pérdidas y ganancias. Ninguna de las partes conserva una escapatoria en las tareas administrativas diarias.

Segunda: el motor no debe pretender ser una solución independiente. Más allá de su propio código, configuración y registros de auditoría, no conserva ningún estado empresarial duradero. Toda tabla de trabajo o caché es prescindible por diseño. Lee el sistema de registro de referencia, calcula recomendaciones y las escribe de vuelta mediante una API de alcance reducido y con versiones controladas. En el momento en que aparecen tablas de datos maestros, diseñadores de flujos de trabajo o módulos de gestión de usuarios, lo que se ofrece es un sistema de registro disfrazado de «IA».

Tercera: el modelo comercial debe vincular las tarifas a la calidad económica de las decisiones entregadas, no al número de empleados, al volumen de almacenamiento ni a las páginas vistas. Los precios por usuario, por página vista o por gigabyte crean un incentivo perverso para mantener a más personas dentro del proceso, multiplicar los cuadros de mando y acumular datos, pues los ingresos del proveedor crecen entonces con la ineficiencia de la organización. Un sistema de inteligencia genuino debería, por el contrario, hacer desaparecer la mayoría de los puestos administrativos. Por tanto, los contratos deberían vincular el pago al volumen de decisiones procesadas y/o a una proporción medida del valor creado (por ejemplo, reducciones del capital circulante ajustadas al riesgo, aumentos del margen bruto o mejoras de la calidad de servicio con un capital empleado constante), con topes explícitos que acoten el riesgo para ambas partes.

En conjunto, estas pruebas negativas descartan la mayoría de las «plataformas inteligentes» y permiten al profesional concentrar su atención —y su presupuesto— en las pocas ofertas con posibilidades creíbles de mejorar las decisiones de supply chain.

Un error habitual es actualizar un sistema de registro simplemente porque «parece viejo». Los directivos ven que la informática avanza a pasos agigantados e infieren que el sistema más nuevo debe ser mucho mejor. Además, el aspecto y la interacción de las últimas versiones que proponen los proveedores suelen ser más atractivos que los del sistema antiguo. La inferencia es engañosa. El progreso de las tecnologías de software no implica que los propios sistemas de registro estén progresando.

Por el contrario, las tecnologías y los conceptos centrales que sustentan los sistemas de registro apenas han avanzado desde la década de 1980. El progreso actual se centra casi exclusivamente en reducir los costes de desarrollo de tecnologías que ya están muy estandarizadas e indiferenciadas. Así pues, para los sistemas de registro, el objetivo principal de una actualización debería ser reducir las tarifas pagadas a los proveedores. Del mismo modo, suelen sobreestimarse los beneficios de una apariencia y una interacción mejores: si el sistema antiguo respondía con rapidez, unas pantallas más vistosas rara vez hacen más productivos a los empleados. Las interfaces muy productivas suelen percibirse como hostiles para los principiantes precisamente porque carecen de las funciones de asistencia paso a paso que entorpecen la productividad una vez que los empleados conocen el sistema.

Colectivamente, sin colusión ni siquiera coordinación, los proveedores de sistemas de registro han propiciado un estado persistente de confusión en el público general. A principios de la década de 2020, aunque los sistemas de registro llevaban más de una década convertidos en productos indiferenciados, la mayoría de las empresas pagaba por ellos más que dos décadas antes. Esta situación rebasa nuestras preocupaciones de supply chain, pero el software de supply chain puede ser el ejemplo más revelador. Esto ilustra de nuevo la naturaleza adversarial de los desafíos de supply chain, donde los incentivos solo están parcialmente alineados.

Así pues, los sistemas de registro son indispensables y están estrictamente limitados. Son los libros de registro de referencia de la empresa, no sus calculadoras ni sus estrategas. Siempre que se les pide elaborar informes pesados, optimizar o «planificar», aparecen la contención de recursos, la deriva semántica y la niebla en la rendición de cuentas. La postura arquitectónica correcta es austera: mantener el libro de registro ligero, central y aburrido; trasladar el análisis descriptivo a los sistemas de informes; trasladar la toma de decisiones a los sistemas de inteligencia; delimitar cada interfaz con una API de alcance reducido y con versiones controladas; y podar sin descanso los solapamientos funcionales, aunque los proveedores se resistan.

El corolario es tan de gestión como técnico. Hay que tratar el ERP (y sus sistemas afines) como terreno sagrado: recuerda hechos y hace cumplir flujos de trabajo, nada más. Cada función adicional que se cuela —KPI, previsiones, optimizadores, escenarios «qué pasaría si»— grava silenciosamente el rendimiento, enturbia la semántica y diluye la responsabilidad. Si algo es computacionalmente pesado, probabilístico o está sujeto a un arbitraje económico, su lugar está fuera del libro de registro.

Una vez explicitados la función y los límites de los sistemas de registro, podemos pasar a lo que reside dentro de ellos: los datos. La siguiente sección examina cómo esos símbolos en bruto se convierten en información, por qué la semántica —y no las filas que faltan— es la parte verdaderamente difícil, por qué los «datos deficientes» son el chivo expiatorio equivocado y cómo extraer, documentar y robustecer lo que necesitarán los motores de decisión.

5.4 Datos

En formato digital, los datos empresariales son, con diferencia, las fuentes de información más importantes para las decisiones de supply chain. Estos datos se recogen principalmente a través de los sistemas de registro de la empresa. Existen otras fuentes, pero importan mucho menos. Desde la perspectiva de la supply chain, la información pertinente reside dentro de estos datos; extraer esa información resulta más difícil de lo que suele suponerse. Además, también se subestima la complejidad de los datos.

Los datos son esenciales porque las supply chains no son directamente observables; solo se ven a través de los registros de la empresa. Podría sostenerse que las supply chains dejaron de ser directamente observables —por los sentidos, de una forma que tuviera verdadera utilidad— mucho antes de la llegada de los ordenadores. De hecho, a finales del siglo XIX, el auge de las grandes corporaciones trajo consigo ejércitos de administrativos encargados de los registros. Así pues, ya entonces la supply chain solo se veía a través de los libros que llevaban esos empleados. Muchos objetos del conocimiento humano, como las supply chains, no son directamente accesibles a los sentidos; las consecuencias son sustanciales.

Como se ha señalado antes, muchos autores sobre supply chain ignoran el software o lo tratan de forma superficial. Los datos no son una excepción. En particular, se suelen confundir los datos con la información que contienen, como si transformar los primeros en la segunda fuera algo dado. Nada más lejos de la realidad, y esta transformación por sí sola consume a menudo más de la mitad del esfuerzo técnico de una iniciativa de supply chain. Además, lejos de ser un mero detalle técnico del software, esta transformación exige una comprensión profunda del problema de supply chain. Por ello, es profundamente erróneo pensar que esta tarea puede delegarse en TI o en cualquier especialista que no sea, ante todo, especialista en supply chain.

En este contexto, se recurre a una explicación de siempre cada vez que una iniciativa de planificación se estanca: los datos son malos. Los fracasos anteriores —rara vez investigados— se exhiben como prueba. El eslogan resulta cómodo: absuelve a proveedores e integradores, culpa a un chivo expiatorio amorfo y desalienta cualquier examen de los registros. En las supply chains digitalizadas, el registro transaccional suele ser suficientemente bueno; lo que falta es el arduo trabajo de transformar los registros en información —aclarar la semántica, establecer la procedencia y la autoridad— y después en decisiones. Las secciones que siguen separan esos pasos y explicitan sus modos de fallo.

5.4.1 Origen de los datos

La mayoría de los datos empresariales reside en los sistemas de registro, pero estos sistemas solo los recogen de forma incidental. La finalidad de los sistemas de registro es digitalizar los procesos de información de la empresa para hacerlos más fiables y productivos. Los datos no son el resultado buscado; son un subproducto de esas operaciones. Esta idea es sencilla, pero sus consecuencias se malinterpretan con frecuencia.

Los datos se organizan de forma que reflejan las peculiaridades del sistema. Tales complejidades surgen de restricciones sutiles de rendimiento, vestigios de actualizaciones abortadas, conceptos anticuados de una etapa anterior del desarrollo o las concesiones habituales del desarrollo de software.

Para concretarlo, consideremos dos ejemplos habituales que muestran cómo las estructuras de los registros reflejan compromisos de ingeniería, no necesidades analíticas.

Hace décadas, un ingeniero bienintencionado —que trabajaba en un ERP todavía popular— almacenó las devoluciones de productos junto con los pedidos de venta en la tabla sales, con cantidades negativas. Con ese truco, sumar las ventas a lo largo del tiempo produce una cifra «casi» neta de devoluciones. Sin embargo, el diseño tiene varios inconvenientes y resulta mucho menos ingenioso en la práctica. En cuanto a la calidad de servicio, basarse en ventas netas sesga el análisis hacia un exceso de confianza respecto a los faltantes de stock. Si se venden 10 unidades una semana y se devuelven 3 la siguiente, en la primera semana tuvieron que existir al menos 10 unidades en stock —no 7— para atender la demanda. A la inversa, si la mayoría de las unidades devueltas pueden reacondicionarse y revenderse⁴⁷, reponer las existencias justo antes del final de la temporada probablemente genere excesos de stock considerables, pues las existencias se beneficiarán naturalmente de la entrada de devoluciones. En términos más generales, las devoluciones no son ventas; aunque puedan compartir campos (cliente, identificadores de producto), confundirlas en una misma tabla obliga a incluir columnas que solo tienen sentido para una de las dos, como un campo cause_of_return.

Consideremos una interfaz sencilla de una tienda en línea. Después de cada transacción, deben reducirse las existencias físicamente presentes para mantener actualizada la disponibilidad para los siguientes compradores. Actualizar esas existencias consiste en una simple operación UPDATE sobre la tabla que contiene esos valores; llamemos a esa tabla stock. Sin embargo, como ha descubierto prácticamente todo equipo responsable de una tienda moderadamente popular⁴⁸, actualizar stock después de cada transacción genera una fuerte contención en la base de datos, precisamente en torno a esa tabla. En efecto, stock es considerable —normalmente decenas o cientos de miles de filas— y cada actualización puede desencadenar una cascada en la interfaz de la aplicación. La solución habitual consiste en añadir una tabla pending_updates que pone en cola los cambios de existencias. En cada transacción, se añaden filas a pending_updates en lugar de actualizar stock. Después, aproximadamente cada minuto, se vacía pending_updates y se actualiza stock por lotes. Como resultado, la información sobre las existencias físicamente presentes se reparte entre dos tablas en lugar de una. El patrón es sólido, pero un especialista en supply chain debe decidir si sigue siendo aceptable ignorar pending_updates únicamente por simplicidad.

Muchos otros casos cuentan la misma historia: los datos de los sistemas de registro nunca se concibieron para el trabajo de ciencia de datos. Para los ingenieros que escribieron el software, aquello era, en el mejor de los casos, una preocupación secundaria, a menudo una consideración tardía.

Los directivos se sorprenden con frecuencia del tiempo y el esfuerzo necesarios para extraer la información adecuada de los sistemas empresariales. Muchos atribuyen estos sobrecostes a la supuesta ineficiencia del departamento de TI y a unas herramientas excesivamente complicadas. Esa impresión se ve reforzada por especialistas de TI que se escudan en la opacidad técnica para justificar costes y retrasos. Sin embargo, esta perspectiva es errónea. Los datos de los sistemas de registro son fácilmente accesibles y, suponiendo una base de datos de uso extendido, las herramientas de consulta son sencillamente excelentes. Los costes y los plazos son elevados porque convertir datos en información es sorprendentemente difícil, especialmente cuando lo intentan especialistas de TI que carecen del conocimiento del terreno que exige la tarea.

5.4.2 Semántica de los datos

Un sistema de registro empresarial típico almacena decenas de miles de campos; los mayores superan los cien mil. La semántica de esos campos —qué significan, para qué sirven, qué comportamientos desencadenan— suele estar, en el mejor de los casos, documentada de forma imprecisa. Esa documentación puede proceder del proveedor original o, en los sistemas internos, de la propia empresa. Las ampliaciones a medida, omnipresentes en el software empresarial, desdibujan aún más el significado. En la práctica, rara vez hay más de un breve párrafo por campo y, con demasiada frecuencia, se limita a parafrasear su nombre.

Para ver por qué importa la semántica, consideremos un solo campo: «fecha del pedido». Esa única marca temporal podría denotar el momento de finalizar la compra, la última modificación, la confirmación o la liquidación del pago. Cada interpretación conduce a una realidad operativa distinta: desplaza los tiempos de entrega medidos, altera las métricas de servicio y de fill rate, y cambia cómo se reconocen los flujos de caja y los pasivos. La ambigüedad a este nivel corrompe silenciosamente todos los cálculos posteriores.

En un mundo ideal, se cumplirían dos condiciones: los desarrolladores dejarían documentación precisa para cada campo y la dirección impondría prácticas cotidianas que mantuvieran estables los significados en las operaciones. En la práctica, tres fuerzas rompen ese ideal: la antigüedad (los sistemas y las notas sobreviven a sus autores), la incoherencia a nivel de campo (los significados cambian entre módulos y versiones) y la semántica determinada por los operadores (los usuarios dan nuevos usos a los campos para sacar el trabajo adelante). Los párrafos siguientes examinan cada una por separado.

Según los criterios del software, la mayoría de los sistemas de registro son antiguos: es habitual que tengan dos o tres décadas. Las primeras implementaciones rara vez incluían documentación por campo y, aun cuando la incluían, sus autores se marcharon hace mucho. El código se ha parcheado, migrado y ampliado tantas veces que los mensajes de los commits ya no permiten recuperar la intención original. Lo fundamental es que la semántica de los campos resulta inseparable de los comportamientos asociados a ellos, y esos comportamientos cambian entre versiones y módulos. El efecto neto es previsible: grandes porciones de significado simplemente se pierden, y reconstruirlas equivale a hacer ingeniería inversa, una tarea lenta y costosa. Las notas desactualizadas —o directamente obsoletas— son el azote de las iniciativas de software de larga duración.

La pérdida es solo la mitad de la historia. También se acumulan informalmente nuevos significados a medida que se adaptan las operaciones. Los equipos inventan soluciones provisionales, reinterpretan etiquetas y vinculan nuevos flujos de trabajo a campos que les resultan convenientes. Con el tiempo, estas prácticas ad hoc se convierten en el contrato de facto del sistema, con independencia de la intención del proveedor o de lo que siga diciendo el manual. Esta capa emergente y no documentada impulsa la deriva semántica: el «significado actual» de un campo es aquel para el que lo utilizan ahora quienes introducen los datos, y puede variar según el centro, el periodo o la función. Precisarlo exige observar la práctica, no solo leer esquemas.

En la práctica, por razones estructurales, los usuarios no son conscientes de esta deriva. Los significados se acumulan durante años, a menudo durante más tiempo del que nadie ha ocupado un determinado puesto, por lo que la interpretación actual simplemente se percibe como «la forma en que funciona el sistema». Si la aplicación presenta dos términos casi sinónimos, como Discontinuation Date y Phase-out Date, y ninguno impulsa una automatización visible, los equipos adoptan un significado interno que les resulta conveniente y siguen adelante. Que ese significado coincida con la intención del proveedor carece de importancia; lo que importa es que el grupo local converja en una interpretación y la utilice de forma coherente. Nadie confundirá Volume con la «altura del tacón», pero muchos acordarán, con toda sensatez, que Discontinuation Date señala el momento en que las existencias restantes se destinan a liquidación con descuento. Dado que la mayoría de los campos no desencadenan comportamiento alguno, adivinar la semántica del proveedor es un esfuerzo inútil; el verdadero trabajo consiste en garantizar que todos dentro de la empresa utilicen la misma semántica.

Además, la semántica de los campos suele depender de la fila: no todos los valores de un mismo campo significan lo mismo. Antes vimos un ejemplo con la «cantidad del pedido», que se refería a una compra cuando era positiva y a una devolución cuando era negativa. De forma más general, la semántica de un campo suele depender del valor de otro campo (o de varios). La documentación no puede ser un mero diccionario de campos; el significado cambia con el contexto. Para recoger la semántica dependiente de cada fila, la documentación debe cubrir la lógica de negocio pertinente: de nuevo, un ejercicio costoso y prolongado, agravado por años de evolución del sistema.

En última instancia, el significado recae en quienes introducen los datos —empleados, clientes, incluso proveedores—, cualquiera que fuera la intención original de los ingenieros. Por ejemplo, si Compras reutiliza un campo oscuro —antes sin uso y vinculado a unos Incoterms arcanos— para codificar la ruta de transporte de un proveedor, la semántica de ese campo pasa a ser la ruta de transporte, no la documentación original. Aunque dar un nuevo uso a un campo dista de ser una buena práctica, ocurre habitualmente. Además, como la semántica de los campos es difícil incluso en las mejores circunstancias, los equipos cometen errores de buena fe y atribuyen a numerosos campos significados cercanos al correcto, pero no del todo exactos.

Precisar la semántica de los campos es difícil: incluso los sistemas «líderes del mercado» resultan sorprendente e invariablemente arcanos. Este trabajo no es pedantería: sin significados estables, los registros en bruto no pueden transformarse en información que un motor de decisiones pueda utilizar. Además de los obstáculos prácticos anteriores, queda otro: debemos poder verificar que los significados que atribuimos son realmente correctos.

Incluso una iniciativa modesta de supply chain suele requerir documentar al menos cien campos. Para cada uno, normalmente se necesita entre media página y una página completa para precisar la semántica que importa para las decisiones: definición; unidades y valores admisibles; procedencia y autoridad; interpretaciones dependientes de la fila; dependencias entre campos; y ejemplos concretos. Estas notas deben basarse en los propios datos de la empresa: distribuciones, rangos y recuentos sencillos suelen revelar lo importante (por ejemplo, un hipermercado típico de nuestra cartera maneja más de 100.000 SKU, un hecho que descarta los algoritmos cuyo coste crece de forma superlineal con el número de artículos). En consecuencia, el expediente semántico de un alcance «pequeño» alcanza fácilmente cien páginas o más. Así pues, dado el volumen, no es razonable esperar que todo su contenido resulte correcto en los hechos. La documentación estará plagada de errores, desde equivocaciones burdas hasta malentendidos sutiles. Por tanto, se necesita un método para evaluar la validez de este conocimiento y eliminar los errores.

Las revisiones adicionales, incluso las revisiones por pares, rara vez detectan todos los errores. De hecho, una vez que un malentendido se ha consolidado en la documentación, suele hacer falta un elemento nuevo para revelarlo. Ese elemento debe ser la respuesta del mundo real a un proceso de toma de decisiones que se apoye, entre otras cosas, en ese conocimiento. Si un conocimiento defectuoso produce decisiones acertadas, el defecto es inocuo y la cuestión carece de relevancia práctica. Los detalles de esta metodología —la optimización experimental— se expondrán en un capítulo posterior. Por ahora, baste decir que la validez semántica debe fundamentarse, en última instancia, en la respuesta empírica obtenida al aplicar este conocimiento en la práctica para generar decisiones.

5.4.3 Trapicheos en los datos

Los datos, como todo lo demás en supply chain, se doblegan ante los incentivos de quienes los crean y recogen. Como ya se ha señalado, los incentivos suelen divergir de los intereses de la empresa. Esto produce numerosas peculiaridades en los datos: algunas menores y otras de consecuencias importantes.

Consideremos un contratiempo real de un gran fabricante. El fabricante sufría excesos de stock crónicos. Un vistazo a los pedidos anteriores reveló compras habitualmente desmesuradas, la causa principal del exceso de existencias. Para corregir la situación, la dirección eligió a un nuevo proveedor de supply chain para automatizar por completo la reposición, eliminando los juicios bienintencionados pero erróneos del equipo de compras. Las pruebas previas a la puesta en producción mostraron que los pedidos excesivos desaparecían. Seguía existiendo la posibilidad de acumular demasiado stock cuando se produjera una caída grande e inesperada de la demanda, pero se habían eliminado los excesos inmediatos sin grandes cambios del mercado. La solución parecía prometedora.

Sin embargo, dos meses después de entrar en producción, persistían los pedidos de reposición excesivos. El resultado era desconcertante: los pedidos no se parecían en nada a las salidas de la receta.

Un examen más detenido apuntó a una causa cotidiana: los pedidos de compra seguían introduciéndose a mano en el ERP porque la integración bidireccional se había aplazado; el equipo de TI estaba sobrecargado. La extracción de datos históricos del ERP —un venerable sistema de cuatro décadas de antigüedad— estaba automatizada, pero no la escritura de los nuevos pedidos. El motor de decisiones generaba pedidos sin intervención humana; después, los administrativos volvían a teclearlos en el ERP cada día. Este paso manual restante se convirtió en nuestro principal sospechoso.

Sin embargo, tras varios días de evaluación minuciosa, quedó claro que, aunque había una entrada manual de datos, ese paso se realizaba con mucho cuidado y que, bajo ninguna circunstancia, los empleados modificaban deliberadamente las cantidades. Así, la nueva solución volvió a convertirse en la principal sospechosa. Pero la inspección de los registros de ejecución mostró rápidamente que nunca había generado aquellos pedidos excesivos. Las fechas y los productos coincidían; las cantidades, no. El desconcierto aumentó: día tras día, los pedidos introducidos en el ERP el día anterior coincidían exactamente con las salidas de la solución. Sin embargo, días —o incluso semanas— después, algunas cantidades de reposición se disparaban de repente, y la siguiente comprobación de existencias confirmaba el excedente.

Los pedidos de reposición parecían dispararse espontáneamente, sin ritmo ni razón. Por ello, el equipo del proveedor estudió esos episodios con más detenimiento. Surgió un patrón sorprendente: los aumentos aparecían sobre todo en pedidos realizados cerca del cierre del trimestre. Como los tiempos de entrega variaban según el producto, los episodios de exceso de stock estaban distribuidos de forma bastante uniforme, lo que había ocultado el patrón. El patrón del calendario era claramente humano, pero sus protagonistas seguían siendo un misterio.

Semanas de investigación llevaron a los equipos del proveedor a los muelles de recepción, donde se descargaban mercancías de camiones fletados por los proveedores. Los equipos de recepción seguían varios pasos de aseguramiento de la calidad. Uno consistía en contar las unidades y comprobar que coincidieran con la cantidad pedida. Cuando surgía una discrepancia, el ERP ofrecía pocos recursos para gestionar ese caso excepcional. De hecho, la única política oficial que admitía era declarar el envío no conforme y devolverlo entero. Sin embargo, los equipos de recepción habían aprendido que esto provocaba invariablemente la ira de los equipos de producción. Si se habían pedido mercancías, era porque se necesitaban; sin ellas, la producción se detenía, enfureciendo a los compañeros.

Décadas antes, para salir del paso, los equipos de recepción habían establecido una puerta trasera en el ERP. Para evitar devolver un envío por una discrepancia de una sola unidad, el equipo utilizaba esa función de puerta trasera para ajustar la cantidad pedida a la recibida. Después se pagaba al proveedor el importe ajustado, que reflejaba lo realmente recibido. Durante años, el mecanismo funcionó, hasta que prácticamente todos, salvo el equipo de recepción, olvidaron la puerta trasera.

Con el tiempo, algunos proveedores observaron que se aceptaban pequeños excesos en los envíos sin siquiera una llamada telefónica. Era inusual: los clientes normalmente devolvían las unidades sobrantes o, como mínimo, protestaban con vehemencia. Algunos proveedores empezaron a explotar el proceso. Al cierre del trimestre, si iban por detrás de sus objetivos, utilizaban al fabricante como variable de ajuste. Al principio, los proveedores solo inflaban ligeramente los pedidos, pero el silencio del fabricante pronto los envalentonó para enviar cantidades mucho mayores.

Una vez comprendido el patrón, identificar a los proveedores que abusaban del proceso resultó fácil. Una serie de llamadas a la breve lista de proveedores implicados puso fin a los aumentos explosivos de la noche a la mañana.

Inesperadamente, aunque el patrón era desconcertante y claramente perjudicial para el rendimiento de la supply chain, los datos eran fundamentalmente correctos. Las cantidades pedidas eran reales y exactas, como demostraban claramente las existencias físicamente presentes. El error estaba en la política real que regía la reposición —dejar que los proveedores decidieran lo que quisieran—, algo que el fabricante nunca había previsto.

Aunque los trapicheos en los datos no siempre son tan enrevesados como el anterior, en cualquier supply chain de cierto tamaño surgen habitualmente incentivos adversos no intencionados, que dan lugar a toda clase de rarezas en los datos. Ya hemos señalado un error frecuente en los círculos de supply chain: tratar los problemas de datos como asuntos que deben dejarse en manos de los especialistas de TI. El ejemplo anterior deja claro por qué este enfoque suele fracasar. Comprender los datos de supply chain es, ante todo, competencia de los especialistas en supply chain.

5.4.4 TI en la sombra

En las organizaciones, las TI en la sombra designan sistemas departamentales que funcionan sin la supervisión del área central de TI, sistemas cuya existencia el equipo principal de TI quizá ni siquiera conoce.⁴⁹ Las TI en la sombra existen en prácticamente todas las grandes empresas, aunque su presencia varía mucho. Desde la perspectiva de la supply chain, estos sistemas son predominantemente sistemas de registro y de informes informales, a menudo una mezcla de ambos. Las TI en la sombra importan para la supply chain porque la parte de «sistema de registro» suele contener datos valiosos. Por ejemplo, los ERP suelen omitir algunas restricciones de pedido que se aplican a proveedores concretos. En consecuencia, para elaborar un pedido de reposición válido, el profesional se apoya en su propio sistema en la sombra, que contiene un inventario completo de las restricciones aplicables.

Las hojas de cálculo son, con diferencia, la tecnología más común de las TI en la sombra. Cualquier flujo de trabajo que dependa de empleados que interactúan con una hoja de cálculo compartida constituye casi con seguridad TI en la sombra. TI sabe que se utilizan hojas de cálculo, y el software en sí está aprobado. Sin embargo, un sistema de registro basado en hojas de cálculo carece de lo que TI debería exigir a cualquier sistema supervisado: control de versiones, copias de seguridad, pistas de auditoría, permisos detallados, etc.

Además de las hojas de cálculo, también se utilizan habitualmente bases de datos sencillas⁵⁰ como parte de las TI en la sombra. Estas bases de datos permiten sistemas de registro más elaborados, al imponer un mínimo de corrección en los tipos (un valor es un número, una fecha, etc.). Sin embargo, al igual que las hojas de cálculo, carecen de los procesos de apoyo que garantizan la mantenibilidad a largo plazo (control de versiones, copias de seguridad, etc.).

La motivación de las TI en la sombra es sencilla: el área central de TI está desbordada durante meses —a veces años—, de modo que los equipos de negocio construyen aquello que no pueden esperar a recibir. La paradoja es que las TI en la sombra rara vez nacen de un entusiasmo excesivo por el software; nacen de una cultura del software insuficiente. El software interviene hoy en casi todos los flujos de trabajo, por lo que la mayoría de los problemas departamentales son, en parte, problemas de software. Si la organización espera que un único equipo central de TI los resuelva todos, la sobrecarga está garantizada.

El déficit cultural amplifica el trabajo pendiente. Fuera de TI, los equipos suelen carecer del vocabulario necesario para expresar requisitos, ordenarlos por importancia económica o estimar el esfuerzo de ingeniería. Los proyectos predilectos se promueven como «victorias rápidas», las necesidades esenciales se aplazan porque parecen aburridas y las solicitudes llegan formuladas como soluciones («añadir un campo») en lugar de problemas («necesitamos dejar de facturar dos veces las devoluciones»). El área central de TI, asediada por peticiones mal planteadas, parece no responder; las unidades de negocio, obligadas a dar resultados, recurren a hojas de cálculo y bases de datos ad hoc. La fricción se convierte en la norma y la productividad se erosiona por ambos lados.

El área central de TI también se encuentra en un aprieto: es comprensible que los empleados sean reacios a revelar todo el alcance de sus iniciativas en la sombra, que a menudo funcionan con la aprobación tácita de la dirección e incumplen claramente las directrices de TI. Como resultado, las personas que podrían ayudar a regularizar estas herramientas solo las descubren cuando algo falla. Por tanto, esperar que el área central de TI «traiga los datos» no es realista; por su propia naturaleza, buena parte de ellos permanece invisible.

La salida es clara, aunque no fácil: sustituir los sistemas de registro en la sombra por pequeñas aplicaciones CRUD mantenibles, una a una. Hay que priorizar los registros y dejar los informes para después. Los registros corren el riesgo de perderse; los informes pueden volver a calcularse una vez que las tablas subyacentes sean sólidas. En concreto: tomar la hoja de cálculo activa (o la base de datos de escritorio), congelarla en modo de solo lectura, esbozar un esquema mínimo que refleje el flujo de trabajo real, poner en marcha un servicio CRUD de alcance reducido con control de versiones, copias de seguridad, registros de auditoría y permisos, cargar los datos existentes, redirigir a los usuarios y, después, retirar el archivo antiguo. Repetir el proceso. Una vez que los datos residen en un almacén apto para producción, reescribir los informes que los rodean es barato y rápido.

Los especialistas en supply chain deben responsabilizarse de esta corrección. El software es una ciencia auxiliar de la práctica, no algo que deba externalizarse. El área central de TI debe proporcionar las salvaguardas (entorno de ejecución, seguridad, copias de seguridad), pero el alcance, la secuencia y la semántica deben estar dirigidos por quienes comprenden el flujo de bienes.

5.4.5 Datos derivados

Los sistemas empresariales almacenan algo más que hechos. Junto a los registros de acontecimientos (ventas, recepciones, recuentos de existencias, acuerdos de precios, restricciones de calendario) hay grandes volúmenes de lo que llamaré datos derivados: cifras creadas a partir de otros registros, como agregaciones, previsiones, cantidades económicas de pedido (EOQ), existencias de seguridad, indicadores de clasificación y similares. Los datos derivados no añaden ninguna información nueva; son una reformulación de lo que ya está en el libro de registro. Un principiante espera que cada tabla y cada campo contengan datos «nuevos»; en la práctica, la mayoría de las tablas de una aplicación madura son artefactos. Para mayor claridad, datos de hechos se refiere a los registros originales del flujo, y datos derivados, a todo lo calculado a partir de ellos.

No todos los datos derivados son iguales. Una clase está debidamente justificada: las tablas de trabajo o temporales (vistas materializadas, cachés, resúmenes desnormalizados) introducidas por razones de rendimiento o comodidad operativa. Existen para que el sistema responda con rapidez y son prescindibles porque siempre pueden volver a calcularse a partir de los datos de hechos. La otra clase es decoración epistémica: artefactos de planificación guardados en los libros de registro (previsiones, EOQ, «niveles de servicio», etiquetas ABC, etc.). Estas tablas tampoco contienen información nueva; se limitan a congelar la salida de una receta. Al mezclarlas con los registros, desdibujan la rendición de cuentas, multiplican las incoherencias y, más adelante, inducen a error a los sistemas de informes y de inteligencia.

Las previsiones de demanda son un ejemplo clásico de estos artefactos. De forma más general, casi todos los datos de planificación que conservan las empresas no son más que datos derivados. Por desgracia, muchos profesionales confunden estos artefactos con peldaños hacia un sistema de inteligencia; en la práctica, son minas terrestres.

Antes de explicar por qué los artefactos de planificación resultan engañosos, despachemos una subclase inocua de datos derivados. Los ingenieros suelen introducir tablas «de trabajo» o temporales —vistas materializadas, resúmenes desnormalizados, áreas de preparación— únicamente para mantener la rapidez de respuesta de los registros CRUD o descomponer una lógica pesada. Estas tablas son recursos de comodidad, no conocimiento; no aportan información nueva respecto a los hechos subyacentes y pueden volver a calcularse a voluntad. Los profesionales deberían ignorarlas en gran medida al tomar decisiones.

Los profesionales mal orientados se sienten naturalmente atraídos por artefactos como las previsiones de ventas, las cantidades económicas de pedido, las existencias de seguridad y los niveles de servicio, porque estos agregados parecen «digeribles». Estos agregados comprimen miles de acontecimientos registrados individualmente en un puñado de cifras —un total de ventas semanales parece mucho más útil para actuar que una página de transacciones—, por lo que su densidad informativa para el lector humano es alta. Sin embargo, esta comodidad no debe confundirse con novedad: esas cifras contienen exactamente lo que los hechos subyacentes ya implicaban, y nada más. Tratar estos resúmenes como entradas primarias de un motor de decisiones confunde la facilidad de consumo con la información añadida y delata una incomprensión de la tarea que se tiene entre manos.

En primer lugar, los datos derivados no contienen información nueva. Son funciones deterministas de los datos de hechos. Siempre que puedan exportarse los hechos subyacentes, cualquier previsión, EOQ, «nivel de servicio» o etiqueta ABC puede volver a calcularse fuera del sistema original. Además, los libros de registro CRUD son cultural y técnicamente hostiles al cálculo intensivo. Los análisis sofisticados tienen su lugar en entornos construidos para ellos; volver a calcular esas cifras en un entorno ajeno a CRUD es más sencillo y más fiable que forzar al libro de registro a hacer los cálculos.⁵¹

Dicho de otro modo —y para reconectar la discusión con la información—, los datos derivados contienen cero bits nuevos. Son funciones deterministas de los datos de hechos de la empresa; en el mejor de los casos, son compresiones con pérdida, cómodas para un lector humano. Tratar estos artefactos como entradas primarias confunde la representación con el conocimiento: cualquier incertidumbre que parezcan resolver ya estaba resuelta —ni más ni menos— por los registros subyacentes.

¿Por qué, entonces, los libros de registro están repletos de estas tablas? Los sistemas CRUD están diseñados para mantener flujos de trabajo ágiles y auditables, no para realizar optimización pesada. Por ello, los proveedores materializan cálculos intermedios —previsiones, EOQ, existencias de seguridad, etiquetas ABC— para que las pantallas carguen deprisa y para que un libro de registro pueda hacerse pasar por «planificación». Este precálculo se extiende porque es barato de almacenar y fácil de mostrar en una demostración, no porque añada información.

En segundo lugar, manejar estos artefactos es considerablemente más difícil que trabajar con datos primarios (de hechos), a menudo por un orden de magnitud o más. Los acontecimientos del flujo están limitados por la física; los artefactos solo están limitados por el almacenamiento, que es abundante a efectos prácticos. En los productos de software que confunden los registros, los informes y la «planificación», los artefactos derivados proliferan hasta dominar el esquema. Es habitual que las tablas derivadas superen a las de hechos en una proporción de diez a una. La consecuencia es previsible: más volumen que mover, conciliar y gobernar, con poca o ninguna ganancia informativa.

En tercer lugar, los artefactos analíticos integrados en las aplicaciones CRUD (dejando aparte las cachés y las vistas materializadas puramente operativas) reflejan casi siempre enfoques ingenuos y heredados que no tienen cabida en la práctica moderna. No es un accidente, sino una consecuencia de la cultura de ingeniería CRUD: los libros de registro se construyen para mantener flujos de trabajo ágiles y auditables sobre bases de datos relacionales, por lo que los proveedores se inclinan por recetas que (a) puedan expresarse en SQL, (b) sean baratas de precalcular y (c) sean fáciles de mostrar en una demostración. Las tablas de previsiones, las cantidades económicas de pedido, los «niveles de servicio» y las etiquetas ABC cumplen los tres requisitos; la valoración de la opcionalidad, el arbitraje de capital entre SKU o las decisiones de cartera ajustadas al riesgo, no. El resultado es una acumulación constante de cifras frágiles que fijan supuestos simplistas en el libro de registro, desdibujan la rendición de cuentas (¿qué cifra es la referencia: el artefacto o los hechos que lo generaron?) y desorientan los esfuerzos posteriores al hacer pasar la comodidad por conocimiento. Si sus autores hubieran buscado una toma de decisiones económicamente sólida en lugar de velocidad en las pantallas y material comercial, estos artefactos nunca se habrían mezclado con el sistema de registro.

No toda afirmación sobre el futuro es un dato derivado. Algunas entradas fechadas en el futuro son, en sí mismas, hechos: decisiones o compromisos que vinculan a la empresa o a sus socios. Por ejemplo, si el departamento de marketing ha aprobado formalmente un presupuesto para una campaña publicitaria que comenzará a principios del año que viene —con calendario, distribución regional y asignaciones por canal—, esta entrada no se calcula a partir de otros registros; es una restricción nueva que modifica los flujos de caja y las capacidades, con independencia de lo que después revele la demanda. Lo mismo ocurre con cambios de precios ya acordados con un proveedor y con fecha de entrada en vigor, aperturas o cierres de tiendas planificados con fechas firmes, o un cambio normativo cuya fecha de aplicación está fijada. Estos elementos deben registrarse como hechos, con una procedencia, periodos de vigencia y caducidad, alcance y reglas de revocación claros.

En términos más amplios, la costumbre de tratar los artefactos derivados como entradas de un sistema de inteligencia refleja una visión del mundo centrada en la planificación que la coloca en un pedestal. Sin embargo, la planificación —y los artefactos que produce— es un ciudadano de segunda en la supply chain. Lo que importa son las decisiones llevadas a efecto que comprometen recursos escasos. Los cálculos intermedios, como las previsiones de series temporales, especialmente cuando sustentan elecciones lejanas, como las reposiciones de la próxima temporada, no merecen el mismo protagonismo: son provisionales y se revisarán repetidamente antes de que se mueva dinero o átomo alguno.

Los sistemas de inteligencia existen para emitir decisiones —pedidos de compra, asignaciones, precios, programas— que comprometan recursos escasos. Mientras explora el espacio de opciones, el motor produce un rastro de cálculos intermedios (puntuaciones, simulaciones, registros de escenarios, previsiones provisionales). Son datos derivados: no contienen información nueva más allá de las entradas y el código. Útiles para la auditabilidad y el diagnóstico, son subproductos técnicos transitorios, no datos maestros. Las únicas salidas duraderas son las propias decisiones, que deben escribirse en el sistema de registro mediante una interfaz de alcance reducido. Esas entradas no son «artefactos»: son hechos nuevos, compromisos que la empresa ejecutará y que después se materializarán en recepciones, movimientos y ventas.

Por consiguiente, un sistema de inteligencia debe consumir hechos de referencia procedentes de los sistemas de registro (y posiblemente unas pocas fuentes externas de procedencia clara), no los artefactos congelados que contienen los libros de registro o las herramientas de informes. Si se necesita un resumen, debe volver a calcularse dentro del motor a partir de los hechos subyacentes; incorporar artefactos precalculados solo importa los supuestos de otros y su pérdida de información.

5.4.6 Datos externos

Por datos externos entendemos señales que no se originan en los propios sistemas de registro de la empresa ni pueden reconstruirse a partir de ellos. Deben obtenerse fuera: sitios web públicos, comunicados oficiales, fuentes de sensores de terceros o intermediarios comerciales de datos. Si los bytes pueden derivarse exclusivamente de los registros internos, no son externos; son datos internos o derivados. Explotar datos externos puede crear valor, pero los costes de adquisición, limpieza y mantenimiento son elevados y a menudo erosionan los rendimientos. Como regla general, conviene agotar primero el valor económico de los datos internos; las excepciones recurrentes son los precios publicados por los competidores y unos pocos conjuntos de datos sectoriales cuidadosamente seleccionados y depurados.

El principal obstáculo de los datos externos es el coste de adquirirlos, limpiarlos y mantenerlos actualizados. A diferencia de los registros de la propia empresa, las fuentes externas son irregulares, están parcialmente estructuradas y rara vez se ajustan a los esquemas o ciclos de actualización internos. Los registros internos tienden a crecer a la par que la empresa; las fuentes externas, no. Cuando los datos externos merecen la pena, suelen pertenecer a tres familias recurrentes: (1) inteligencia competitiva —precios publicados, surtidos y condiciones de los rivales—, que modulan directamente la demanda y limitan la fijación de precios; (2) observaciones y previsiones meteorológicas a corto plazo, que pueden orientar las asignaciones y la programación a corto plazo; y (3) rastros de actividad de las redes sociales, atractivos en teoría, pero normalmente poco fructíferos en la práctica.

Cada familia aporta fricciones distintas: emparejar y normalizar artículos entre catálogos para los datos competitivos; el carácter local, los límites del horizonte y los grandes volúmenes para la meteorología; y el ruido, la manipulación y los débiles vínculos causales para las redes sociales. Las siguientes subsecciones las abordan en ese orden, comenzando por la inteligencia competitiva.

5.4.6.1 Inteligencia competitiva

La inteligencia competitiva, en el sentido de supply chain, consiste en recoger las señales públicas de los rivales —precios publicados, surtidos (modelos, colores) y condiciones (garantías, promesas de entrega)— e incorporarlas a nuestras propias decisiones. Es, ante todo, un problema de datos externos: estas señales no residen en nuestros registros; hay que adquirirlas, vincularlas a nuestro catálogo, limpiarlas y mantenerlas actualizadas.

En términos económicos, el vínculo es directo: el precio raciona los bienes escasos y coordina la sustitución. Pequeños movimientos de precios —nuestros o de un rival— modifican tanto el volumen total como la cuota de mercado, a veces de forma abrupta cuando comienzan las represalias. Por tanto, para asignar racionalmente el capital y las existencias, la supply chain debe seguir los precios, los surtidos y las condiciones de los competidores y dejar que estas señales orienten sus decisiones.

Antes de finales de la década de 1990, recopilar los precios publicados por los competidores era un trabajo administrativo tedioso. La expansión del ecommerce en la década de 2000 hizo que los precios fueran fácilmente accesibles en sitios públicos. Incluso los bienes profesionales que antes quedaban ocultos tras solicitudes de presupuesto aparecen ahora, porque basta con que un revendedor publique la cifra. En consecuencia, durante la década de 2000 surgió un pequeño sector de especialistas en extracción de datos de la web y de herramientas para analizar páginas desordenadas haciéndose pasar por visitantes humanos⁵².

Hoy, las empresas pueden comprar a bajo coste conjuntos extensos de datos, actualizados varias veces al día, que describen los surtidos de los competidores. Explotar esos datos sigue siendo laborioso; persisten varios obstáculos.

Los datos de inteligencia competitiva contienen mucho más ruido que los registros internos de la empresa. Las herramientas de extracción web se apoyan en numerosas heurísticas, que en ocasiones pueden interpretar mal un valor⁵³. Incluso con una calidad general elevada, sigue siendo necesario detectar y neutralizar los valores erróneos.

En la mayoría de los mercados, nuestro catálogo no tiene una correspondencia 1 a 1 con el de un rival. Incluso cuando un competidor vende el «mismo» artículo, difieren su SKU, el tamaño del envase, la gama de colores o los accesorios incluidos. Por tanto, emparejar es un problema de correspondencia, no una simple consulta. Un enfoque viable consta de tres pasos: (1) generar pares candidatos mediante señales baratas (referencias de fabricante compartidas, GTIN/EAN/UPC, títulos normalizados, atributos destacados como tamaño/volumen/potencia nominal y, cuando estén disponibles, representaciones vectoriales de imágenes); (2) puntuar cada candidato mediante varias pruebas independientes —similitud textual, compatibilidad de atributos, coherencia del precio por unidad y reglas de conjuntos/variantes— para obtener una puntuación de confianza; (3) conservar el grafo completo de correspondencias (de uno a muchos y de muchos a uno) con marcas temporales, en lugar de un único «mejor» vínculo, porque los surtidos cambian y el emparejamiento correcto puede variar con el tiempo. Los modelos modernos de lenguaje y visión facilitan el paso (1), pero no eliminan la necesidad de los pasos (2) y (3). Sin una capa de emparejamiento auditable —con reglas versionadas y umbrales de confianza—, las comparaciones posteriores de precios serán numéricamente precisas y económicamente erróneas.

El volumen de datos no es la única preocupación; también lo son la persistencia y la procedencia. Las fuentes competitivas no son «una fila por SKU, rival y día». Para conservar la auditabilidad y la utilidad económica, la empresa debe mantener: (i) cada observación en bruto (URL con marca temporal, instantánea de la página o de la API y versión del analizador utilizada), (ii) el grafo de correspondencias completo con puntuaciones por arista y versiones de las reglas con marca temporal, (iii) las reglas de normalización y las conversiones de unidades tal como eran en ese momento y (iv) cada cambio detectado (precio, disponibilidad, conjunto de variantes, composición de los paquetes). Los precios pueden cambiar varias veces al día; los mercados en línea presentan múltiples ofertas específicas de cada vendedor; las variantes y los accesorios aparecen y desaparecen. Reducir esta volatilidad a un único «precio diario» descarta precisamente la señal que necesitamos para la asignación y la fijación de precios.

En la práctica, el corpus competitivo suele superar al registro de transacciones de la propia empresa en 10–100 \(\times\) en número de filas, y en mucho más en bytes si se archivan instantáneas HTML/JSON en bruto para garantizar la trazabilidad.⁵⁴ El hardware moderno digiere el volumen; el coste real está en la infraestructura de conexión: conductos de ingestión resistentes a los cambios de los sitios, detectores de anomalías que neutralicen los fallos de extracción, trabajos periódicos de nuevo emparejamiento a medida que cambian los surtidos e indicadores de control de calidad que pongan en cuarentena las observaciones dudosas sin detener el flujo de datos. Si se descuida cualquiera de estos elementos, el conjunto de datos será numéricamente denso, pero epistémicamente pobre.

En conjunto, la inteligencia competitiva tiene suficiente importancia y un coste lo bastante asequible como para merecer su inclusión en la mayoría de las supply chains. Sin embargo, si un proyecto puede arrancar sin datos competitivos, conviene añadir esa fuente más adelante, una vez que la receta central esté en funcionamiento.

5.4.6.2 Datos meteorológicos

Muchas categorías —ropa, bebidas, hogar y jardín, accesorios de automoción— son sensibles al tiempo meteorológico. Como el tiempo modifica la demanda, resulta tentador dejar que las previsiones dirijan la supply chain. Sin embargo, la pregunta correcta no es si deben utilizarse datos meteorológicos, sino cuándo aportan realmente información a una decisión. Dos ejes prácticos determinan la cuestión: el horizonte de la decisión (horas, días, semanas) y la granularidad espacial a la que actúa la empresa (tienda, ciudad, región). Una previsión solo aporta información útil cuando su horizonte y su ámbito local coinciden con los de la decisión. En la práctica, dos restricciones estrictas limitan el rendimiento de las decisiones basadas en la meteorología.

Horizonte: más allá de unos diez días, las previsiones modernas convergen hacia los promedios estacionales. Desde las reglas empíricas de principios del siglo XX hasta las imágenes por satélite de alta resolución actuales, el progreso constante ha mejorado las previsiones, pero siguen siendo un asunto decididamente de corto plazo. En consecuencia, para las elecciones que miran más allá de diez días, las fuentes meteorológicas no aportan mejor información que la simple estacionalidad medida en el historial de la propia empresa.

Carácter local: el tiempo meteorológico es intensamente local. Las condiciones pueden divergir mucho entre lugares separados por apenas unos kilómetros —o incluso unas horas—, mientras que las grandes empresas venden y operan en cientos de miles, o incluso millones, de kilómetros cuadrados. Una señal meteorológica solo ayuda si está disponible —y vinculada a nuestros activos y clientes— a la misma granularidad espacial a la que podemos actuar (tienda, ruta, ciudad o región) y dentro del plazo pertinente. Conseguir esta correspondencia requiere rejillas de alta resolución y reanálisis históricos densos para calibrar el vínculo estadístico entre el tiempo y la demanda. Cubrir los próximos diez días más varios años de historial produce rápidamente conjuntos de datos de decenas de gigabytes, a menudo un orden de magnitud mayores que el propio registro de transacciones de la empresa. El hardware moderno digiere el volumen, pero la infraestructura de conexión no es trivial. Cuando las decisiones se toman a un nivel más agregado (por ejemplo, asignaciones regionales), las señales a escala fina se diluyen en gran medida al promediarse, lo que reduce el beneficio.

Además, el tiempo meteorológico no es un fenómeno unidimensional. Entre sus parámetros habituales figuran la temperatura, la humedad, la velocidad y la dirección del viento, las precipitaciones, la presión, la visibilidad y la nubosidad. Según los bienes, algunos parámetros resultan irrelevantes, pero identificarlos también requiere trabajo. Para la demanda de electricidad, a menudo basta con la temperatura, mientras que otros productos dependen de una combinación distinta de factores meteorológicos.

Por último, los riesgos asimétricos de una decisión concreta de supply chain pueden socavar las ventajas de las previsiones enriquecidas con datos meteorológicos. Consideremos las maquinillas de afeitar femeninas. En los países occidentales, estos productos siguen una cuasiestacionalidad marcada: la demanda se dispara en la semana inmediatamente anterior al primer fin de semana caluroso de primavera. Fuera de ese momento, permanece baja durante el resto del año. Para una tienda de artículos generales, lo más sensato es evitar una reposición de última hora, justo a tiempo, en cuanto se anuncia un fin de semana caluroso. Si la previsión es errónea, la reposición llega demasiado tarde y la tienda pierde su oportunidad anual de vender esos productos. Una elección sólida y ajustada al riesgo consiste en reponer a principios de primavera. Casi con toda seguridad habrá un primer fin de semana caluroso de primavera; la incertidumbre reside en su fecha exacta. Mantener en la estantería un paquete de productos pequeños y no perecederos unas semanas más resulta mucho más barato que perder el pico de demanda por una mala previsión.

La meteorología solo ayuda allí donde su señal supera las dos restricciones estrictas ya señaladas: el horizonte (aproximadamente diez días) y el carácter local (la unidad a la que puede actuar la empresa). Fuera de esa ventana, dominan la física de la previsión y los costes de la infraestructura de conexión, mientras que los patrones estacionales y las políticas ajustadas al riesgo tienen más peso. Las herramientas quizá suavicen estas fricciones en el futuro, pero, por ahora, la meteorología es un complemento de la planificación, no su fundamento.

5.4.6.3 Datos de redes sociales

Durante la década de 2010, los datos de redes sociales fascinaron a los directivos más que cualquier otra fuente externa. A medida que millones de consumidores empezaban a expresar deseos y opiniones en las redes sociales, una empresa capaz de afinar continuamente su oferta a partir de esa información podría superar a sus rivales. En lugar de depender de datos de ventas observados con semanas de retraso, se esperaba captar el sentir del mercado en tiempo real. Además, las redes sociales contendrían información más allá de la oferta actual de la empresa y aportarían pistas para orientar el lanzamiento de nuevos productos.

Sin embargo, los datos de redes sociales nunca proporcionaron las riquezas que prometían los proveedores; los beneficios esperados no se materializaron. En efecto, estos datos son muy difíciles de explotar porque contienen muchísimo ruido, a menudo malicioso. Abundan las cuentas títere; los usuarios auténticos provocan o manipulan; las figuras influyentes ganan y pierden relevancia. Las cifras de audiencia infladas —visualizaciones o suscriptores— son habituales. Las plataformas de redes sociales tienen pocos incentivos para eliminar el tráfico de granjas de clics⁵⁵ que infla esas cifras.

Incluso si la calidad fuera mayor, vincular publicaciones con partes precisas de la oferta de la empresa —a gran escala y de forma automática— sigue siendo costoso. Aunque es evidente que los comentarios públicos ayudan a los equipos de diseño o ingeniería al revelar defectos sutiles o, a la inversa, áreas de mejora, los comentarios relativos a la supply chain son en su mayoría poco útiles. La empresa no necesita las redes sociales para enterarse de que los últimos envíos se retrasaron; sus sistemas de registro y sus integraciones con transportistas ya proporcionan esa información.

Por último, los costes de procesamiento siguen siendo considerables. A diferencia de conjuntos de datos de tamaño similar, como los meteorológicos, que son enteramente numéricos, los datos de redes sociales están en gran medida sin estructurar, y el texto y las imágenes representan casi su totalidad. Los avances recientes de los LLM (grandes modelos de lenguaje) multimodales facilitan el procesamiento, pero ejecutarlos a gran escala sigue siendo costoso y lento.

Entre las fuentes externas, los datos de redes sociales presentan la peor relación entre costes y beneficios. La extracción es ardua y las conclusiones rara vez permiten actuar desde una perspectiva de supply chain. En la práctica, las empresas deberían prescindir de los datos de redes sociales para el trabajo de supply chain hasta haber agotado todas las demás fuentes.

5.5 Conocimiento cotidiano

Una objeción habitual a la mecanización de la toma de decisiones es que las personas saben muchas cosas que no figuran en los sistemas de registro de la empresa. Sin embargo, aunque esta afirmación es una obviedad —el personal del almacén conoce el color de las manillas de las puertas, un conocimiento casi con seguridad ausente del sistema—, de ello no se deduce que una automatización casi completa sea imposible. Por el contrario, tanto entre el público como en los círculos empresariales persiste un misticismo generalizado en torno a mantener a las personas dentro del proceso, como si la mente humana poseyera cualidades sobrenaturales que ningún ordenador pudiera emular.

Empecemos por aclarar la afirmación las personas saben cosas desde la distinción entre información y conocimiento. Aunque los empleados sin duda conocen los procesos que intervienen en el flujo de bienes, no necesariamente están muy informados, especialmente acerca de los pormenores del estado siempre cambiante de ese flujo. La mente humana no puede recordar con fiabilidad miles de posiciones de inventario diarias, miles de pedidos de clientes y cientos de entregas pendientes de proveedores. Incluso los ordenadores rudimentarios superan ampliamente la capacidad de la mente humana —tanto en fiabilidad como en velocidad— para almacenar y recuperar información.

Hoy, casi todas las decisiones manuales que quedan en las supply chains implican a un planificador que se basa exclusivamente en la información que muestran los sistemas de la empresa. Cuando los sistemas de registro se quedan cortos, los empleados recurren a hojas de cálculo —su red de seguridad de TI en la sombra— para reunir la información que falta. Esta práctica generalizada ilustra que las supply chains dependen de facto de la información digital. Tanto si esa información está cuidadosamente integrada en sistemas de registro bien diseñados como si se encuentra dispersa de forma desordenada en un conjunto informal de hojas de cálculo, el hecho sigue siendo el mismo: a todos los efectos, la información solo existe en formato digital.

Recordemos la distinción establecida antes, en la sección Conocimiento, entre conocimiento especializado y cotidiano. El conocimiento especializado —fórmulas, código fuente, reglas contractuales— ya habita el ámbito escrito y, por tanto, constituye una materia prima natural para la mecanización. El conocimiento cotidiano, en cambio, persiste en prácticas tácitas: saber que el transportista X nunca aparece después de las 4 de la tarde, que hay que tratar con tacto al camión «Bessie» para que entre la primera marcha o que cierto proveedor olvida los trámites aduaneros un martes sí y otro no. Lo que realmente temen los escépticos de la automatización completa es que ese remanente difuso desaparezca cuando las personas queden «fuera del proceso».

La solución no es renunciar a la automatización, sino practicar la codificación progresiva. Cada vez que un operador se apoye en una regla no escrita que altere una decisión de importancia, esa regla debe hacerse explícita, ponerse por escrito y someterse a control de versiones exactamente igual que cualquier otro fragmento de código en producción. Con el tiempo, la organización reúne un corpus vivo y revisado por pares —un manual operativo de supply chain— del que los ingenieros pueden extraer reglas deterministas, distribuciones estadísticas a priori o etiquetas de entrenamiento para el futuro sistema de inteligencia.

Cultivar ese manual exige una cultura escrita en toda la empresa. Las actas de reuniones, los análisis posteriores a incidentes, los cuadernos de simulación y los fragmentos correctivos de SQL deben tratarse como artefactos de primer orden, almacenados en un repositorio compartido que permita buscarlos, revisarlos y refactorizarlos. Las palabras escritas se deterioran despacio; las tradiciones orales se evaporan de la noche a la mañana. Cuanto antes adopte una empresa esta disciplina, más deprisa convergerá hacia decisiones plenamente informadas y ejecutadas por máquinas.

Por tanto, la objeción a la automatización basada en la información no se sostiene. Sin embargo, esto no aborda el conocimiento en sí ni la inteligencia necesaria para utilizarlo. La objeción puede reformularse: aun disponiendo de toda la información necesaria, seguimos sin saber cómo formalizar la transformación de información en decisiones. Los empleados pueden hacerlo, pero no pueden explicar cómo, al menos no con la precisión suficiente para que un ordenador lo replique de forma fiable. Esta objeción tiene fundamento y se retomará más adelante, en el capítulo Inteligencia.

5.6 Datos deficientes

Durante las últimas cuatro décadas, las iniciativas de planificación de supply chain han sido una sucesión casi ininterrumpida de fracasos, como demuestra la ausencia de procesos de toma de decisiones sin intervención humana aptos para producción en la mayoría de las empresas. Aunque volveremos sobre esta afirmación con más detalle más adelante, señalemos de inmediato que los datos deficientes se han convertido en la excusa favorita. Proveedores de software, integradores de software y científicos de datos atribuyen invariablemente su falta de resultados a unos datos inadecuados. Sin embargo, esta explicación no resiste un examen más detenido.

Desde finales de la década de 1990, todas las supply chains de cierto tamaño están digitalizadas: cada compra, cada envío, cada venta y cada tirada de producción se registra en algún sistema de registro. Esto no implica que esos sistemas capturen todos los aspectos pertinentes del flujo físico ni que estén libres de limitaciones y otros problemas. Sin embargo, desde hace más de dos décadas, el historial transaccional esencial de las grandes empresas es digital.

Empíricamente, los datos transaccionales que conservan los sistemas de registro presentan casi invariablemente tasas de error tan bajas como una entrada defectuosa por cada mil. Esta exactitud no resulta sorprendente. Mantener un registro preciso es una cuestión de supervivencia para las empresas: hay que recuperar las deudas impagadas de los clientes y no pagar dos veces las facturas de los proveedores. Fallar habitualmente en esos fundamentos garantiza la quiebra o, en el mejor de los casos, la adquisición por un competidor mejor gestionado, pues esos problemas son en gran medida solucionables. Pese a las salvaguardas, todavía se cuelan errores administrativos ocasionales, pero son demasiado infrecuentes para afectar de forma significativa a la optimización de la supply chain.

Los datos no transaccionales que conservan los sistemas de registro suelen ser de menor calidad que los transaccionales, precisamente porque las entradas erróneas no desencadenan sistemáticamente una sanción económica. Sin embargo, en el ámbito de la supply chain, estos datos rara vez son pura basura. En efecto, la mayoría de las grandes empresas tiene suficiente disciplina para que sus registros reflejen las operaciones cotidianas. El principal problema de calidad de los datos no transaccionales es que pueden faltar entradas si los empleados pueden eludir el proceso de introducción de datos. Cuando la experiencia del usuario es mala, omitir esa introducción puede ser la única forma práctica de mantener la productividad. Sin embargo, esos campos quedan sin rellenar precisamente porque no son esenciales para mantener el flujo en marcha.

En cierto sentido, el propio hecho de que la empresa siga funcionando demuestra que los datos son «suficientemente buenos». Hace décadas, algunas divisiones conservaban copias de seguridad en papel, pero esas prácticas han desaparecido de las grandes supply chains. Si los datos no están en los sistemas de la empresa, no existen. En consecuencia, la ausencia de datos no transaccionales no impide la optimización de la supply chain; solo limita su eficacia. Además, esas mismas limitaciones de los datos restringen a los empleados que realizan la tarea manualmente. Son pocas las situaciones en las que la información que las personas tienen en la cabeza basta para optimizar. En su lugar, se apoyan en políticas independientes del contexto que mantienen el flujo en marcha —posiblemente de forma ineficiente— con pocos datos. Sin embargo, esas políticas no son exclusivas de la mente humana; el software puede reproducirlas.

Consideremos, por ejemplo, una red minorista con un almacén que abastece a unas pocas decenas de tiendas franquiciadas. Cada día, las tiendas, gestionadas de forma independiente, envían pedidos al almacén y esperan que se atiendan al día siguiente. Sin embargo, la cantidad total pedida por las tiendas un día determinado puede superar las existencias físicamente presentes en el almacén. En esta situación, la política por defecto es simplemente «por orden de llegada». Esta regla ingenua invita a manipular el sistema: las tiendas piden de más cuando perciben una posible escasez, lo que solo agrava el problema. Una política mejor distribuiría las existencias restantes por toda la red en lugar de concederlas íntegramente a quienes las solicitan primero. Sin embargo, ese refinamiento requiere más datos, es decir, más contexto.

Estas observaciones ponen en duda la afirmación popular de que los «datos deficientes» hunden la mayoría de los proyectos de supply chain. Al fin y al cabo, la mayoría de las iniciativas se reduce a una planificación de flujos que solo necesita datos transaccionales, datos que están disponibles y son fiables. Una explicación alternativa y más convincente es que la mayoría de los tecnólogos —proveedores de software, integradores de software y científicos de datos internos— no consigue explotar los datos que ya residen en los sistemas de registro de la empresa. De hecho, tanto los libros como el software de supply chain tienden a desestimar el problema: la preparación de datos se ignora por completo y se trata implícitamente como una tarea tan sencilla que no merece metodologías ni tecnologías específicas.

Sin embargo, como se ha detallado en la sección anterior, los sistemas de registro nunca se diseñaron para la ciencia de datos y es improbable que lleguen a diseñarse para ella. Las grandes empresas suelen operar muchos sistemas de registro con solapamientos funcionales, a veces decenas. Este caótico panorama de aplicaciones surge de fusiones y adquisiciones, de implantaciones sucesivas que nunca retiran los sistemas antiguos y de demandas funcionales siempre nuevas. Por ello, la preparación de datos —especialmente precisar la semántica de los campos— constituye invariablemente un enorme desafío para cualquier empresa de cierto tamaño. Ese desafío solo pueden abordarlo los especialistas en supply chain.

En suma, los «datos deficientes» suelen servir como cómodo chivo expiatorio de la simple incompetencia. Aunque las fuentes externas sufren a menudo problemas de calidad abrumadores, no es el caso de los sistemas de registro que opera la propia empresa.

6 Inteligencia

La inteligencia es la facultad esquiva que permite a las personas expresar sus deseos y planificar las acciones necesarias para alcanzarlos. Es evidente que la supply chain, entendida como dominio de la opcionalidad, exige una inteligencia considerable para ejecutarse de forma rentable. Sin embargo, una supply chain gestionada de forma rudimentaria carga a la empresa con sobrecostes constantes y evitables, costes que una asignación de recursos más afinada ahorraría.

En un mercado sin trabas, las empresas gestionadas inteligentemente reciben su recompensa, mientras que las que no lo están quedan eliminadas. El mercado destaca por proporcionar capacidades que sus participantes no comprenden explícitamente. Antes vimos que el mercado proporciona precios; ahora vemos que también proporciona gestión inteligente. Esas capacidades solo se obtienen de forma indirecta, como propiedad agregada del mercado en su conjunto. Un directivo sigue teniendo que apoyarse en su propia inteligencia para mejorar su empresa y, en concreto, su supply chain.

Comprender la inteligencia es crucial para la supply chain porque hoy gran parte de ella puede desarrollarse mediante ingeniería y delegarse en hardware informático. En la práctica, desde hace bastante más de una década está al alcance la automatización a gran escala, sin intervención humana, de las decisiones operativas cotidianas que mantienen los bienes en movimiento. Esto no equivale a afirmar que la inteligencia general esté «resuelta»; es, más bien, la constatación de que la inteligencia especializada, desarrollada mediante ingeniería, ya ofrece una consistencia sobrehumana en tareas acotadas y grandes mejoras de productividad. Las ubicuas aplicaciones actuales de planificación de rutas aportan una prueba discreta, pero contundente.

La forma arquitectónica de esta capacidad desarrollada mediante ingeniería es el sistema de inteligencia. Antes de contrastar la inteligencia general con la especializada, examinemos estos sistemas por sí mismos: cómo surgen en una supply chain moderna, cómo transforman registros en bruto en decisiones rentables sin intervención humana y por qué sus principios de diseño divergen tanto de los de las aplicaciones CRUD que dominan el software empresarial.

6.1 Sistemas de inteligencia

La toma de decisiones se mecaniza mediante sistemas de inteligencia. A diferencia de los sistemas de registro o de informes, los sistemas de inteligencia se diseñan para sustituir a los operadores humanos, no para la interacción entre personas y máquinas. La finalidad de un sistema de inteligencia es generar las decisiones más rentables y hacer que se tomen sin intervención humana alguna.⁵⁶ Para la mayoría de las empresas, la automatización incesante ha sido la piedra angular de la rentabilidad. Los sistemas de inteligencia extienden este principio a tareas tradicionalmente delegadas en el personal de oficina. Nuestra capacidad para desarrollar un sistema de inteligencia depende directamente de nuestra capacidad para mecanizar la inteligencia, ya sea general o especializada.

Aunque todas las funciones empresariales —marketing, finanzas, recursos humanos, etc.— acabarán teniendo sus propios sistemas de inteligencia, la supply chain es uno de los ámbitos más prometedores. Cualquier supply chain de cierto tamaño exige decenas de miles de decisiones cada día, a veces millones. Sin sistemas de inteligencia, hacen falta decenas o incluso cientos de administrativos solo para mantener los bienes en movimiento. A principios de la década de 2020, muchos minoristas y fabricantes empleaban a más personal de oficina actualizando hojas de cálculo que a operarios manipulando los propios bienes. Los trabajos manuales llevan dos siglos mecanizándose intensamente, un proceso que sigue en marcha. En cambio, casi todas las mejoras de productividad del software empresarial durante las últimas cinco décadas han procedido exclusivamente de los sistemas de registro. Las plantillas de oficina apenas se han reducido; la creciente complejidad de la supply chain ha absorbido las mejoras.

Sin embargo, se esperaba que los primeros sistemas de control de inventario, implantados en la década de 1970, proporcionaran una amplia automatización de la toma de decisiones⁵⁷. Esos sistemas se apoyaban casi invariablemente en el paradigma de las existencias de seguridad o en pequeñas variantes: para cada SKU, el colchón de existencias se dimensiona a partir de una previsión de demanda, un valor de plazo operativo y un nivel de servicio objetivo. El método supone que la incertidumbre de la demanda sigue una distribución normal. La expectativa original era que un sistema así pudiera generar automáticamente decisiones de inventario, con una supervisión modesta de los empleados para actualizar los parámetros de vez en cuando. La expectativa resultó errónea; los sistemas siguieron requiriendo muchísimo trabajo humano.

Sin embargo, en el siglo XXI, tras unas décadas de estancamiento, la automatización práctica de las decisiones cotidianas de supply chain se hizo posible mediante sistemas expresamente diseñados como sistemas de inteligencia. Para los profesionales de supply chain, no puede exagerarse la importancia de estos sistemas: la práctica moderna de la supply chain es, en su mayor parte, una actividad de software especializado. Consiste en desarrollar sistemas de inteligencia dedicados a la supply chain. Tanto autores como consultores y académicos de supply chain pasan habitualmente por alto esta idea fundamental. Como resultado, el paradigma tradicional no consigue convertir la práctica de la supply chain en un activo productivo.

6.1.1 Un activo productivo

¿Y si formamos a los empleados y se marchan? Cierto, pero ¿y si no los formamos y se quedan? (viejo dicho empresarial)

Antes del software, las empresas tenían que contratar y conservar administrativos para cada decisión rutinaria, por pequeña, cotidiana o repetitiva que fuera. A medida que se multiplicaban las decisiones, también lo hacían los administrativos y sus responsables. Una empresa podía reducir su ámbito de actividad para recortar esa plantilla, pero solo a costa de reducir su oferta. Desde esta perspectiva, el personal es un puro gasto operativo (OPEX): sus jornadas de trabajo se consumen y no dejan ningún activo duradero una vez tomada una decisión.

Incluso con formación y una organización refinada, las grandes plantillas alcanzaron hace mucho su techo de competencia. Por ejemplo, APICS⁵⁸ (American Production and Inventory Control Society) se fundó en 1957; sus enseñanzas llevan décadas estables. Pese a lo que todavía defienden muchos autores del mundo de la consultoría, hoy no es razonable esperar que renovar los procesos o la organización de la supply chain, manteniéndose anclados en el paradigma anterior al software, produzca algo más que rendimientos exiguos.

La propuesta fundamental de un sistema de inteligencia es convertir esos gastos operativos en inversiones de capital. Incluso las jornadas de trabajo invertidas en construir el sistema mejoran el propio sistema. Operarlo y mantenerlo sigue costando dinero, pero, al tratarse de software, esos desembolsos suelen ser una pequeña fracción de la masa salarial necesaria para lograr manualmente los mismos resultados. Así, a través del propio sistema de inteligencia, la práctica de la supply chain se materializa en un activo productivo. Este activo es productivo porque genera rendimientos continuos para la empresa, mediante las decisiones que automatiza, muy superiores a sus costes operativos.

A diferencia de una plantilla administrativa, cuya formación solo puede llegar hasta cierto punto, no existe un límite superior a priori al rendimiento de supply chain que cabe esperar de un sistema de inteligencia. En primer lugar, se hace posible ofrecer lo que equivale a soluciones definitivas para determinadas ineficiencias o errores. En efecto, por bien formados y diligentes que sean los responsables, cualquier proceso manual sufrirá inevitablemente errores administrativos ocasionales. Además, introducir más redundancias en los procesos manuales —como validaciones adicionales por parte de compañeros o superiores— suele ser contraproducente, pues ralentiza el flujo y añade obstáculos y costes. En segundo lugar, cada decisión puede seguir afinándose con más datos, predictores más precisos, optimizadores más eficaces… sin un techo intrínseco a su sofisticación. El software ya puede incorporar lo que, de otro modo, exigiría vidas enteras de conocimientos y habilidades acumulados, y así ha sido durante décadas⁵⁹.

Como mantener un sistema de inteligencia es un problema de inteligencia general, ningún sistema es todavía plenamente autónomo. Sin embargo, desde principios de la década de 2010, un número creciente de empresas utiliza sistemas de inteligencia que mantienen la ejecución cotidiana de sus supply chains en gran medida sin intervención humana⁶⁰. Las recetas numéricas permanecen sin cambios durante semanas, si no meses.

6.1.2 Una aparición confusa

Desde la década de 1970, los proveedores de software de supply chain han afirmado repetidamente que sus productos automatizarían la planificación; en la práctica, estas promesas no se materializaron: los sistemas entregados no tomaban decisiones sin intervención humana y, para la mayoría de los proveedores, esto sigue siendo cierto a mediados de la década de 2020.⁶¹ Los auténticos sistemas de inteligencia no aparecieron hasta finales del siglo XX, primero a gran escala en las finanzas cuantitativas como plataformas de negociación algorítmica, a menudo denominadas «algoritmos de negociación» o «sistemas de negociación automatizada». A partir de la década de 1980, las instituciones financieras emplearon algoritmos para automatizar decisiones de negociación, sustituyendo de hecho a los operadores humanos en diversas actividades del mercado. Estos sistemas se diseñaron para analizar enormes cantidades de datos de mercado, identificar oportunidades de negociación rentables y ejecutar transacciones a velocidades inalcanzables para las personas. Su éxito puso de relieve el potencial transformador de mecanizar la inteligencia y sentó un precedente para otros sectores.

Sin embargo, en otros sectores —sobre todo en supply chain—, la confusión entre sistemas de registro y sistemas de inteligencia ha persistido desde el auge del software empresarial en la década de 1970, y los proveedores de software, ayudados por analistas de mercado, han desempeñado un papel decisivo en perpetuarla. En pocas palabras, los sistemas de registro son fáciles de diseñar, pero ofrecen rendimientos limitados; los sistemas de inteligencia son difíciles de diseñar, pero tienen un potencial enorme. En consecuencia, la mayoría de los proveedores presenta sus sistemas de registro como sistemas de inteligencia para inflar la disposición a pagar de sus posibles clientes. Por rudimentaria que sea, esta técnica de marketing sigue siendo eficaz: en la década de 2020, las empresas siguen pagando tarifas elevadas por tecnologías (aplicaciones CRUD) convertidas en productos indiferenciados hace más de una década. Muchos directivos siguen convencidos de que los sistemas de registro contribuyen a la calidad de sus decisiones empresariales, pese a varias décadas de evidencia empírica en sentido contrario.

El valor que puede aportar un sistema de registro está estrictamente acotado, sea cual sea la calidad de la solución. En efecto, una vez que el sistema alcanza una fiabilidad casi perfecta y una cobertura funcional completa, no quedan más mejoras por hacer. En muchos procesos —facturación, inventariado, registro del tiempo…— se llegó a ese punto final hace más de una década. Del mismo modo que tener al mejor contable del mundo no marca ninguna diferencia frente a tener a un gran contable, el mejor sistema de registro no marca ninguna diferencia frente a uno excelente.

Los proveedores de software empresarial siempre han sido dolorosamente conscientes de las limitaciones inherentes a los sistemas de registro. Desde el principio, han centrado su discurso en las «mejores decisiones» que las empresas tomarían gracias a sus productos. Por ejemplo, en el ámbito de la supply chain, los proveedores afirman invariablemente que sus soluciones reducen los niveles de existencias y los faltantes de stock, incluso cuando el software delega de hecho todas las decisiones de inventario en el personal de la empresa cliente, como ocurre invariablemente con los ERP. Los proveedores de sistemas de informes adoptarían después un enfoque similar, pregonando decisiones que, en el mejor de los casos, solo se derivaban indirectamente de sus informes.

El meollo del desafío tecnológico es que ni un sistema de registro ni uno de informes pueden ampliarse en la práctica hasta convertirse en un sistema de inteligencia. En defensa de los primeros proveedores de software de la década de 1970, los motivos no eran evidentes entonces, por lo que muy probablemente los propios proveedores creían que sus primeros sistemas de registro acabarían abarcando procesos de toma de decisiones. Sin embargo, a finales de la década de 1990, decenas de intentos fallidos destacados habían demostrado que esa transición no se produciría.

6.1.3 Cultura e incentivos

La automatización de la toma de decisiones de supply chain no surgió de los pioneros del software empresarial que se convirtieron en gigantes en la década de 1990. Esto es doblemente sorprendente: esos proveedores no solo observaban extensamente las supply chains a través de sus sistemas de registro, sino que también promocionaban sin descanso su capacidad para mejorar esos mismos procesos. Comprender por qué no consiguieron ofrecer sistemas de inteligencia para supply chain importa, porque las empresas que modernicen sus supply chains se enfrentarán a los mismos problemas.

Podría argumentarse que el software de finales del siglo XX era insuficiente y que los proveedores pecaban de optimismo; esa proposición es discutible. En efecto, esos mismos proveedores —principalmente de ERP y CRM— todavía no habían cambiado de rumbo una década después de que resultara evidente que algunas empresas habían mecanizado la toma de decisiones de supply chain; carecían de diseños que hicieran posible esa automatización. Así pues, aunque existían barreras tecnológicas, no eran el principal obstáculo.

El primer problema son los incentivos. Los proveedores que venden sistemas de registro suelen vincular sus tarifas al número de usuarios; incluso las tarifas no ligadas a la plantilla, como las de soporte, siguen esa cifra en la práctica. En consecuencia, los proveedores tienen incentivos para añadir características que aumenten las plantillas y desincentivos para orientar sus productos hacia su reducción. Los sistemas de inteligencia, cuyo objetivo explícito es automatizar la toma de decisiones, van directamente en contra de ese propósito.

Por tanto, no sorprende que los proveedores de sistemas de registro, a menudo muy rentables, tengan pocos motivos para financiar tecnologías que puedan erosionar sus actuales gallinas de los huevos de oro. Si la economía enseña una lección, es que los incentivos importan. Si la rentabilidad de la organización depende de que no se produzca un avance, los visionarios que haya dentro de ella son irrelevantes⁶².

El segundo problema es la cultura de ingeniería. Como se ha señalado, los sistemas de registro se desarrollan casi exclusivamente según el paradigma CRUD. En comparación con las alternativas, CRUD exige mucha menos habilidad de ingeniería para mantener y ampliar una aplicación. Esto se ha convertido en una piedra angular de la gestión de plantillas de los proveedores de sistemas de registro. Como resultado, pueden dirigir equipos más grandes y reducir al mismo tiempo su dependencia del talento de ingeniería. En cambio, los sistemas de inteligencia implican invariablemente desafíos de ingeniería difíciles, apenas comparables con las trivialidades de CRUD. No sorprende que una plantilla que se ha ocupado casi exclusivamente de problemas «fáciles» —a menudo durante una década o más— sea reacia a abordar otros verdaderamente difíciles. Como evidencia anecdótica, la práctica totalidad de los avances decisivos de la informática en las últimas dos décadas procedió de empresas de software de consumo⁶³, mientras que cuesta nombrar aportaciones notables de proveedores empresariales de sistemas de registro.

Por tanto, al implantar un sistema de inteligencia, una empresa debería evitar a los proveedores especializados en sistemas de registro. Como estos se implantan primero, los responsables se sienten invariablemente tentados de recurrir al proveedor existente, que ya ha demostrado ser digno de confianza. Por desgracia, esa confianza está mal depositada: los rasgos que hacen triunfar a un proveedor en los sistemas de registro son totalmente contraproducentes para los sistemas de inteligencia.

6.1.4 Requisitos de diseño contrapuestos

Más allá de los incentivos y la cultura, los intentos de ampliar los sistemas de registro para abarcar la toma de decisiones están en gran medida condenados por unos requisitos de diseño contrapuestos. El rendimiento, la fiabilidad y la mantenibilidad importan en ambos campos, pero lo que implican esas nociones varía drásticamente.

Cuando más adelante exploremos las tecnologías de los sistemas de inteligencia para supply chain, quedará claro que un sistema así no puede surgir de forma razonable de una aplicación CRUD y que conviene desarrollarlo por separado. Incluso consideraciones básicas revelan la enorme distancia que separa los sistemas de registro de los sistemas de inteligencia.

6.1.4.1 Rendimiento

Un sistema de registro debe responder con baja latencia: sea cual sea la entrada o la pantalla, las acciones deben terminar en milisegundos —idealmente en menos de 100 ms— para que la espera resulte imperceptible; a partir de ahí, la productividad se degrada en las operaciones cotidianas. Aunque 100 ms parezcan rápidos, las colas hacen que un sistema con ese promedio siga imponiendo retrasos de varios segundos, latencias que los usuarios perciben y que les molestan.

Por tanto, en un sistema de registro, toda operación debe terminar en un tiempo constante (a efectos prácticos), dentro de un presupuesto fijo de recursos. Como todas las operaciones compiten por el mismo núcleo transaccional, cualquier operación «pesada» acabará privando de recursos al sistema y degradando las latencias de muchas operaciones. Con miles de funciones, incluso una sola excepción es arriesgada. Hoy, la mayoría de las empresas con sistemas empresariales «lentos» sufre las consecuencias previsibles de operaciones pesadas que nunca deberían haberse implementado en el sistema de registro.

Es fácil introducir inadvertidamente una operación tan costosa. Por ejemplo, sumar un número no acotado de líneas —como calcular la media móvil anual de los ingresos de una categoría de productos— ya resulta problemático. Sin embargo, es un elemento básico de estadística descriptiva. Los lectores versados en algoritmos pueden objetar que la mayoría de las estadísticas descriptivas puede mantenerse y recuperarse con una dotación constante de recursos. Aunque sea cierto, tal sofisticación no es práctica⁶⁴. En primer lugar, la virtud de CRUD es que evita exigir conocimientos expertos de algoritmos. En segundo lugar, al extenderlo a miles de funciones, se cuelan problemas de rendimiento. Evitar por completo estas operaciones es la única salvaguarda que puede escalar.

Un sistema de inteligencia se enfrenta a un panorama de rendimiento muy distinto. Consideremos la decisión de cuándo y cuánto pedir a un proveedor de ultramar. Aunque el momento de la decisión importa, resulta sensato dedicar minutos —o incluso horas— a una optimización que produzca un pedido mejor. Imponer un límite de 100 ms a una decisión cuyos efectos tardarán semanas en desplegarse no tiene sentido. La finalidad de los sistemas de inteligencia es generar las mejores decisiones cuyo desarrollo pueda permitirse la empresa. Mientras el gasto computacional sea muy inferior a las ganancias marginales, es razonable gastar más.

6.1.4.2 Fiabilidad

La fiabilidad significa algo muy distinto para los sistemas de registro que para los sistemas de inteligencia. Si un sistema de registro deja de funcionar, cualquier proceso que dependa de él se detiene de inmediato. Por ejemplo, quizá no pueda continuar la recogida de artículos si el sistema de inventario está caído. Por tanto, al desarrollar un sistema de registro, es esencial mantenerlo operativo en todo momento. Como las aplicaciones CRUD aíslan las responsabilidades, la mayoría de los errores son locales: solo afectan a una pantalla o a un proceso. Mantener el sistema de registro en funcionamiento pese a un problema identificado suele ser preferible a apagarlo hasta corregir el error. De hecho, debería ser posible aplicar un parche mientras las operaciones continúan, pues resolver un problema local no debería perjudicar al resto de la empresa. Esta capacidad —aplicar parches en caliente— suele considerarse técnicamente difícil. Sin embargo, el paradigma CRUD, a través del motor de la base de datos relacional, la proporciona en gran medida. Así, en la práctica, los ingenieros que desarrollan un sistema de registro rara vez necesitan conocimientos expertos de computación distribuida para alcanzar una disponibilidad casi perfecta.

En cambio, cuando se sospecha que un sistema de inteligencia es defectuoso, la prudencia dicta detenerlo y diagnosticarlo antes de reanudar su funcionamiento. Las decisiones corrompidas pueden resultar enormemente costosas. Por ejemplo, un pedido desmesuradamente grande a un proveedor de ultramar casi garantiza una depreciación de las existencias, cuando no su baja total.

En consecuencia, en un sistema de inteligencia, la calidad económica de las decisiones importa más que la disponibilidad. Cuando disminuye la confianza, el motor debe detenerse deliberada y rápidamente, basándose en heurísticas explícitas; esto evita errores costosos y suele ser la opción más rentable. Estas heurísticas de parada no son las «alertas» y «excepciones» que emite un sistema de registro cuando se lo fuerza a funcionar como herramienta de decisión. Los diseños CRUD no pueden codificar los pormenores de decisiones no triviales, de modo que proliferan los casos excepcionales: la lógica básica de reposición falla ante lanzamientos, canibalización, promociones de competidores y otras perturbaciones rutinarias. Sin embargo, apagar la aplicación es inaceptable: los casos excepcionales son lo bastante frecuentes como para que la herramienta estuviera caída la mayor parte del tiempo y, al ser también el sistema de registro, detenerla paralizaría las operaciones. Por eso la herramienta registra una excepción y traslada el caso a una persona. Un auténtico sistema de inteligencia hace lo contrario: el motor de decisiones se detiene y solo reanuda su funcionamiento después de que se haya desplegado una corrección programática, un cambio en la lógica; resolver los casos a mano no es una opción.

6.1.4.3 Mantenibilidad

Las dos variantes también difieren mucho en su enfoque de la mantenibilidad. En un sistema de registro, una vez añadidas nuevas entidades, los clientes dependen de ellas: se han almacenado datos y los procesos se apoyan ahora en ellos. Los problemas empiezan cuando las entidades se solapan y dejan de ser mantenibles. Los solapamientos generan una confusión sin solución: las entidades no pueden eliminarse ni siquiera recortarse. También generan conflictos al seguir desarrollando el software. Se producen situaciones similares cuando las entidades están mal definidas, son ambiguas o comprometen de otro modo la integridad semántica del conjunto de entidades. Por tanto, en un sistema de registro, la mantenibilidad consiste principalmente en examinar cuidadosamente las entidades y los comportamientos que se superponen a ellas.

Además, en un sistema de registro, el mero tamaño de la base de código no constituye por sí solo un problema de mantenibilidad. Muchos de estos sistemas contienen miles de entidades repartidas entre decenas de miles de tablas. Las bases de código mayores imponen más sobrecostes al ampliar el producto, pero no ponen en peligro su continuidad. Además, una hipotética reescritura completa que durase años sería aceptable. Aunque no sea deseable, no es una preocupación prioritaria: ninguna situación exige una reescritura completa inmediata. Si el negocio se expande en una dirección no prevista por los sistemas de registro existentes, es aceptable establecer un sistema nuevo que los complemente. La integración puede resultar difícil, pero ni de lejos tanto como reescribir por completo los sistemas antiguos.

En cambio, un sistema de inteligencia es mantenible si, cuando se enfrenta a condiciones inéditas, puede rediseñarse rápidamente para reanudar las operaciones. Esas condiciones pueden surgir de un cambio estratégico drástico, de un cambio repentino del mercado o de cualquier factor que altere fundamentalmente el flujo. Un sistema de inteligencia debería manejar las variaciones cotidianas, pero no cabe esperar que una inteligencia especializada gestione perturbaciones radicales. Eso exige inteligencia general, que no está fácilmente disponible en forma informática.

Por ejemplo, durante el pánico mundial de 2020, ante la brusca caída del tráfico de pasajeros, algunos MRO de aviación dejaron de reparar ciertos rotables (componentes reparables) y almacenaron artículos no aptos para el servicio para preservar la caja. Las reparaciones pueden costar un tercio del precio del artículo; con un exceso de existencias aptas para el servicio debido a la reducción del tráfico, tiene sentido aplazar esos gastos. Antes de 2020, no se consideraba viable almacenar artículos no aptos para el servicio y, por lo general, no existía ningún proceso que permitiera optar por no repararlos. Todos los rotables reparables se reparaban por defecto. Unas condiciones de mercado inéditas invalidaron esta política. Habría sido irrazonable esperar que un sistema de inteligencia desarrollado antes de 2020 respondiera adecuadamente a los confinamientos de aquel año. Los sistemas en producción tuvieron que modificarse ampliamente para adaptarse a la nueva realidad.

Como las nuevas condiciones pueden exigir reescribir por completo la lógica de decisión, esa reescritura debe seguir siendo viable. En la práctica, el equipo debería elaborar una primera reescritura aproximada en horas y una versión pulida en días. Entre esos extremos, cuando se active una heurística de parada, debería ser posible investigar y resolver el caso en horas, posiblemente en menos de una hora. Esto implica que un ingeniero siempre debe poder sumergirse en la lógica central para evaluar los problemas y, si es necesario, corregirlos sobre la marcha.

Por tanto, la base de código de un sistema de inteligencia debe mantenerse pequeña y clara, idealmente manejable por un solo ingeniero. Hay que suponer que la lógica existente acabará encontrando condiciones que excedan su capacidad para producir decisiones con sentido. Cuando esto ocurra, no habrá alternativa a recurrir a la inteligencia general de un empleado competente para rediseñar la lógica de acuerdo con la nueva realidad. En esencia, para un sistema de inteligencia, la mantenibilidad es la capacidad de reescribir el sistema, de forma más o menos completa, cuando se produce una perturbación.

6.1.5 No hay problema sin solución

Los sistemas de inteligencia viven o mueren según cómo formulen el juego empresarial al que se les pide jugar. Incluso un optimizador impecable que persiga el objetivo equivocado destruye valor. Por ello, antes de dejar que el software razone por nosotros, debemos aclarar exactamente sobre qué se supone que debe razonar. Esta tarea resulta sorprendentemente difícil.

Desde la escuela primaria hasta la universidad, se presentan a los estudiantes «problemas» que deben resolver. Muchas notas —si no la mayoría— dependen de forma decisiva de su capacidad para encontrar soluciones a esos problemas. El enfoque persiste menos por su mérito pedagógico que porque ofrece a las instituciones una forma fácil y aparentemente objetiva de evaluar a los estudiantes. Sin embargo, esta mentalidad de resolución de problemas está profundamente arraigada en nuestra cultura industrializada y tiene al menos dos consecuencias notables. Estas consecuencias importan mucho para la supply chain y, de forma más general, para los empeños verdaderamente difíciles.

En primer lugar, existe una reticencia casi instintiva a pensar en los «problemas». Las instituciones académicas enseñan y recompensan la búsqueda de soluciones, no la invención de problemas. Tras dos décadas dentro de esas instituciones, este patrón queda profundamente arraigado en la mayoría de nosotros. En consecuencia, a menudo nos cuesta formular un problema si no tenemos ya una solución a la vista. Pensar en soluciones resulta natural —hemos dedicado miles de horas a hacerlo—, mientras que la mayoría rara vez practica la reflexión sobre los propios problemas.

Por consiguiente, los profesionales y los autores suelen ignorar problemas importantes de supply chain simplemente porque no tienen a mano una solución lista para usar. Entre ellos figuran los descuentos por tramos de cantidad, la canibalización, el comportamiento adversarial, la incertidumbre del modelo y la optimización bajo incertidumbre: cuestiones de peso que el discurso actual de supply chain elude en gran medida. Las empresas abordan estos problemas indirectamente mediante políticas corporativas —recetas operativas que mantienen el negocio en marcha—, pero rara vez formulan de manera explícita el problema preciso que pretende resolver cada política. Para un sistema de inteligencia, esta omisión es fatal: el código optimizará fielmente la pregunta de ayer cuando el mercado ya haya cambiado de juego.

En segundo lugar, cuestionar el propio enunciado del problema se percibe instintivamente como un desafío a la autoridad. En efecto, tras dos décadas en instituciones académicas, todo estudiante sabe que responder eso no importa a una pregunta planteada garantiza una mala nota. Sin embargo, con demasiada frecuencia esa respuesta es la adecuada. Seleccionar cuidadosamente qué problemas abordar es fundamental. Los recursos —tiempo, capacidad de cálculo, personas— son siempre limitados, por lo que no podemos ocuparnos de todos los problemas concebibles. Una de las habilidades más cruciales del emprendedor es elegir con buen criterio qué problemas decide resolver. Esta perspectiva difiere radicalmente de la de los empleados, a quienes normalmente se encarga no solo resolver un problema dado, sino también seguir un método codificado e incorporado a las políticas corporativas.

Tanto el mundo académico como el empresarial mantienen incentivos que desalientan cuestionar el propio enunciado del problema. En las universidades, las publicaciones, los fondos de investigación y la captación de estudiantes dependen de permanecer dentro de campos de investigación oficialmente aprobados. Los académicos pueden abordar cualquier tema «pertinente», siempre que encaje en el canon de su disciplina. Max Planck plasmó esta dinámica en su Scientific Autobiography (1950): Una nueva verdad científica no triunfa convenciendo a sus adversarios y haciéndoles ver la luz, sino porque sus adversarios acaban muriendo y crece una nueva generación familiarizada con ella.

En las empresas, la solución de cada problema se encarna en un organigrama y una partida presupuestaria. Por tanto, cuestionar el problema amenaza el statu quo y crea ganadores y perdedores entre los responsables. La política es inevitable en las grandes empresas y constituye un obstáculo importante para reformular el problema. La historia empresarial muestra que las organizaciones, como las personas, mueren, y que negarse a afrontar problemas nuevos es una causa principal de declive.

Por eso, el primer entregable de un proyecto de sistema de inteligencia no es código, sino una formulación clara y verificable del problema económico. Solo después de que esa formulación resista un examen adversarial deberían comenzar la optimización, la elaboración de previsiones y la preparación de datos. Una vez establecidos los fundamentos de ingeniería y culturales, podemos ampliar la perspectiva y volver a la inteligencia en sí: primero en su forma universal y después en las variedades especializadas con las que trabaja a diario la supply chain.

6.2 Inteligencia general

Los sistemas de inteligencia contienen un razonamiento limitado y circunscrito al software, mientras que la inteligencia general no está ligada a un problema concreto ni tiene por qué destacar en ninguna tarea particular. Su rasgo distintivo es la capacidad de perfeccionar tanto el planteamiento como la resolución de los problemas. Las adivinanzas y los relatos —herramientas para desarrollar la inteligencia tanto de niños como de adultos— han acompañado a la humanidad desde sus orígenes. Una adivinanza es un ejercicio destinado a aguzar la mente como fin en sí mismo. Los relatos desempeñan un papel similar, pero aprovechan nuestra respuesta emocional para facilitar la memorización.

La escritura, inventada hace más de 5.000 años, se entiende mejor como un amplificador de la inteligencia general humana que como su causa. Externaliza la memoria: las perspectivas, las ideas y los hechos pueden registrarse, someterse a crítica y recombinarse mucho después de la muerte de sus autores. La imprenta —y, mucho más tarde, la web— redujo los costes de copia y amplió la coordinación, acelerando este ciclo de retroalimentación. Sin embargo, disponer de más almacenamiento no produce por sí solo comprensión ni buen juicio. Un dispositivo de apenas un gramo puede contener más literatura de la que se podría leer en muchas vidas y seguir careciendo por completo de inteligencia; memorizar no es ser inteligente.

Animales inteligentes como las orcas y los chimpancés transmiten a sus crías conocimientos prácticos culturales: trucos para cazar o buscar alimento. Demuestran una inteligencia notable, pero la inteligencia general se les escapa. Contrariamente a teorías filosóficas del pasado, ningún rasgo parece exclusivamente humano. El lenguaje complejo, los individuos con nombre, el humor, las herramientas, la lógica formal y la teoría de la mente⁶⁵ existen, en formas más rudimentarias, en el reino animal. Por tanto, el paso de la inteligencia a la inteligencia general corresponde a un umbral difuso: muchas facultades mentales deben cruzar una frontera cuantitativa antes de que se produzca un salto cualitativo.

Hasta principios de la década de 2020, la mejora deliberada de la propia inteligencia general era estrictamente humana y decididamente artesanal. La mente se resiste a la «ingeniería» entendida como mejoras ilimitadas y reproducibles. Milenios de pedagogía han producido numerosas técnicas, pero nadie espera un avance decisivo en este ámbito, al menos en un futuro previsible⁶⁶. No se puede dominar de la noche a la mañana un nuevo idioma, el álgebra lineal o la termodinámica; el estudio disciplinado sigue siendo el único camino.

En la década de 2010, las inteligencias especializadas ya podían mejorarse a sí mismas en ámbitos limitados; el caso más conocido es el go⁶⁷. Los primeros años de la década de 2020 trajeron un punto de inflexión: grandes modelos de lenguaje cuyos ejemplares de mayor tamaño muestran una chispa perceptible de inteligencia artificial general⁶⁸. Como la imprenta o la web, estos modelos amplían la capacidad de la humanidad para perfeccionar su propia inteligencia.

Con estas bases, podemos precisar qué es la «inteligencia general». Las tres subsecciones siguientes abordan el tema desde ángulos distintos. Primero, nos preguntamos cuándo una cuestión se convierte en un problema de inteligencia general: uno cuyo espacio de opciones se resiste a los límites formales. Segundo, examinamos las funciones administrativas de los equipos de supply chain para mostrar por qué requieren inteligencia especializada, no general, y por qué están, por tanto, listas para automatizarse. Tercero, evaluamos los grandes modelos de lenguaje —la apuesta más sólida de hoy por una inteligencia general construida mediante ingeniería— y distinguimos las aportaciones reales de la exageración publicitaria. En conjunto, estas perspectivas convierten una idea filosófica en orientación operativa para las supply chains modernas.

6.2.1 Problemas de inteligencia general

Los problemas de inteligencia general son intrínsecamente abiertos. Cada solución no hace sino profundizar nuestra comprensión y obligarnos a formular de nuevo el problema, lo que exige a su vez una nueva solución. Romper este ciclo nunca es definitivo: los puntos de parada son en parte arbitrarios —una tregua pragmática determinada por la economía, las herramientas y la atención disponibles hoy— hasta que la realidad impone una nueva formulación. Estos problemas pueden parecer subjetivamente poco frecuentes porque, una vez identificados, la mayoría de los «problemas» se rodean enseguida de límites formales para hacerlos tratables. Sin embargo, casi todos los problemas empresariales, en su forma desnuda, son problemas de inteligencia general.

La búsqueda empresarial de beneficios es un ejemplo claro de problema de inteligencia general. El capital, el tiempo y la atención directiva de una empresa son finitos; las formas de emplearlos son, en la práctica, ilimitadas y cambian continuamente. En cada momento, el empresario debe decidir entre comprometerse con la mejor opción conocida o dedicar recursos a buscar otra mejor, sabiendo que la propia búsqueda consume esos mismos recursos escasos. Como el espacio de opciones cambia con las tecnologías, los competidores y la regulación, ninguna formalización fija cierra el problema. Por tanto, la actividad empresarial pertenece de lleno al ámbito de la inteligencia general. La historia muestra a empresarios que redefinen —o inventan— una y otra vez industrias que sus predecesores jamás imaginaron.

Por el contrario, el problema de rutas de vehículos —elegir rutas óptimas para una flota que debe atender a unos clientes determinados— es el arquetipo de un problema acotado. Resolverlo puede ser difícil⁶⁹, pero no exige inteligencia general. Toda solución debe respetar el enunciado formal de la tarea en términos de teoría de grafos. El conjunto de opciones es finito —aunque su tamaño sea astronómico— y todos los candidatos tienen la misma forma: una permutación de paradas y horarios, evaluada con un modelo de costes fijo; nunca aparece una maniobra verdaderamente sorprendente.

Todo problema comienza como una maraña que requiere inteligencia general; convertirlo en un problema «acotado» y tratable es, en sí mismo, un acto de inteligencia general⁷⁰. La cuestión esencial es si la formalización elegida resulta adecuada. El mundo académico puede catalogar acertijos indefinidamente, pero las empresas deben escoger un planteamiento, porque cada recurso solo puede asignarse una vez. Volveremos más adelante sobre este punto metodológico.

A la inversa, cualquier problema acotado puede volver a convertirse en un problema de inteligencia general si se cambia el marco que lo hacía «acotado»: una maniobra a veces descartada como «trampa» porque vulnera las reglas originales. En las rutas de vehículos, el problema de manual presupone un conjunto fijo de clientes, compromisos de servicio, vehículos y precios. En cuanto renegociamos cualquiera de estos elementos —suprimimos o aplazamos entregas lejanas, les aplicamos otros precios, añadimos taquillas de recogida o un transportista de paquetería, cambiamos los tipos de vehículos, ampliamos las franjas de entrega o incluso hacemos que entregar resulte completamente innecesario, como hizo el streaming con los casetes—, el problema original se evapora. No hemos encontrado una ruta más inteligente; hemos cambiado el juego. Ese replanteamiento —modificar restricciones, compromisos o recompensas— es precisamente el trabajo de la inteligencia general.

Los capítulos anteriores mostraron que varios retos de la supply chain son auténticos problemas de inteligencia general. Destacan tres. (1) Seleccionar el modelo económico, que define cómo se traducen las acciones en costes, ingresos, riesgos y restricciones: la puntuación que optimizamos. (2) Definir el espacio de opciones: el conjunto de acciones, momentos y cantidades admisibles que la empresa está dispuesta a considerar; una decisión es una elección dentro de ese conjunto, no el conjunto en sí. (3) Diseñar las recetas numéricas que, a partir de los datos, seleccionan decisiones dentro de ese espacio de opciones para maximizar los rendimientos ajustados al riesgo y respetar las restricciones. Como las conductas adversariales —de competidores, empleados, proveedores, clientes o vendedores de software— presionan constantemente contra los límites, solo la inteligencia general puede abordar estas cuestiones. La historia de los proveedores que aprovechaban un ERP deficiente para enviar existencias de más es un ejemplo de esa subversión.

Buena parte de los trabajos publicados sobre supply chain sigue aferrada rígidamente a formulaciones acotadas y deja implícitas las elecciones de diseño propias de la inteligencia general: objetivo, restricciones y espacio de opciones. Esto no hace que esos problemas sean intratables. En la práctica, hay que hacer explícitas esas elecciones ocultas —expresar el objetivo económico en términos monetarios, enumerar las opciones admisibles y definir condiciones de parada— y después descomponer el trabajo en subproblemas acotados que una máquina pueda resolver. Las siguientes secciones muestran tácticas concretas para hacerlo y para iterar cuando la realidad opone resistencia. El programa es necesariamente incompleto —los problemas de inteligencia general no pueden «cerrarse»—, pero basta para producir decisiones rentables sin intervención humana.

6.2.2 Puestos administrativos en supply chain

Los retos de la supply chain requieren una considerable inteligencia general. Un error persistente consiste en creer que las decisiones rutinarias deben cumplir esa misma exigencia. No es así: solo requieren inteligencia especializada, es decir, procesos estructurados que pueden diseñarse y confiarse al software.

El error procede de prácticas obsoletas. En muchas empresas, los administrativos siguen decidiendo, por ejemplo, si emitir un pedido de reposición. Aplican las políticas con inteligencia, pero la inteligencia general apenas interviene; si se examina de cerca, prácticamente nada.

Estas políticas suelen ser ligeras variantes de prácticas de la década de 1970⁷¹. Los administrativos rara vez mejoran sus fundamentos; se limitan a ejecutar y mantener las reglas. Incluso mantener los parámetros —ajustar los niveles de servicio, por ejemplo— es una tarea especializada y regida por reglas. Una vez más, la inteligencia general no interviene.

Aunque las mejores herramientas de informes aumentaron la productividad, no mejoraron las decisiones en sí. Ahorrar a los empleados la búsqueda de niveles de existencias e historiales de ventas es útil, pero mostrar números no revela, por sí solo, cómo convertirlos en beneficios.

Dicho sin rodeos, el administrativo de supply chain del siglo XXI⁷² es el equivalente de oficina del obrero industrial del siglo XX. Cada jornada comienza abriendo una aplicación —a menudo una hoja de cálculo— y recorriendo laboriosamente cientos de filas. El ciclo no tiene fin: los mejores se convierten en formadores o supervisores, perpetuándolo. Un escritorio no confiere «inteligencia» por sí solo. Con la tecnología actual, estos puestos administrativos pronto pertenecerán a los libros de historia: obsoletos, para alivio general.

Sin embargo, los conocimientos prácticos acumulados por esos mismos administrativos no son en absoluto prescindibles. Sus heurísticas cotidianas —afinadas durante años de lidiar con las peculiaridades de los proveedores de software, los casos excepcionales de los catálogos y las soluciones improvisadas— constituyen el conocimiento tácito del ámbito que los sistemas de inteligencia del mañana deben absorber, formalizar y superar. Por tanto, la automatización no repudia su experiencia; es el vehículo que la conservará, ampliará su alcance y, por fin, la liberará del trabajo tedioso que hoy impide aprovecharla plenamente.

Antes de examinar cómo desaparecen las tareas rutinarias, recordemos por qué el liderazgo basado en «habilidades interpersonales» ocupaba tanto espacio en los equipos de supply chain. Cuando la planificación era manual o semimanual, los responsables dedicaban la mayor parte de su energía a coordinar ejércitos de administrativos: arbitrar prioridades, limar fricciones entre silos y evitar que se atascara el flujo de trabajo. Esa necesidad desaparece en cuanto se automatizan las decisiones. Una vez que una inteligencia construida mediante ingeniería —y, con el tiempo, artificial— asume la carga de la planificación, el problema de coordinación se desmorona; un puñado de especialistas puede dirigir un flujo de trabajo enorme.

El cometido cambia. El trabajo del responsable pasa de pastorear personas a hacerse cargo de la máquina que toma las decisiones. Esa responsabilidad tiene cuatro partes: (1) expresar el objetivo económico en términos monetarios y definir el espacio de opciones admisibles; (2) proteger la calidad de las decisiones mediante auditorías, heurísticas de parada y ejecuciones en paralelo cuando sean necesarias; (3) velar por la semántica y la procedencia de los datos, para que las entradas sigan siendo fiables; (4) contratar y proteger a un equipo pequeño, con mentalidad de ingeniería, capaz de modificar la lógica con poco preaviso. El carisma y la empatía siguen siendo útiles, en particular para alinear las áreas financiera, comercial y operativa en torno al mismo objetivo, pero no sustituyen la responsabilidad técnica. Las empresas que se aferren a los flujos de trabajo administrativos seguirán premiando el teatro de las habilidades interpersonales, incluso mientras se erosionan sus márgenes; volveremos sobre este tema al hablar de la elaboración manual de previsiones.

6.2.3 Grandes modelos de lenguaje

Los grandes modelos de lenguaje (LLM) que surgieron a principios de la década de 2020 marcan un hito en siete décadas de rápidos avances del software. Cabe sostener que los LLM más capaces muestran la primera chispa de inteligencia general y, por tanto, merecen atención detenida. Son relevantes para el trabajo de supply chain, aunque muchos «casos de uso» promovidos por los proveedores sean meras tonterías que se suben al carro de las palabras de moda.

Conceptualmente, un LLM hace una sola cosa: lee una secuencia de símbolos y predice el siguiente, añadiéndolo a la entrada. La secuencia de entrada es el prompt; el acto de generar es la completación de secuencias. Los símbolos podrían ser caracteres individuales, pero el rendimiento mejora cuando el modelo opera sobre grupos de varios caracteres llamados tokens; los vocabularios suelen contar con \(\sim\)100.000. El texto se tokeniza antes de la inferencia y se destokeniza después, recuperando el lenguaje ordinario⁷³.

Internamente, un LLM asigna probabilidades a todos los posibles tokens siguientes. Se puede muestrear de esa distribución en lugar de escoger siempre la opción más probable, introduciendo aleatoriedad controlada por un parámetro de temperatura; una temperatura = 0 produce una salida determinista.

Los LLM tienen una ventana de contexto fija: el número máximo de tokens del prompt y la salida juntos. Cuando se supera ese límite, se truncan los tokens más antiguos y se pierde su información. Actualmente, los modelos suelen admitir más de 100.000 tokens, aproximadamente 100 páginas de texto. Técnicas como la generación aumentada por recuperación (RAG) amplían su alcance práctico, pero quedan fuera de esta discusión.

Ejecutar un modelo —la inferencia— es sencillo; crear uno —el entrenamiento— es mucho más difícil. Los LLM son redes de deep learning con miles de millones de parámetros organizados en tensores⁷⁴ y combinados principalmente mediante operaciones de álgebra lineal.

Estos corpus suelen contener un billón de tokens o más. El entrenamiento procesa el corpus token a token y, en cada paso, ajusta ligeramente los parámetros⁷⁵ hacia una predicción probabilística más precisa del siguiente token. Tras incorporar el corpus público, el entrenamiento se repite con otro mucho menor, destinado a moldear los patrones generativos del modelo para que se parezcan a los de un asistente útil. Este último proceso es el ajuste fino.

Este resumen también aclara por qué los modelos se llaman preentrenados: a diferencia de lo que sucede con la mayoría de los modelos de aprendizaje automático, los usuarios no tienen que aportar su propio conjunto de datos; lo proporciona quien los entrena.

Los LLM encarnan una clase de inteligencia extraña y no humana. Los proveedores de software exageran sus capacidades, mientras que muchos expertos en supply chain —y organizaciones enteras— les restan importancia, tratándolos como una curiosidad que no cambia ni la teoría ni la práctica. Ambas posturas son erróneas. Los LLM no son mágicos ni insignificantes. Requieren competencias básicas para formular prompts⁷⁶ y una instrumentación adecuada; sin ellas, cualquier modelo parece «tonto». Su rendimiento depende enormemente de la tarea: deficiente en aritmética y cálculo numérico estricto, pero sobrehumano al desminificar código, refactorizar código repetitivo o reformular reglas de negocio frágiles. Un profesional competente los aborda con ideas previas sobre dónde destacarán y dónde fallarán. En ese sentido, saber formular prompts se ha sumado a las hojas de cálculo y los procesadores de texto como requisito básico del trabajo de oficina.

Los modelos actuales también son multimodales. La mayoría de los LLM más avanzados procesan imágenes de forma nativa, y muchos también las generan ya; la misma integración se está extendiendo al audio, tanto al reconocimiento como a la síntesis del habla, encajando a la fuerza píxeles o formas de onda en pseudotokens. Sin embargo, fuera de estas modalidades nativas, las impresionantes capacidades «adicionales» que observa la gente —búsqueda web, ejecución de código, recuperación de información, optimizadores, simuladores— siguen procediendo de un orquestador situado por encima del modelo. El modelo emite una llamada estructurada a una herramienta; el orquestador invoca la herramienta externa; el resultado se incorpora de nuevo al contexto y se reanuda la completación⁷⁷. Un LLM sin instrumentación es un autocompletado perspicaz; los mismos pesos, con instrumentación, se comportan como un analista competente provisto de navegador, calculadora y terminal. La inteligencia de los pesos no cambia; las capacidades —y, por tanto, la utilidad— sí.

Los modelos de lenguaje modernos muestran una chispa de inteligencia general por dos motivos: pueden escribir código y pueden seguir prompts de cadena de pensamiento. Su código no alcanza el nivel del que produce un ingeniero experimentado, pero ya supera al de los trabajadores informáticos poco cualificados. La capacidad de escribir software es fundamental, porque la mejora de uno mismo —el rasgo distintivo de la inteligencia general— la requiere.

Los prompts de cadena de pensamiento inducen al modelo a razonar en voz alta. Basta con añadir «Pensemos paso a paso»⁷⁸ a un prompt para que, a menudo, aumente la precisión de la respuesta, aunque los tokens adicionales de razonamiento incrementan el coste de cálculo. La figura siguiente ilustra este efecto.

La cadena de pensamiento (CoT) ayuda al obligar al modelo a descomponer una tarea en pasos menores dentro de su ventana de contexto. El modelo no conserva memoria más allá de esa ventana; ningún estado oculto pasa de una respuesta a la siguiente. La CoT simplemente emplea más tokens durante la inferencia para hacer explícito el razonamiento intermedio. Esto suele mejorar la fiabilidad hasta cierto punto, con rendimientos decrecientes y límites estrictos impuestos por la ventana. Cada vez más, los sistemas recientes realizan esta expansión entre bastidores y ocultan el rastro bruto —los modos de «pensamiento»— para ahorrar a los usuarios largos monólogos. La CoT es un presupuesto de inferencia que puede dedicarse a preguntas más difíciles, no una nueva capacidad contenida en los pesos del modelo.

A pesar de su atractivo, los grandes modelos de lenguaje suelen consumir un millón de veces más cálculo que los algoritmos clásicos que resuelven la misma tarea. Los avances del hardware reducirán el coste por token, pero es poco probable que estos modelos lleguen a rivalizar con código de procesamiento de datos diseñado específicamente para su propósito. Resérvelos para tareas que los algoritmos corrientes no puedan abordar.

Los modelos de lenguaje son relevantes para la supply chain principalmente de dos maneras: primero, aceleran la escritura y el mantenimiento de las recetas numéricas y su documentación; segundo, extraen características del texto en bruto. Volveremos sobre ambas más adelante. Las demás aplicaciones son secundarias.

6.2.3.1 Mal uso de los grandes modelos de lenguaje

Desde principios de la década de 2020, muchos proveedores de software empresarial han hecho afirmaciones audaces —a menudo absurdas— sobre la inteligencia artificial (IA). Ocultan los detalles, no para proteger secretos, sino para disimular la escasa tecnología que hay debajo. La mayor parte de la exageración publicitaria se centra en los grandes modelos de lenguaje (LLM). Desmontemos las principales afirmaciones.

Nuestra IA elabora previsiones más precisas: Los modelos de lenguaje no son adecuados para elaborar previsiones de series temporales, ni para ningún tipo de trabajo numérico. Su rendimiento, tanto en precisión como en coste de cálculo, es pésimo frente incluso a modelos estadísticos básicos, por no hablar de los mejores. Se están investigando activamente los modelos de previsión preentrenados, una idea inspirada en los LLM. Pueden ser útiles en otros ámbitos, pero, como muestra el capítulo El futuro, son un callejón sin salida para el trabajo de supply chain.

Nuestra IA procesa todos sus datos: Por byte, los modelos de lenguaje son caros y lentos, y seguirán siéndolo en un futuro previsible. Por regla general, procesar megabytes de datos mediante un modelo de lenguaje es una operación considerable que tarda minutos en completarse. Las grandes empresas tienen terabytes de registros en sus sistemas de gestión. El mero hecho de pasar un conjunto completo de datos empresariales por un LLM —aunque solo sea una vez— seguirá siendo prohibitivamente lento y costoso durante años. Al margen del coste, un LLM solo hace una cosa: completar secuencias. La herramienta es versátil, pero forzar el paso de enormes conjuntos de datos no textuales por ella no aporta ningún beneficio evidente.

Nuestra IA habla con los usuarios finales: Como los proveedores de software facturan por usuario, la ineficiencia vende: cada administrativo adicional obligado a luchar contra el software supone más ingresos. Acoplar un LLM a una pantalla para crear una interfaz de «chat» solo empeora las cosas: conversar es lento y fatigoso. Los chatbots tienen su lugar en los servicios de asistencia, no en los flujos de trabajo empresariales de gran volumen; formar a las personas en una interfaz ágil siempre supera al diálogo parsimonioso.

En el software empresarial, los LLM son la moda actual, una más de una larga serie que pronto será sustituida por la siguiente. Durante cuarenta años han reinado los sistemas CRUD, y esa cultura, dominante entre los proveedores de sistemas de registro, se resiste a integrar de manera sustancial nuevas ideas, incluso cuando son acertadas.

6.2.4 Ideas erróneas sobre la inteligencia

La cultura popular lleva décadas difundiendo la idea de inteligencia artificial (IA), y buena parte de las intuiciones que hoy circulan en los consejos de administración todavía repite teorías del siglo XX sobre el aspecto que supuestamente debe tener la «inteligencia». Esto importa porque esas intuiciones se filtran directamente en las decisiones de supply chain: determinan qué proyectos reciben financiación, qué riesgos se temen y qué palancas se dejan sin tocar. Antes de mecanizar las decisiones, debemos despejar los mitos que mantienen a los directivos oscilando entre la parálisis y la credulidad.

En supply chain, la pregunta pertinente no es si las máquinas «pensarán como nosotros», sino si el software puede hacer sistemáticamente mejores apuestas sobre qué se mueve, adónde, cuándo y en qué cantidad, y hacerlo sin intervención humana y con resultados económicos auditables. Las ideas erróneas sobre la IA empujan a las empresas hacia dos errores simétricos: el alarmismo, que retrasa automatizaciones rentables alegando que «la IA es peligrosa», y el antropomorfismo, que confunde una conversación de apariencia humana con la capacidad de decidir y da luz verde a juguetes frágiles.

Las páginas siguientes examinan tres malentendidos persistentes —la «singularidad», la visión asociada al test de Turing según la cual una conversación de apariencia humana implica inteligencia general y la paradoja de Moravec, interpretada erróneamente como prueba de las limitaciones de las máquinas— y los reformulan en términos operativos. El criterio de inteligencia de este libro es estrictamente económico: mayores rendimientos ajustados al riesgo a partir de los mismos recursos escasos. Con ese criterio, la mayoría de los temores cinematográficos son irrelevantes y la mayoría de los chatbots que lucen bien en una demostración son distracciones.

6.2.4.1 La singularidad

La singularidad imagina una IA que se mejora a sí misma tan deprisa que supera a la humanidad y después nos trasciende o nos esclaviza. Innumerables películas de acción juegan con este tema, pero Hollywood no entiende mejor la IA que la balística del mundo real. Para la práctica de supply chain, esta mitología es un non sequitur. Los sistemas que deciden reposiciones, precios, rutas o asignaciones son programas de alcance limitado y auditables, con espacios de opciones acotados, objetivos explícitos e interruptores de parada; no «despiertan», sino que optimizan bajo restricciones. Negarse a mecanizar la reposición o las rutas porque «la IA podría descontrolarse» es como rechazar las carretillas elevadoras por miedo a una rebelión de robots: se acepta un despilfarro cierto y presente para evitar un peligro especulativo y lejano. Los riesgos reales son corrientes y tratables —objetivos deficientes, semántica descuidada, código sin probar— y también lo son las salvaguardas: ejecuciones en paralelo, heurísticas de parada, revisiones de código y auditorías económicas. Los debates sobre riesgos existenciales no tienen nada que ver con si una empresa debe aplicar lo mejor que ofrece la informática a la asignación cotidiana de recursos escasos.

Aunque el público pueda tener la impresión de que la tecnología dio un salto adelante prácticamente de la noche a la mañana en 2022⁷⁹, no fue así en absoluto. En realidad, el progreso ha sido lento, gradual y arduamente conseguido a lo largo de las últimas siete décadas. Además, no se mejora una sola cosa, sino decenas de frentes en gran medida independientes: mejores paradigmas, algoritmos, hardware, conjuntos de datos, metodologías y bases de código. Todas estas mejoras han surgido de un grupo diverso de colaboradores. Por tanto, aunque sea posible dar con algo que supere la inteligencia humana, resulta inverosímil que una entidad así se eleve —como acontecimiento puntual— a la condición de ser trascendente.

Una vez que eliminamos ese carácter de «acontecimiento» de la aparición de la inteligencia artificial general, resulta difícil explicar por qué supondría una amenaza de extinción. A cualquier entidad maliciosa, o manejada por personas maliciosas, se opondrán entidades de capacidades similares desarrolladas por ejércitos, servicios de inteligencia, empresas o incluso universidades y aficionados. La inteligencia artificial general se incorporará tardíamente a la ya larga lista de tecnologías que pueden causar daños inmensos cuando se utilizan con fines perversos.

Una entidad así será el producto de una civilización industrial avanzada y dependerá de sus supply chains complejas y frágiles. La fabricación de semiconductores ya figura entre las industrias más intrincadas. Las «alternativas» concebibles —sustratos neuromórficos, fotónicos, cuánticos o biosintéticos— están, en el mejor de los casos, a escala de laboratorio y dependen a su vez de la misma base de herramientas, materiales y fabricación de precisión de los semiconductores. En definitiva, hoy no existe una vía industrial de computación ajena al silicio que evite esas cadenas. La existencia continuada de tales entidades dependerá del apoyo activo de la humanidad durante décadas, si no siglos. Las personas tendrán tiempo y oportunidades de sobra para abordar los problemas inevitables que han acompañado hasta ahora el auge de toda tecnología.

Los augurios apocalípticos son antiguos, y la mayoría de los expertos y políticos se suman a ellos para darse importancia.

6.2.4.2 El test de Turing

En 1950, el informático británico Alan Turing ideó su juego de imitación, denominado después test de Turing. La idea esencial es que, si una persona que conversa por un canal exclusivamente textual no puede distinguir de forma fiable a un humano de una máquina, la máquina puede considerarse dotada de inteligencia general.

Las objeciones habituales al test se centran en la conciencia y la autoconciencia; no vienen al caso en supply chain. Lo que nos interesa no es si una máquina «parece humana al hablar», sino si elige sistemáticamente opciones que aumentan los rendimientos ajustados al riesgo bajo incertidumbre.

Lo crucial es que la inteligencia en supply chain no resulta evidente a simple vista. Los humanos no tienen un sexto sentido para saber si «200 unidades la semana que viene» es una cantidad ligeramente excesiva o insuficiente. Incluso ex post, juzgar una decisión exige contrafactuales —qué habría ocurrido si hubiéramos actuado de otra manera— y horizontes acordes con los plazos operativos. Esta evaluación es difícil: los resultados contienen ruido, llegan con retraso y están entrelazados con miles de elecciones paralelas.

Por tanto, un motor que hable mal —o no hable en absoluto— puede parecer «poco inteligente» mientras acumula valor discretamente. A la inversa, un chatbot elocuente puede superar conversaciones al estilo de Turing y, aun así, conducir a la empresa hacia las pérdidas. En la década de 2010, bots sencillos basados en la correspondencia de patrones engañaban con frecuencia a los jueces humanos; resultaban convincentes en lo retórico e inútiles en lo operativo. La lección sigue vigente: imitar el estilo humano es independiente de la calidad de las decisiones.

Un ejemplo práctico: un buen motor de reposición puede emitir muchos pedidos diminutos en momentos insólitos, modificar cada día en unos céntimos el precio de los artículos de baja rotación o desviar un contenedor a un centro de cross-docking poco de moda. A un planificador, estos movimientos pueden parecerle quisquillosos o incluso erróneos; en los registros contables reducen los costes de mantenimiento del inventario, disminuyen las bajas de existencias y aceleran la conversión en efectivo. En cambio, una herramienta que se «explica» de maravilla mientras conserva las MOQ y los calendarios de lotes heredados cosechará aplausos en las reuniones y desangrará discretamente el capital circulante.

La única prueba significativa es económica. Llamémosla test de Turing económico: mediante una ejecución en paralelo o contrafactuales razonados, con las mismas restricciones y trazabilidad de auditoría, ¿produce el sistema de inteligencia un beneficio operativo ajustado al riesgo superior al del proceso vigente, una vez imputados todos los costes —inventario, logística, rebajas, trabajo y capital—? Si la respuesta es afirmativa, considérelo inteligente, por taciturna que sea su interfaz. Si no lo es, ninguna exquisitez conversacional lo redime.

Así, por fascinante que siga siendo, el juego de imitación es un criterio inadecuado para nuestro oficio. Los sistemas de inteligencia de supply chain deben juzgarse por sus resultados económicos auditables en horizontes temporales adecuados, no por su capacidad de conversar.

6.2.4.3 La paradoja de Moravec

El informático estadounidense Hans Moravec observó en la década de 1980 que tareas aparentemente sencillas —agarrar una tetera y servir té— se encuentran entre las más difíciles de reproducir para la inteligencia artificial. En cambio, tareas que antaño se consideraban signos de genialidad, como diagonalizar matrices, han resultado sencillas para las máquinas.

Sin embargo, la paradoja se disuelve en cuanto se explicita su premisa oculta. Supone que la movilidad animal —y la planificación que la sustenta— es aprendida (crianza) y no innata (naturaleza). En otras palabras, se considera que adquirir movilidad es fruto de un aprendizaje que ha resultado increíblemente difícil de reproducir artificialmente durante las últimas cuatro décadas.

Examinadas de cerca, esas capacidades implican poco o ningún aprendizaje. Los potros —y sus parientes equinos— se levantan y caminan en cuestión de horas. Esto no es «aprendizaje», sino una rápida calibración de un sistema motor casi terminado. Las estructuras cognitivas están prácticamente completas; al sistema le basta un pequeño empujón para que sus vías queden establecidas.

En los humanos, ese carácter innato es menos visible: en comparación con otros mamíferos, nuestras cabezas desproporcionadamente grandes obligan a un nacimiento más temprano, dejando que los circuitos motores terminen de desarrollarse fuera del útero. Lo que muchos perciben como «aprendizaje» del bebé es un desarrollo cognitivo que continuaría sin obstáculos si permaneciera unos meses más en el útero.

Estos circuitos, en gran medida innatos, son productos de la evolución, perfeccionados a lo largo de unos 800 millones de años e incontables generaciones. No es de extrañar que a las máquinas les cueste igualar la movilidad animal. El reto se parece al de diseñar un dispositivo que supere a los árboles al convertir luz solar en material estructural, o a los ribosomas al ensamblar macromoléculas. Superar a la evolución en juegos que lleva eones practicando es extraordinariamente difícil.

La movilidad descansa en cientos de heurísticas estrechamente entrelazadas; incluso un caracol puede desenvolverse en el laberinto tridimensional de la vegetación. Unas heurísticas bien elegidas pueden parecer «inteligentes» si el espacio de acciones está estrictamente acotado, como en el caso del caracol.

En la naturaleza, la movilidad fue una vía evolutiva necesaria hacia la inteligencia general: la vida no podía saltar desde sus orígenes unicelulares hasta la inteligencia general sin resolver antes la locomoción. Las máquinas no están sometidas a esa restricción, siempre que los humanos aportemos energía y materiales mientras resolvemos los obstáculos restantes, como los sustitutos industriales de las fibras musculares. La evolución resolvió estos problemas de maneras que no se prestan a la industrialización; debemos resolverlos de nuevo.

Es fácil pasar por alto la consecuencia para la supply chain. Las tareas que a los humanos nos parecen «sencillas» —atravesar un pasillo abarrotado, agarrar una caja, reconocer a un compañero de trabajo— son precisamente las que la evolución ha afinado durante cientos de millones de años. Por el contrario, asignar recursos a gran escala y con cambios rápidos —ordenar millones de microopciones con recompensas estocásticas y diferidas— es lo opuesto a aquello para lo que evolucionó nuestro cerebro. La memoria de trabajo es minúscula, la atención es frágil y nuestras intuiciones sobre la probabilidad son notoriamente deficientes. Las máquinas invierten este perfil: les cuesta el movimiento animal, pero sobresalen al enumerar enormes conjuntos de opciones, evaluar contrafactuales y recalcular planes cada minuto. Por tanto, la ocurrencia «la IA ni siquiera sabe doblar la ropa» es irrelevante para saber si el software puede superar a los planificadores al reajustar los precios de 50.000 SKU, reequilibrar inventarios multiescalón o cambiar la ruta de contenedores en pleno viaje con tiempos de entrega volátiles. En el sentido de Moravec, son problemas propios de las máquinas.

Se desprenden dos corolarios operativos. Primero, no condicione la automatización de las decisiones a los avances de la robótica o al refinamiento conversacional; el criterio pertinente sigue siendo el económico presentado antes: con las mismas restricciones, ¿produce el motor un beneficio ajustado al riesgo superior al del proceso vigente? Segundo, espere que las máquinas superen primero a los humanos allí donde más se esfuerzan los planificadores: asignación combinatoria, precios en entornos adversarios, equilibrio multiescalón y reprogramación dinámica. Nada de esto requiere una generalidad semejante a la humana; basta con inteligencia especializada dentro de límites bien definidos, precisamente el hábitat de los motores de supply chain.

En suma, copiar la movilidad animal no es un atajo hacia la inteligencia general: es un conjunto de problemas difíciles, pero esencialmente especializados. Resolverlos puede inspirar el trabajo sobre inteligencia artificial general o, en ocasiones, aportar elementos útiles para él, pero sigue siendo un empeño distinto.

6.3 Inteligencia especializada

Un problema especializado es aquel cuyas opciones están acotadas por reglas formales explícitas; resolverlo requiere inteligencia especializada. Los acertijos académicos de supply chain son ejemplos típicos, y cada solución —sea una heurística sencilla o un gran modelo hiperparamétrico— solo cuenta como «inteligente» por la calidad de sus resultados. Declarar que un método es «más inteligente» simplemente porque parece arcano es un error.

La supply chain se vuelve tratable precisamente cuando sus extensas cuestiones de inteligencia general se dividen en numerosos problemas de asignación acotados. Cada problema acotado fija tres elementos: (1) el conjunto de opciones: qué se puede elegir mover, adónde, cuándo y en qué cantidad; (2) las restricciones: límites de capacidad, calendarios, MOQ, compromisos de servicio y frecuencia con que se reconsidera la decisión; y (3) la valoración: una puntuación expresada en dinero que asigna valor a los posibles beneficios y perjuicios bajo incertidumbre. Una vez explicitados estos elementos, la tarea deja de ser «planificar la supply chain» y pasa a ser «elegir entre opciones admisibles para maximizar el rendimiento ajustado al riesgo».

Esta descomposición no es un recurso retórico; es la maniobra de ingeniería que hace posible el software sin intervención humana. Reponer una SKU en una ubicación durante un horizonte determinado, seleccionar el precio de hoy para un artículo de baja rotación, asignar cajas a una parada de camión, aceptar o aplazar la reparación de un componente rotable: cada una es una decisión especializada y auditable de asignación de recursos. Los problemas con vínculos débiles pueden tratarse mediante métodos voraces y con alta frecuencia; los estrechamente ligados pueden agruparse y optimizarse con herramientas de cálculo más pesadas. Los límites siguen siendo revisables —cuando cambia la economía, ampliamos el conjunto de opciones o ajustamos la valoración—, pero, mientras se mantengan, un sistema de inteligencia puede automatizar, inspeccionar y mejorar la decisión.

La historia de la inteligencia artificial es un juego en el que la meta cambia continuamente. Los investigadores escogen un problema difícil, califican su solución de «auténtica IA» y después, una vez resuelto, le cambian el nombre y pasan al siguiente reto. Cada triunfo pronto se considera corriente y el ciclo comienza de nuevo.

Este patrón explica por qué las soluciones maduras suelen parecer «poco inteligentes»: se vuelven rutinarias y mecánicas. La inteligencia debe juzgarse por la calidad de las elecciones, no por lo arcano que parezca el mecanismo. Los modelos sofisticados pueden hacerse pasar por «más inteligentes», pero siguen abordando una tarea acotada; las verdaderas cuestiones de inteligencia general deben afrontarse por separado.

Contra lo que podría parecer intuitivo, la primera solución viable rara vez es la más sencilla; alcanzar la simplicidad es una tarea distinta y a menudo más difícil. El progreso no va de lo simple a lo sofisticado, sino de prototipos desordenados a núcleos depurados. La teoría electromagnética de Maxwell comenzó con más de veinte ecuaciones; Heaviside las condensó después en las cuatro que utilizamos hoy. Del mismo modo, las respuestas enrevesadas de hoy son los principios elegantes de mañana.

El mismo ciclo alimenta los auges y las caídas de la IA: se confunde resolver un problema especializado difícil con desentrañar la inteligencia general, y los inversores se suben a la ola de entusiasmo resultante. La inteligencia general es difícil, pero innumerables problemas especializados deben serlo aún más. En efecto, si alguna vez construimos una inteligencia general, todos los problemas que sigan sin resolverse serán, por definición, más difíciles; de lo contrario, habrían caído antes.

Los altibajos de la etiqueta IA no deberían eclipsar los logros de la informática desde la Segunda Guerra Mundial, muchos de ellos fundamentales para la supply chain. El campo es hoy tan amplio que cualquier panorama general es necesariamente parcial, pero las páginas siguientes seleccionan los temas más relevantes para el trabajo de supply chain.

6.3.1 Algoritmos

Los algoritmos son recetas procedimentales precisas que terminan y devuelven una respuesta correcta para una entrada bien especificada. Formalizados en la década de 1930 por Church, Turing y Kolmogorov, se convirtieron en la columna vertebral de la informática del siglo XX. Muchos de los primeros éxitos de la «IA» en la década de 1950 —ordenación topológica, rutas en grafos, solvers de ecuaciones lineales— se conocen hoy simplemente como algoritmos.

Formalmente, cualquier programa que termine con todas las entradas admisibles podría llamarse «algoritmo». En la práctica, los informáticos utilizan el término en un sentido más estricto. Un algoritmo es un bloque atómico y reutilizable cuyo enunciado del problema es independiente de cualquier conjunto de datos, interfaz o servidor, acompañado de una demostración de que devuelve la salida especificada para toda entrada válida y de un análisis de sus necesidades de tiempo y espacio a medida que crece el tamaño de la entrada.

Una tarea «atómica» no puede descomponerse en subtareas menores, independientes y con un propósito propio. En cambio, renderizar una página web implica cientos de pasos, desde tokenizar el HTML hasta ajustar el espaciado entre pares de caracteres, y por eso no es una tarea atómica.

Un algoritmo viene acompañado de una demostración de corrección; sin ella, es meramente una heurística. Las pruebas combinadas de Fermat–Fibonacci, por ejemplo, detectan números primos de forma fiable, pero aún carecen de demostración de corrección, por lo que siguen siendo heurísticas.

El valor de un algoritmo reside, en última instancia, en su rendimiento. Aunque existen métodos de fuerza bruta para la mayoría de las tareas, un buen algoritmo llega al mismo resultado con mucho menos cálculo y memoria. En ocasiones se puede incluso demostrar su optimalidad, aunque las sutilezas de la teoría de la complejidad quedan fuera de este capítulo.

Los algoritmos y las estructuras de datos que los sustentan son los cimientos del software; todos los métodos que se tratan después dependen de ellos. Por tanto, constituyen una ciencia auxiliar para la supply chain, aunque unas herramientas bien diseñadas pueden ahorrar a los profesionales sus detalles, como veremos.

Los lectores que busquen profundizar deberían consultar el clásico de Cormen y colaboradores, Introduction to Algorithms (3.ª ed., 2009). El anexo ofrece un ejemplo desarrollado: el algoritmo de ordenación topológica.

El patrón CRUD, presentado en el capítulo Información, debe su éxito a que permite a los equipos entregar software empresarial sin una profunda destreza algorítmica. En la informática empresarial, esto se convirtió en una trayectoria profesional: muchos desarrolladores capaces pasan décadas construyendo formularios e informes sin aprender nunca a diseñar y analizar algoritmos. Esa carencia es inocua dentro de los sistemas de registro, donde predominan las operaciones CRUD de tiempo constante y la base de datos asume el trabajo pesado; se vuelve incapacitante en cuanto salimos de los registros e intentamos optimizar. También explica el dominio cultural del CRUD y, de forma simétrica, por qué los proveedores brillantes en los registros tropiezan tan a menudo con los sistemas de inteligencia: estos últimos exigen modelización algorítmica, control de la complejidad e ingeniería del rendimiento, competencias que los hábitos del CRUD ni enseñan ni favorecen mediante la selección de personal.

6.3.2 Investigación operativa

Nacida durante la Segunda Guerra Mundial, la investigación operativa abordó cuestiones de asignación de recursos⁸⁰ en tiempo de guerra —dónde colocar radares, cómo trazar rutas de convoyes, cómo asignar aviones escasos— y, después de 1945, cuestiones empresariales. Dio origen a numerosos algoritmos, el más célebre de ellos el método símplex de Dantzig de 1947, pero, a diferencia de la informática, le interesaban menos los problemas atómicos y más las aplicaciones de principio a fin. En 1947, el ingeniero de radio escocés Robert Watson-Watt definió la investigación operativa así:

Examinar cuantitativamente si la organización usuaria obtiene, del funcionamiento de sus equipos, la mejor contribución posible a su objetivo global.

Las palabras de Watson-Watt recuerdan la definición de supply chain con la que comienza este libro; la investigación operativa es su precursora. Entre las décadas de 1950 y 1970, el campo produjo simulaciones, econometría, modelos estocásticos y optimización matemática. Muchas de estas ramas se convirtieron después en disciplinas propias y se alejaron del paraguas de la investigación operativa.

Las contribuciones más destacadas de la investigación operativa —al menos entre las que no se reclasificaron en campos propios— son los métodos de optimización del transporte, programación lineal y cuadrática, programación entera y tareas similares. Todas estas tareas comparten una estructura: variables de decisión que deben elegirse para maximizar una función objetivo que representa una meta del mundo real. Este planteamiento sigue sustentando la mayor parte de la toma de decisiones empresariales y el enfoque de este libro.

En la década de 1970, la investigación operativa no estaba a la altura de sus ambiciones. Como se mencionó antes, el pionero estadounidense Russell Ackoff expresó este sentir en su artículo de 1979, The Future of Operational Research is Past. En 1979, la mayoría de las decisiones de asignación de recursos seguían siendo manuales, y la mayoría lo sigue siendo hoy. Ackoff enumeró varias causas fundamentales:

• Un pensamiento sistémico deficiente: los expertos recurrían a una causalidad simplista de primer orden.

• Resultados «pseudoóptimos» determinados por funciones objetivo artificiosas.

• Respuestas frágiles que presuponen un contexto perfectamente conocido e inmutable.

• La conversión de las «marañas» del mundo real en problemas de juguete depurados, sin cambiar la práctica.

Estas críticas siguen siendo válidas. Buena parte de la literatura de supply chain repite los mismos errores, una de las razones por las que tan poco de ella sobrevive al contacto con la realidad⁸¹.

Durante la década de 1980, la investigación operativa se transformó en «OR», sus siglas en inglés, y se especializó en «solvers» de software para modelos de optimización escritos en lenguajes específicos de dominio. Así, la OR se asentó como un subcampo de la informática.

Los solvers comerciales constituyen un nicho de software saludable y resuelven bien muchas tareas de diseño. Numerical Optimization (2006), de Nocedal y Wright, sigue siendo la obra de referencia, incluso para las variantes basadas en aprendizaje. Más allá de las variantes del problema de rutas de vehículos, los solvers aparecen raramente en supply chain, porque tres limitaciones persistentes restringen su valor.

Primero, se centran exclusivamente en la optimización determinista en lugar de la estocástica, lo que hace imposible tratar la incertidumbre, una característica constante de las supply chains.

Segundo, ofrecen escalabilidad o expresividad, pero no ambas. Para los fines de supply chain, los solvers solo escalan en regímenes lineales o cuadráticos, demasiado simples para reflejar las situaciones de supply chain del mundo real.

Tercero, los solvers anteponen la pureza matemática a la expresividad práctica⁸². La programación lineal y la cuadrática pueden, en efecto, certificar la optimalidad, pero describen tan mal el mundo real que la respuesta «óptima» resulta invariablemente inútil.

Incluso dejando de lado la pureza, los solvers siguen escalando mal. Ante un caso concreto, como las rutas de vehículos, las empresas suelen escribir código ad hoc en lugar de utilizar herramientas listas para usar. El problema es especialmente agudo en las supply chains, donde son habituales las decenas de millones de variables de decisión, varias por SKU.

Así, el legado de la investigación operativa reside en gran medida en los campos que originalmente surgieron de ella. La OR actual tiene poco que ver con los objetivos que la investigación operativa se propuso alcanzar. Además, aunque sus técnicas predilectas tienen méritos y logros notables, es poco probable que regresen al ámbito de la supply chain.

6.3.3 Aprendizaje estadístico

La idea de inferir algorítmicamente un proceso a partir de observaciones registradas apareció en la década de 1950, junto con los primeros escritos sobre inteligencia artificial. Como las observaciones individuales pueden codificar soluciones parciales, el aprendizaje lleva mucho tiempo solapándose con la optimización⁸³. Los primeros trabajos sobre redes neuronales artificiales se publicaban bajo el estandarte de la investigación operativa; hoy se clasifican inequívocamente como «aprendizaje».

Hasta principios de la década de 1990, el interés por las técnicas de aprendizaje fue limitado por dos motivos principales. Primero, los ordenadores no tenían potencia suficiente para lograr nada sustancial mediante el aprendizaje. Por ello se favorecían enfoques que no aprendían, como los sistemas expertos⁸⁴. Por ejemplo, Deep Blue, el primer programa de ajedrez que derrotó al campeón mundial vigente, Garry Kasparov, en 1997, se diseñó como un sistema experto. También escaseaban los conjuntos públicos de datos de entrenamiento, pues recopilar y distribuir grandes conjuntos de datos siguió siendo prohibitivamente caro hasta finales de la década de 1990. El conjunto MNIST contiene 60.000 imágenes de entrenamiento y 10.000 de prueba, cada una de ellas una representación en escala de grises de 28×28 de un dígito manuscrito. Proporcionó una referencia común que impulsó a toda una generación de investigadores y estandarizó la validación y las comparaciones de rendimiento.

Segundo, el aprendizaje en alta dimensión siguió siendo desconcertante hasta finales de la década de 1990. La estadística clásica supone que el número de variables es pequeño en relación con el número de observaciones. Con 100 observaciones, se puede confiar en una regresión de dos variables; con diez variables, proliferan los patrones espurios; con 10.000 variables, los métodos habituales se derrumban. Paradójicamente, más información producía menos comprensión.

La maldición de la dimensionalidad encontró su primera respuesta convincente en la teoría de Vapnik–Chervonenkis (VC), desarrollada entre las décadas de 1960 y 1990⁸⁵. Esta teoría dio lugar a las máquinas de vectores de soporte, implementadas por primera vez en 1995⁸⁶, y proporcionó un marco matemático para limitar el sobreajuste. Las máquinas de vectores de soporte pronto demostraron su valor en conjuntos de datos reales.

La teoría VC reformuló el objetivo de la modelización estadística como la maximización de la generalización: el rendimiento sobre datos no vistos. Aunque no podamos medir la precisión en datos que no tenemos, la teoría VC demuestra una cota superior para el error real: el error empírico más un término de complejidad del modelo determinado por su diseño. Esta formalización refina el compromiso clásico entre sesgo y varianza: los modelos de baja capacidad presentan un sesgo elevado, y los de alta capacidad, una varianza elevada. La figura \ref{fig:under-over-fitting} ilustra el subajuste, el ajuste correcto y el sobreajuste. Esta teoría abrió el camino a modelos estadísticos capaces de ofrecer resultados fiables incluso cuando el número de dimensiones de entrada supera ampliamente el número de observaciones.

En la práctica, las máquinas de vectores de soporte fueron rápidamente superadas por técnicas alternativas —boosting, en particular por gradiente (1999)⁸⁷, y bagging (2001)⁸⁸— cuyos análisis matemáticos también mostraron que se comportaban bien respecto al sobreajuste. En conjunto, estas ideas dieron lugar a las máquinas de gradient boosting, que se mantuvieron a la vanguardia en numerosas tareas durante aproximadamente una década. Hoy siguen siendo populares, sobre todo cuando escasean las observaciones.

Estos avances tuvieron un impacto desproporcionado: el control de capacidad incorporado en boosting, bagging y las SVM permitió a los teóricos demostrar cotas ajustadas sobre el sobreajuste, garantías de las que carecían los enfoques rivales. A finales de la década de 1990 y durante buena parte de la de 2000, este sello de aprobación estadístico llevó a los investigadores a relegar casi todos los enfoques competidores. Sin embargo, poco a poco quedó claro que ningún refinamiento teórico ni destreza de ingeniería podía llevar estos métodos más allá de ciertos límites estrictos. La tecnología se había estancado de hecho. El informático francoestadounidense Yann LeCun captó ese sentir al descartarlos como poco más que «comparación de plantillas glorificada».

A pesar de esos límites, las ideas del aprendizaje estadístico siguen siendo una piedra angular de la estadística moderna y una ciencia auxiliar vital para la supply chain. Para una exposición accesible y abundante en figuras, véase el manual The Elements of Statistical Learning (2009), de Hastie y colaboradores. Los modelos basados en boosting y bagging siguen destacando cuando los datos son escasos pero de alta dimensión, y requieren muchos menos recursos que la mayoría de las alternativas, aunque no ofrecen una vía hacia la inteligencia general.

6.3.4 Deep learning

En la década de 2010, el deep learning se convirtió en el paradigma dominante del aprendizaje automático. Desciende de las redes neuronales artificiales, pero solo cristalizó cuando el campo abandonó las metáforas biológicas y adoptó plenamente el hardware de silicio. Sorprendentemente, sus ideas centrales son más sencillas que las de sus predecesores de inspiración biológica.

Conceptualmente, un modelo de deep learning es un circuito fijo de operaciones en coma flotante parametrizado por números en coma flotante. La mayoría de sus capas realiza multiplicaciones matriciales intercaladas con rectificadores. Los rectificadores rompen la linealidad: apilar aplicaciones lineales sigue produciendo una aplicación lineal, por lo que hace falta una activación no lineal. Otros componentes —convoluciones, pooling o capas softmax— permiten al modelo tratar distintas modalidades de entrada y formatos de salida.

Consideremos de nuevo el reconocimiento de dígitos manuscritos sobre el conjunto MNIST. Si se aplana cada imagen de 28×28 en 784 números y se los hace pasar por tres matrices de pesos con rectificadores, se obtiene un perceptrón multicapa de 234.752 parámetros, diminuto para los estándares actuales (véase la figura \ref{fig:perceptron}). Ejecutarlo —realizar la inferencia— solo exige tres multiplicaciones matriciales y dos activaciones rectificadoras; los detalles figuran en el anexo.

Figura: Un perceptrón multicapa compacto de 4 capas (784-256-128-10) para reconocer dígitos manuscritos.

Hasta aquí hemos especificado la arquitectura y señalado que la inferencia se reduce a tres multiplicaciones matriciales y dos rectificadores; queda obtener los números que contienen esas matrices. En la práctica queremos una red bien entrenada, que asigne, para cada imagen de entrada, su mayor puntuación al dígito realmente presente. El entrenamiento es, por tanto, una búsqueda en el espacio de parámetros de valores que minimicen una pérdida de clasificación elegida. El deep learning aborda esta búsqueda mediante tres pasos coordinados: Inicialización: elegir pesos iniciales aleatorios razonables para que las activaciones mantengan un buen comportamiento numérico; Gradiente: calcular cómo cambiaría la pérdida ante una variación infinitesimal de cada peso; y Descenso: utilizar esos gradientes para desplazar los pesos, paso a paso, hacia una pérdida menor. Juntos, estos pasos refinan iterativamente los pesos de la red hasta que el rendimiento se estabiliza.

Inicialización – Los pesos comienzan como ruido gaussiano y se reescalan inmediatamente para que, capa tras capa, las activaciones mantengan aproximadamente una media nula y una varianza unitaria. Esta sencilla precaución evita que el producto de muchas operaciones lineales explote —desbordamiento— o se reduzca a polvo numérico —subdesbordamiento—. Cuando no existe una regla en forma cerrada aplicable, una rápida pasada de prueba por la red permite reescalar empíricamente para conservar esa propiedad invariante.

Gradiente – El gradiente indica a cada parámetro en qué dirección y cuánto debe moverse para reducir la pérdida elegida. Los frameworks modernos lo obtienen mediante diferenciación automática, que propaga las derivadas a través del grafo de cálculo con un coste aproximado al de una pasada adicional hacia delante, aunque con mayor uso de memoria, ya que deben conservarse las activaciones intermedias. Las herramientas anteriores de deep learning utilizaban retropropagación del gradiente programada a mano; que la comunidad tardara décadas en adoptar la diferenciación automática, que se remonta a la década de 1960, recuerda que el progreso rara vez es lineal.

Descenso – Los gradientes se convierten en actualizaciones mediante el descenso de gradiente estocástico (SGD), una herramienta de trabajo nacida en la década de 1950 que sigue dominando el deep learning. El SGD muestrea una observación —o, para aprovechar mejor el hardware, un pequeño conjunto de observaciones llamado minilote—, desplaza ligeramente los pesos en la dirección del gradiente y repite el proceso. Los minilotes intercambian más operaciones aritméticas por una reducción considerable del tiempo real transcurrido, aprovechando los núcleos paralelos. Las variantes con momento, tasas de aprendizaje adaptativas o decaimiento desacoplado de los pesos refinan la actualización básica.

El deep learning derribó varios dogmas del aprendizaje estadístico y sigue determinando qué puede inferirse, y qué no, a partir de los datos de las empresas.

6.3.4.1 El doble descenso

Los modelos de deep learning son hiperparamétricos: suelen contener más parámetros que ejemplos de entrenamiento. Los 234.752 parámetros del perceptrón anterior superan ampliamente las 60.000 imágenes de MNIST. La teoría estadística predice un sobreajuste grave, pero la práctica dice lo contrario.

Descubierta a finales de la década de 2010, la curva de doble descenso ayudó a aclarar por qué muchos estadísticos dudaron inicialmente de las afirmaciones del deep learning. Formados para esperar el compromiso clásico entre sesgo y varianza en forma de U, se desconcertaban cuando las redes mayores superaban a veces a las pequeñas en lugar de sobreajustarse. El doble descenso explica por qué: a medida que aumenta la capacidad del modelo, el error de prueba primero baja —buena generalización—, luego sube —sobreajuste—, pero, más allá de un segundo umbral, vuelve a bajar cuando modelos muy grandes y sobreparametrizados se asientan en nuevas regiones de bajo error (véase la figura \ref{fig:double-descent}).

En la parte izquierda de la curva de doble descenso —el régimen clásico—, la red tiene demasiado pocos parámetros, por lo que presenta subajuste. Al añadir pesos, la pérdida de prueba disminuye hasta alcanzar un primer mínimo en el «punto óptimo». Si se supera ese punto, el modelo entra en el sobreajuste clásico: la capacidad adicional memoriza el ruido más deprisa de lo que aprende la señal. Curiosamente, en esta zona el error de entrenamiento sigue descendiendo suavemente mientras el error de prueba aumenta, un comportamiento que desconcertó durante mucho tiempo a los estadísticos que esperaban que ambas curvas divergieran mucho antes.

Al avanzar hacia la derecha —el régimen profundo—, el patrón se invierte. Cuando el número de parámetros cruza un segundo umbral mucho más alto, la pérdida de prueba vuelve a bajar: mayor tamaño sí significa mejores resultados, como afirmaban los profesionales del deep learning desde principios de la década de 2010. Sin embargo, cada incremento adicional de precisión cuesta una cantidad desproporcionada de cálculo y energía, por lo que los rendimientos decrecen rápidamente. Las redes más avanzadas operan hoy muy por encima de ese umbral, dedicando enormes presupuestos de hardware a obtener las últimas fracciones de un punto porcentual de rendimiento.

Para las supply chains, el mensaje es ambivalente: los modelos gigantes ganan precisión, pero perjudican la mantenibilidad, mientras que los pequeños conservan su agilidad, aunque vuelven al dilema clásico entre subajuste y sobreajuste. Los diseños híbridos que combinan ambos son con frecuencia la mejor opción.

6.3.4.2 Sintonía mecánica

Las redes neuronales artificiales (ANN) tienen una debilidad clara: son enormemente ineficientes en su uso de los recursos de cálculo. Los chips de silicio se parecen tan poco a las neuronas biológicas que incluso una neurona digital rudimentaria desperdicia ciclos. El deep learning se liberó de esta desventaja al adoptar lo que los ingenieros de competición llaman sintonía mecánica. En los primeros tiempos de la Fórmula 1, las vueltas más rápidas no las marcaban los pilotos que conducían al límite, sino quienes percibían cuánto esfuerzo podían soportar el motor, la caja de cambios y los frenos, y modulaban su ritmo para que el coche llegara intacto a la bandera a cuadros. Trasladada al código, la sintonía mecánica consiste en organizar los algoritmos y los datos para trabajar a favor de las cachés, las unidades vectoriales y los buses de memoria, en lugar de chocar con ellos. Cuando esta mentalidad se asentó, los investigadores abandonaron las nostálgicas metáforas neuronales y conservaron solo aquello que maximizaba la capacidad bruta de cálculo.

Por ejemplo, las primeras ANN utilizaban la función de activación sigmoide, elegida por su parecido con la biología, pero su exponencial resulta lenta en el hardware. El rectificador más sencillo, ReLU, demostró ser más rápido y pronto se impuso.

A principios de la década de 2010, tratar las líneas de caché, los anchos vectoriales y los buses de memoria como restricciones de diseño de primer orden parecía casi herético. Los campos de los algoritmos, la investigación operativa y el aprendizaje estadístico habían crecido sobre una teoría independiente del hardware: demostrar una mejor clase de complejidad asintótica y dejar que la ley de Moore absorbiera los molestos factores constantes. Ajustar esas constantes —ahorrar ciclos reorganizando una matriz o utilizando una instrucción SIMD, por ejemplo— se veía como trabajo superfluo que la siguiente generación de procesadores pronto dejaría sin efecto. Los investigadores del deep learning dieron la vuelta a esa visión y mostraron que prestar una atención minuciosa a los detalles del hardware podía acelerar el cálculo de formas inalcanzables solo con elegancia en la complejidad algorítmica.

La búsqueda inicial de redes cada vez mayores estuvo impulsada por la metáfora biológica: con unos 100 mil millones de neuronas, el cerebro humano se convirtió en una referencia informal de tamaño para las ANN. Los experimentos pronto hicieron innecesaria la metáfora: el rendimiento aumentaba simplemente porque crecían los modelos. Entretanto, el panorama de los datos se invirtió. En la década de 1990 escaseaban los conjuntos públicos de datos; en la de 2010 crecían más deprisa de lo que las redes podían absorberlos. Entrenar con todas las muestras disponibles se volvió impracticable, y enormes reservas de información quedaron sin aprovechar.

De ahí la carrera armamentística: modelos cada vez mayores alimentados con conjuntos de datos cada vez mayores. La red de Toronto para ImageNet de 2012 tenía 60 millones de parámetros y se ejecutaba en GPU; una década después, transformadores de un billón de parámetros funcionan sobre silicio a medida. El auge de la escala también dio lugar a herramientas pesadas. TensorFlow, de Google, publicado en 2015, creció hasta superar los cuatro millones de líneas de código: un esfuerzo industrial impensable en la era del aprendizaje estadístico, con sus bibliotecas de 10.000 líneas.

La carrera por construir modelos cada vez mayores también empujó a los diseñadores hacia formatos de coma flotante cada vez más pequeños. Como el número de transistores y, por tanto, el coste energético crece más deprisa que el ancho en bits, recortar precisión produce aceleraciones desproporcionadas: en las GPU actuales, la capacidad de cálculo aritmético puede cuadruplicarse al pasar de 32 a 16 bits. Los sistemas de deep learning de principios de la década de 2010 utilizaban exclusivamente números de coma flotante de 32 bits, una opción prudente que todavía basta para la mayoría de los cálculos de supply chain, siempre que se eviten casos extremos patológicos; algunas tareas siguen beneficiándose de los 64 bits. Sin embargo, a principios de la década de 2020 ya era habitual entrenar con 16 bits y ejecutar la inferencia con 8 bits, gracias a una evolución favorable y conjunta del hardware de GPU y CPU. La investigación explora ahora pesos de 1 bit, e incluso de menos de 1 bit, lo que muestra que aún no se ha alcanzado el límite inferior de precisión utilizable.

La sintonía mecánica importa en la práctica de supply chain. En la década de 1990, el informático suizo Niklaus Wirth advirtió que el software suele ralentizarse más deprisa de lo que se acelera el hardware, un patrón hoy llamado ley de Wirth. Por la falta general de interés en la eficiencia del hardware, muchos sistemas empresariales no funcionan hoy más deprisa que en 2000, a pesar de contar con chips mucho mejores. Esa ralentización es la ley de Wirth en acción. Los trucos del deep learning no pueden reutilizarse en bloque, pero revelan cómo una programación consciente del hardware permite enormes mejoras. Por ello, los profesionales de supply chain necesitan, como mínimo, una comprensión práctica de la sintonía mecánica.

6.3.4.3 Optimización no convexa

A principios de la década de 2000, la optimización matemática seguía las pautas originales de la investigación operativa. Tres principios la definían. Los profesionales del aprendizaje estadístico, incluidos los adeptos de las máquinas de vectores de soporte, los aceptaban íntegramente.

Primero, la teoría temprana de la optimización trataba los mínimos locales como un muro infranqueable en la práctica: en paisajes no convexos, en principio se podía escapar de ellos, pero en proyectos reales casi nunca se conseguía. Ese supuesto dio origen a toda una rama, la optimización convexa, cuyo propósito expreso es esquivar ese obstáculo. Como una función convexa no tiene depresiones locales, sino un único mínimo global, cualquier algoritmo de descenso con buen comportamiento converge hacia él. Para un tratamiento exhaustivo de las demostraciones, los algoritmos y las aplicaciones que descansan en esta propiedad, véase Convex Optimization (2004), de Boyd y Vandenberghe.

Figura: Una función de valores reales que presenta extremos tanto locales como globales.

Segundo, en los problemas no convexos se esperaba que cualquier método respetable proporcionara una cota de la distancia entre su solución y el óptimo global. Esto se consigue ofreciendo una cota superior para la diferencia entre la mejor solución conocida y el mínimo global. Técnicas como branch-and-bound y branch-and-cut ofrecen esas garantías. Sin embargo, a diferencia de la optimización convexa, que dispone de técnicas muy escalables, estos métodos generales escalan mal. Como se mencionó antes, la escasa escalabilidad de estos solvers lleva mucho tiempo siendo una de las principales razones de su limitada adopción en supply chain.

La comunidad del deep learning desechó esa visión clásica. Adoptó una herramienta rudimentaria, el descenso de gradiente estocástico, y la aplicó a paisajes no convexos, dejando de lado el temor a los mínimos locales. Este enfoque ha tenido un éxito extraordinario y ha hecho posibles modelos con billones de parámetros, una escala inconcebible en la década de 2000.

Surgió una nueva perspectiva: el obstáculo ya no eran los mínimos locales, sino unas mesetas amplias y planas. La visión predominante sostiene que los mínimos locales se vuelven extremadamente raros a medida que aumenta la dimensionalidad. Por tanto, la intuición derivada de ejemplos de baja dimensión falla en altas dimensiones⁸⁹. En su lugar, las grandes regiones de gradiente reducido, las «mesetas», plantean el principal reto a los métodos de descenso.

Tercero, en los modelos (hiper)paramétricos, las demostraciones de optimalidad pierden su sentido en el régimen de doble descenso. La pérdida de entrenamiento puede desplomarse y mantenerse cerca de cero, pero esos residuos minúsculos dicen poco sobre cómo generalizará el modelo. Peor aún, muchas funciones de pérdida habituales en deep learning, como la entropía cruzada, ni siquiera tienen verdaderos mínimos⁹⁰.

Aunque la comunidad del deep learning tenía sus propias razones para rechazar la postura clásica de optimización heredada de la investigación operativa, ese rechazo importa para la supply chain. Muestra que el paradigma clásico adolece de limitaciones contraintuitivas que pasaron inadvertidas durante unas seis décadas, desde la de 1950 hasta la de 2000. En lo que sigue veremos que la supply chain tiene motivos adicionales para rechazar esa postura clásica y que existen paradigmas alternativos mucho más valiosos.

6.3.4.4 La caja de trucos

Cada paradigma de programación ofrece su propio modelo mental del trabajo de software, con conceptos, prácticas y herramientas fundamentales; la mayoría adopta posturas definidas sobre la representación de los datos y el control del comportamiento del programa.

El deep learning fue el primer⁹¹ paradigma de aprendizaje programático que se adoptó ampliamente; a principios de la década de 2010 desconcertó a los investigadores al desafiar las expectativas dominantes en el aprendizaje automático.

Hasta entonces, los artículos y el software se centraban en el producto acabado: el modelo listo para entrenarse sobre un nuevo conjunto de datos. Lo que distinguía al deep learning era su atención a las arquitecturas, los trucos numéricos y los principios orientadores para construir modelos. Mientras las herramientas de aprendizaje estadístico, como scikit-learn⁹², ofrecían decenas de modelos, las de deep learning no incluían ninguno. El campo dedicó buena parte de la década de 2010 a asimilar ese cambio. El antiguo enfoque —identificar un modelo novedoso, ejecutar una prueba comparativa y publicar los resultados— quedó obsoleto. La novedad ya no residía en el modelo ni en su caracterización estadística. Incluso estudiantes de primero de informática podían ensamblar una red de deep learning «única» escogiendo capas entre las operaciones tensoriales disponibles y compararla sobre alguno de los numerosos conjuntos públicos de datos. Durante un breve periodo, las conferencias y revistas de deep learning se inundaron de artículos que apenas eran algo más que composiciones de este tipo; a pesar de su «singularidad», tales aportaciones carecían a menudo de importancia.

Las arquitecturas de deep learning son el equivalente moderno de los «modelos» que antaño defendía la investigación operativa, pero dejan un margen considerable al científico de datos para terminar de definir la red que se entrenará y desplegará.

Las contribuciones más valiosas pasaron a conocerse como la «caja de trucos» del deep learning: pequeños ajustes modulares que mejoran partes de una red en lugar de redefinirla por entero. Las estrategias de inicialización de pesos, los estimadores de momentos, la programación de la tasa de aprendizaje, el dropout, la parada temprana, las conexiones residuales, las conexiones densas, los mecanismos de atención, las arquitecturas de transformadores, la normalización por lotes, la acumulación de gradientes, la optimización de hiperparámetros, el aumento de datos, la codificación posicional, la poda, la cuantización, la destilación de conocimiento y la factorización de bajo rango, entre otros, son solo una pequeña parte de esta creciente «caja de trucos». Sin embargo, estas contribuciones, al menos las importantes, demostraron una gran capacidad para acumularse. Una técnica rara vez excluye a otra, salvo que pertenezcan a la misma clase.

Desde la década de 1960, numerosos paradigmas —funcional, orientado a objetos, distribuido, reactivo y otros— han abordado cuestiones generales del software. También han surgido paradigmas especializados, como el álgebra relacional; por ejemplo, SQL para bases de datos relacionales. Aunque continúan los debates sobre qué paradigma es «mejor», ningún proyecto serio de software se emprende sin adoptar uno o varios paradigmas. La mera elección de un lenguaje de programación ya constituye una elección de paradigma.

La lección esencial para las supply chains es que elegir el paradigma adecuado importa incluso fuera del trabajo puramente informático. El deep learning, como paradigma de programación, ha redefinido la vanguardia del aprendizaje automático. Esto plantea si otros ámbitos, como la supply chain, podrían beneficiarse de paradigmas igualmente específicos; como veremos, los paradigmas de programación dedicados son de primordial importancia para la supply chain.

6.3.5 La era generativa

En 2022, un puñado de lanzamientos revolucionarios, pronto agrupados bajo la etiqueta «IA generativa», saltó de la investigación especializada a los titulares de todo el mundo. ChatGPT, el asistente conversacional presentado por OpenAI en noviembre de 2022, y Stable Diffusion, el modelo de texto a imagen publicado en agosto de 2022 por investigadores de la LMU de Múnich y la Universidad de Heidelberg, se convirtieron de inmediato en hitos de la completación de texto y la generación de imágenes, respectivamente. Su aparente éxito de la noche a la mañana ocultaba años de progreso constante y abierto de la comunidad más amplia del deep learning; lo que cambió en 2022 no fue la ciencia subyacente, sino la forma de presentarla y ponerla al alcance de los usuarios. Por primera vez, personas no especializadas podían invocar grandes modelos preentrenados mediante una sencilla interfaz web y obtener resultados sorprendentes en segundos: un punto de inflexión que convirtió una curiosidad académica en una categoría de productos de uso generalizado. Aunque estos sistemas se apoyan plenamente en los fundamentos del deep learning, también cuestionan algunos de los primeros supuestos del paradigma, por ejemplo sobre la calidad de los datos y el diseño de las funciones de pérdida. En ese sentido, la «era generativa» representa una auténtica segunda generación de la práctica del deep learning, y no una mera prolongación de la primera.

Primero, los proveedores comenzaron a ofrecer modelos preentrenados de forma predeterminada, un avance radical, aunque inesperado. Con ellos, los usuarios finales ya no necesitan ocuparse de generar modelos —la fase de aprendizaje— y pueden concentrarse en utilizarlos —la fase de inferencia—. Esto facilitó enormemente la adopción. También abrió el camino a procesos de aprendizaje híbridos, en los que una red de deep learning podía ensamblarse a partir de componentes preentrenados y completarse con una sección entrenable. Aunque los procesos de aprendizaje por etapas son anteriores al deep learning, el paradigma generativo añadió una nueva dimensión e impulsó a la comunidad del aprendizaje automático a adoptar más prácticas de código abierto, compartiendo modelos además de código.

Segundo, el rasgo distintivo de la era generativa es un apetito casi insaciable por datos a escala de la web. Durante décadas, el adagio fue «basura entra, basura sale» (GIGO): unas entradas de baja calidad condenan las salidas del modelo. Sin embargo, los generadores actuales de texto e imágenes se entrenan con miles de millones de páginas e imágenes ligeramente filtradas, extraídas directamente de la web abierta, y aun así producen textos e imágenes que eclipsan la calidad media de esa materia prima. Sus resultados distan de ser impecables, pero son inequívocamente mejores que la mediana de sus fuentes, algo que derriba el antiguo credo GIGO. No obstante, aprovechar semejantes océanos de datos solo es posible si el software se escribe con una profunda sintonía mecánica, exprimiendo cada ciclo y cada banco de memoria que pueda ofrecer el hardware.

Tercero, los modelos cada vez mayores muestran habilidades emergentes para las que nunca se diseñaron sus funciones de pérdida. Por ejemplo, cuando los grandes modelos de lenguaje (LLM) alcanzan miles de millones de parámetros y se entrenan con miles de millones de tokens, empiezan a mostrar capacidades de traducción. Sin embargo, la función de pérdida solo refleja la predicción del siguiente token; no tiene en cuenta la traducción. Del mismo modo, los modelos de texto a imagen muestran capacidades emergentes, como la transferencia de estilo, que van más allá de sus datos de entrenamiento.

Estas capacidades trastocan un supuesto tomado de la investigación operativa. Hasta entonces se suponía, por lo general, que la mejor manera de resolver un problema de optimización era orientar el proceso mediante la misma métrica utilizada para evaluar la solución final. Las funciones de pérdida sustitutivas, aproximaciones de la pérdida real, solo eran aceptables cuando ofrecían ventajas computacionales significativas: un compromiso entre la calidad de la solución y los recursos. Sin embargo, las capacidades emergentes de los modelos generativos han superado repetidamente a los anteriores métodos de vanguardia, guiados por funciones de pérdida más directas.

En la era generativa, la relación entre la puntuación de una tarea y la función de pérdida que guía el descenso de gradiente estocástico se ha vuelto tenue. El aprendizaje autosupervisado ha desplazado al aprendizaje supervisado, que había dominado hasta entonces. La intuición que sustenta el aprendizaje autosupervisado es que la cantidad de datos sin etiquetar⁹³ suele superar ampliamente la de datos etiquetados. Por tanto, si el aprendizaje se desvincula de la tarea limitada de predecir «etiquetas» y se centra en propiedades intrínsecas de los datos, puede captar mejor la estructura subyacente.

Aunque los modelos generativos han redefinido la vanguardia del aprendizaje automático, aprovecharlos para los fines de supply chain no es tan evidente como afirman muchos proveedores de software. Los registros relacionales constituyen el grueso de los datos relevantes para la supply chain, pero ni los modelos de completación de texto, ni los de texto a imagen, ni los de imagen a texto son adecuados para procesarlos. Dos propuestas que los proveedores planteaban habitualmente a principios de la década de 2020 merecen ser refutadas.

Primero, los grandes modelos de lenguaje son adecuados para el texto, no para elaborar previsiones numéricas de series temporales. Aunque existen propuestas⁹⁴ para mejorar sus capacidades aritméticas, es poco probable que estos avances hagan que los modelos de lenguaje compitan con modelos diseñados específicamente para el procesamiento numérico. En el mejor de los casos, los grandes modelos de lenguaje pueden convertirse en una forma extremadamente enrevesada de lograr lo que unos modelos paramétricos sencillos consiguen con una fracción minúscula de los recursos de cálculo.

Segundo, las interfaces de tipo chat suelen perjudicar la productividad. Conversar con un chatbot es considerablemente más lento que la navegación tradicional. Toda tarea destinada a repetirse de forma rutinaria merece una experiencia de usuario «tradicional», en lugar de una interfaz conversacional engorrosa. En un entorno empresarial, se espera que los empleados estén formados y manejen el sistema con soltura, no que «se las arreglen como puedan». La perspectiva empresarial difiere fundamentalmente de la del consumidor final, en la que se presupone que los usuarios tienen menos conocimientos, sea cual sea la tarea.

En supply chain, los grandes modelos de lenguaje destacan al redactar recetas numéricas y facilitar el trabajo informal que rodea las decisiones; volveremos sobre estas aportaciones más adelante.

7 El futuro

Toda decisión de supply chain encierra una afirmación implícita: «esperamos que las condiciones futuras de la empresa hagan rentable la asignación de recursos de hoy». La predicción puede quedar sin expresar, pero no puede eludirse. Una empresa puede ignorar el reto de elaborar previsiones; no puede ignorar sus consecuencias.

Así, el futuro —y, de forma más general, el tiempo— importa enormemente para la supply chain. Sin embargo, el tiempo es engañosamente difícil, no porque sea demasiado abstracto, sino porque parece evidente y se resiste a la reflexión deliberada. El futuro se parece al aire que respiramos: ubicuo y, aun así, invisible.⁹⁵ Ante tales asuntos, resulta tentador dar por buenas las ideas preconcebidas y ahorrarse por completo el trabajo intelectual. La química nos enseñó que las ideas milenarias sobre el aire eran erróneas⁹⁶. Del mismo modo, en supply chain, las creencias no examinadas sobre el mañana —a menudo una extrapolación tácita del ayer— determinan silenciosamente los precios, las capacidades y los inventarios. Cuando son erróneas, cristalizan en planes que asignan mal los recursos escasos y propagan fallos a lo largo del flujo.

Para dar una base concreta al análisis, este capítulo conecta una observación sencilla —toda decisión es una apuesta sobre el mañana— con los instrumentos que hacen rentables esas apuestas. El recorrido consta de tres pasos.

Primero, hacemos explícitas las visiones tácitas que orientan la manera en que las empresas conciben el futuro. Buena parte de la práctica del siglo XX procede de una visión teleológica: fijar el mañana mediante previsiones y un plan diseñado con criterios de ingeniería. Frente a ella se encuentra una visión pragmática: tratar el mañana como un campo de oportunidades bajo incertidumbre y conservar opciones para que la empresa pueda actuar cuando las probabilidades se vuelvan favorables.

Segundo, examinamos por qué la planificación guiada por previsiones se derrumba en las empresas incluso cuando parece matemáticamente ordenada: el formalismo de las series temporales aplana lo que importa; el futuro depende de decisiones aún no tomadas; los números pequeños, la agrupación en lotes, las conductas adversariales y las colas pesadas rompen la pulcra simetría entre pasado y futuro. El resultado es una coordinación frágil y un ritual burocrático.

Tercero, reunimos instrumentos predictivos acordes con la visión pragmática y con la economía de la opcionalidad presentada antes en el libro. Sustituimos las series temporales puntuales por previsiones probabilísticas —demanda, plazos operativos, precios, devoluciones—, añadimos previsiones de alta dimensión —cestas de compra, sustitución, contagio— e introducimos previsiones funcionales, que se expresan mediante los objetos propios del flujo en lugar de intervalos temporales equiespaciados. Estas herramientas no adivinan «el» futuro; valoran alternativas y hacen explícitos los costes de oportunidad.

7.1 Visiones

[Una visión] es lo que intuimos o sentimos antes de haber construido un razonamiento sistemático que pueda llamarse teoría [..] Una visión es nuestra idea de cómo funciona el mundo [..] Todas las visiones son, hasta cierto punto, simplistas, aunque este término suele reservarse para las visiones de los demás, no para las nuestras. A Conflict of Visions (1987), Thomas Sowell.

De todas las ideas tácitas que nos rodean, las más poderosas moldean nuestra intuición de la causalidad en los objetos que nos ocupan; aquí, las supply chains. En efecto, esta intuición define cómo planteamos las situaciones, cómo vemos los problemas e incluso si llegamos a verlos. Aquí, visión designa esa intuición de la causalidad.

La visión precede a la teoría, y esta, a los modelos. Las visiones impregnan las empresas: sus culturas, prácticas y procesos. Importan porque sirven de brújula aproximada para el pensamiento. Entre los infinitos asuntos que podrían reclamar nuestra atención, las visiones deciden sobre cuáles merece la pena pensar.

Por ejemplo, el «Día 1» defendido por Jeff Bezos, fundador de Amazon, es una de esas visiones. Destaca una mentalidad perpetua de empresa recién creada —innovación continua y acción proactiva— para evitar el estancamiento del «Día 2». Consiste en tratar cada día como si fuera el primero, fomentar decisiones rápidas, aceptar la experimentación —incluso a riesgo de fracasar— y favorecer las oportunidades a largo plazo frente a las ganancias inmediatas. Al mantener la mentalidad del «Día 1», Amazon pretende conservar su espíritu emprendedor y evitar la autocomplacencia que aqueja a las organizaciones más grandes y maduras.

Sin embargo, la visión opuesta también tiene defensores. Como señaló el capitán Chesley «Sully» Sullenberger —célebre por el amerizaje de emergencia en el río Hudson que salvó 155 vidas—: «Durante 42 años he realizado pequeños depósitos periódicos en este banco de experiencia, educación y formación. Y el 15 de enero, el saldo bastaba para una retirada muy grande». Esta visión domina la aviación y combate la autocomplacencia mediante el perfeccionamiento incesante de la práctica existente, no mediante la innovación disruptiva. Los fallos pasados se pagaron con sangre, y los futuros también se pagarán así.

Las visiones determinan cómo las personas abordan instintivamente los sistemas complejos: sistemas que una mente humana no puede comprender fácilmente en su totalidad. Pensemos en una tienda minorista que tiene dificultades para mantener existencias adecuadas, con la mitad de los estantes vacíos. Los diagnósticos instintivos variarán mucho según la visión que cada cual tenga del funcionamiento de la supply chain.

Tomemos a un profesor de analítica de supply chain. Puede culpar instintivamente a la imprecisión de las previsiones de demanda que guían la reposición. Aquí, la visión deposita la responsabilidad de la calidad del servicio en una solución tecnológica: en el software. Esta visión se extiende a su comunidad académica, cuya investigación influye en el diseño y la precisión de ese software, reforzando así una perspectiva centrada en la tecnología.

En cambio, un director regional de la misma cadena puede culpar a una mala gestión de la tienda. En esta visión, las personas —el responsable de la tienda y su personal— deben hacer que funcione con eficiencia. La responsabilidad corresponde primero a quienes están más cerca del problema. Esta visión también implica a la alta dirección: permite que un responsable ineficaz siga en su puesto, lo que acentúa aún más una perspectiva centrada en las personas.

Estas dos visiones surgen de los mismos estantes vacíos, pero atribuyen la responsabilidad —y, por tanto, la solución— a ámbitos completamente distintos. Una recurre a una solución tecnológica; la otra, a una solución de gestión. Un tercer diagnóstico, igualmente plausible, se encuentra fuera de la empresa: los hurtos generalizados hacen desaparecer las existencias expuestas. Naturalmente, determinar si el problema de la tienda procede de un software defectuoso, de una mala gestión o de un contexto adverso de orden público es otra cuestión por completo. Las visiones no demuestran nada; solo rigen nuestra evaluación inmediata de situaciones complejas.

Las visiones tienen consecuencias. La historia muestra que muchas empresas llegaron a dominar sus mercados gracias a las visiones peculiares de sus fundadores, acertadamente llamados «visionarios»⁹⁷. Sin embargo, con el tiempo esas mismas visiones pueden preparar el fracaso de las empresas. Por ello, en cualquier empresa resulta razonable identificar las visiones dominantes de la alta dirección y evaluar si son adecuadas para el negocio.

A diferencia de las estrategias empresariales, las visiones rara vez se debaten, y menos aún se sopesan sus virtudes y defectos. Dentro de una misma empresa, las personas pueden mantener visiones radicalmente distintas. Como rara vez se explicitan, los empleados sienten que, cada vez que ellos empujan, otros tiran, y viceversa. Sin embargo, pocas veces se señala la divergencia de visiones como causa.

7.1.1 Valores

Tanto en política como en los negocios, los dirigentes suelen destacar valores divergentes para subrayar sus diferencias con los rivales. La frase «No tenemos los mismos valores» se oye por todas partes. Sin embargo, esta perspectiva, aun teniendo cierto mérito, tiende a ocultar la profunda influencia de las visiones.

En A Conflict of Visions (1987), Thomas Sowell observa con agudeza que, cuando las personas encuentran interpretaciones distintas de los mismos hechos, tienden a atribuir esas diferencias a los valores. A menudo, la variación de valores es mucho menos pronunciada de lo que sugiere la consigna «No tenemos los mismos valores». En el terreno político, por ejemplo, costaría encontrar a alguien que defendiera la pobreza, el crimen o la guerra. Sin embargo, pese a compartir valores contrarios a esos males, las visiones de las personas las orientan hacia soluciones marcadamente distintas.

Lo mismo ocurre en las supply chains. Con independencia del ámbito o sector, las empresas buscan rentabilidad, crecimiento, calidad de servicio y reducción del desperdicio. Son raras, si es que existen, las empresas que se oponen abiertamente a tales valores. Visiones diferentes producen estrategias y prácticas muy distintas, todas orientadas a los mismos valores.

Pensemos en el fundador de Amazon, Jeff Bezos, que ha insistido a menudo en una atención incansable al cliente. En una ocasión dijo: «Lo más importante, por encima de todo, es centrarse obsesivamente en el cliente. Nuestro objetivo es ser la empresa más centrada en el cliente de la Tierra». Es una declaración de valores, y bastante corriente. En efecto, los directivos rara vez menosprecian a los clientes en público. Cuando se sorprende a uno haciéndolo, rara vez conserva después su puesto. Lo que distingue a Amazon no son los valores que proclama —similares a los de la mayoría de las empresas—, sino su visión y su cultura particulares.

Por tanto, al evaluar cómo la comprensión del futuro moldea la práctica de supply chain, debemos recordar que las personas pueden proponer soluciones radicalmente distintas aun compartiendo los mismos valores. La mayoría de las veces, las divergencias se enraízan en visiones contrapuestas.

7.1.2 El tiempo

El paso del tiempo moldea nuestra experiencia y nuestra comprensión del mundo. Es tan concreto y omnipresente que resulta difícil hacer abstracción de la dimensión temporal. Sin embargo, muchos retos de supply chain —si no la mayoría— merecen ese tratamiento, aunque solo sea para poner de manifiesto las visiones subyacentes sobre el tiempo. Planteamos, pues, una serie de preguntas al respecto. En este punto, responderlas no es importante y no lo intentaremos. En cambio, pretendemos caracterizar las visiones: las intuiciones de la causalidad.

¿Vemos el futuro como algo cognoscible o incognoscible?

El valor de las previsiones se limita a la parte del mañana que puede anticiparse en la práctica. Cuando el futuro es al menos parcialmente cognoscible, las previsiones son instrumentos poderosos; cuando lo domina el ruido, son mera ceremonia. La planificación hereda la misma premisa: solo compensa si algunos rasgos del futuro pueden anticiparse con fiabilidad suficiente para orientar los compromisos. Si los resultados se apartan habitualmente de las expectativas, el esfuerzo de planificación se convierte en desperdicio.

¿Vemos el futuro como algo predestinado? ¿O abierto al cambio?

Si el futuro está fijado, una previsión es una medición anticipada de un estado que se producirá; su precisión se juzga por la correspondencia con el resultado observado. Si el futuro es maleable, la previsión actúa como una directriz que moldea el comportamiento; su precisión se juzga por el grado en que la ejecución se ajusta al plan.

¿Vemos la incertidumbre como un defecto o como riesgos y oportunidades?

Pocos discuten que el futuro es incierto. Una visión trata esa incertidumbre como un defecto que debe minimizarse mediante previsiones más precisas, controles más estrictos y medidas correctoras rápidas. La otra la trata como materia prima: algo que valorar, frente a lo que cubrirse y que, en ocasiones, aceptar cuando las probabilidades son favorables.

¿Consideramos preferible actuar antes o aplazar la decisión hasta disponer de más información?

Las decisiones trascendentes tomadas sobre la marcha parecen precipitadas a unos y resueltas a otros. Del mismo modo, la inacción se interpreta como una vacilación de voluntad débil o como la fortaleza de esperar a contar con mejor información.

¿Vemos el conocimiento como una característica de lo que no cambia, o como las circunstancias específicas de tiempo y lugar?

El conocimiento científico aspira a la permanencia: las teorías se formulan como afirmaciones atemporales, y la reproducibilidad presupone un fenómeno que no cambia con la fecha ni el lugar. El conocimiento empresarial es lo contrario. En cuanto un hecho se conoce ampliamente, su valor privado se desploma. Lo que crea una ventaja son las circunstancias específicas de tiempo y lugar: quién quiere qué y a qué precio, dadas las capacidades y restricciones de hoy. Por ello, el conocimiento valioso es local, oportuno y perecedero.

¿Vemos el pasado como un activo fundamental sobre el que construir, o como un legado defectuoso que conduce a la autocomplacencia?

Los fundadores pueden partir de una página en blanco; todo sucesor hereda un statu quo. Una postura trata ese legado como un activo de valor acumulativo: competencias, relaciones con proveedores, datos y rutinas que, al perfeccionarse, reducen riesgos y costes. La otra lo trata como un pasivo: costes hundidos, hábitos anquilosados y grupos de interés internos que sesgan las elecciones hacia el mercado de ayer.

¿Consideramos que la inversión en las personas puede acumular beneficios indefinidamente, o reservamos esa acumulación a las tecnologías y las técnicas?

Algunos ven la capacidad humana como algo que se acumula. Con práctica, retroalimentación y mejores modelos mentales, los planificadores siguen ganando rapidez y precisión; por tanto, el gasto en formación se asemeja a una inversión de capital. Otros esperan una pronta meseta: una vez alcanzada la competencia, las mejoras duraderas proceden principalmente de mejores técnicas y software; la inversión debería dirigirse, por tanto, a las herramientas en lugar de a las personas. La postura adoptada determina en gran medida qué se considera, en primer lugar, una «inversión».

Estas preguntas son, por supuesto, falsas dicotomías: la verdad puede encontrarse entre los extremos, variar según el contexto o situarse en otro lugar por completo. Lejos de ser meras reflexiones filosóficas, muestran que la intuición que cada cual tiene del tiempo —del futuro— acarrea consecuencias. Las visiones divergentes no solo producen soluciones divergentes: las personas pueden ni siquiera coincidir en los problemas que merece la pena resolver.

En los círculos de supply chain, las concepciones del tiempo y del futuro han convergido en gran medida en lo que llamamos la visión teleológica: la creencia de que el mañana puede fijarse de antemano mediante previsiones y materializarse después mediante el cumplimiento de un plan. Durante el siglo XX, esta visión se hizo dominante y sigue siendo la opción por defecto en el XXI. Pocas veces se nombra, rara vez se cuestiona y la mayoría de los autores y del software empresarial la presuponen tácitamente. La siguiente sección hace explícita esta visión y examina sus consecuencias.

7.2 La visión teleológica

El futuro solo permanece inaccesible para quienes no han adoptado los instrumentos matemáticos que ofrece la ciencia moderna. Las debilidades que aún aquejan a nuestros modelos actuales de previsión acabarán siendo remediadas por la fuerza imparable del progreso. Además, esos instrumentos no solo nos dicen qué sucederá, sino también por qué. Así, el dirigente moderno, a diferencia de su primitivo predecesor, no deja nada al azar. Sus planes ya no se apoyan en la intuición falible de los hombres; se diseñan con criterios de ingeniería y con la precisión que caracteriza esta era de las máquinas.

Estas líneas captan la esencia de la visión teleológica⁹⁸. A lo largo del siglo XX, esta visión se convirtió en la perspectiva dominante de los círculos intelectuales. Por intelectuales entendemos personas que se ganan la vida vendiendo sus ideas —escritores, historiadores, académicos—, en lugar de servicios o productos tangibles. Esta definición no juzga la inteligencia; simplemente clasifica ocupaciones. Por ejemplo, un periodista es un intelectual, mientras que un neurocirujano no lo es. Sin embargo, cabe esperar que el neurocirujano tenga más formación y sea más inteligente que el periodista; eso espera todo paciente que pone su vida en manos del cirujano.

Cuando una visión arraiga en los círculos intelectuales, suele difundirse y moldear la opinión pública⁹⁹. La visión teleológica se hizo dominante —si no exclusiva— en los círculos de supply chain, tanto entre los autores como entre los profesionales. Los proveedores de software empresarial afianzaron esta visión mediante flujos de trabajo y tecnologías que dejaban poco o ningún espacio a perspectivas alternativas.

Por desgracia, esta visión es tan popular como defectuosa. Pese a una montaña de pruebas en contra, sigue siendo una de las ideas económicas más seductoras de todos los tiempos. Erradicarla de la supply chain es una tarea intimidante, pero necesaria. Primero debemos examinar de dónde procede y cómo dio lugar a sus ramificaciones en supply chain.

7.2.1 Surgimiento histórico

La previsión cuantitativa moderna¹⁰⁰ —frente al adivino, augur, oráculo o profeta tradicionales— surgió a principios del siglo XX en Estados Unidos con la primera generación de expertos en previsión económica. La demanda de previsiones se vio impulsada por la aparición de una clase media inversora, entonces exclusiva de Estados Unidos. A principios del siglo XX, solo medio millón de estadounidenses poseían acciones; a finales de la década de 1920, la cifra había ascendido a 10 millones. Aquellos primeros expertos confiaban en que sus técnicas acabarían convirtiendo la incertidumbre económica en una reliquia del pasado:

Semana tras semana, su boletín [el de Roger Babson] explicaba a los lectores que los acontecimientos económicos no eran aleatorios ni inciertos, sino que estaban regidos por fuerzas que podían comprenderse mediante un estudio cuidadoso. Comenzó a publicar previsiones periódicas tras el pánico de 1907. […] Ofrecía pronósticos sobre todo, desde los precios hasta el empleo y las ventas. —Walter A. Friedman, Fortune Tellers (2013)

La fanfarronería de Babson marcó la pauta de los comentaristas económicos a lo largo del siglo. Su idea central era adaptar a la economía la tercera ley de Newton¹⁰¹, también conocida como ley de acción y reacción. Sostenía que, con el tiempo, haría que el curso de la economía fuera tan predecible como el de los cuerpos celestes. Aunque hoy esa idea se considera ampliamente ingenua y equivocada, los expertos en previsión de mediados del siglo XX conservaban la misma confianza que Babson, trasladándola de la mecánica newtoniana a la estadística.

El Gosplan de la Unión Soviética, fundado en 1921, empezó a publicar planes anuales en 1925. El comité se apoyaba directamente en una visión teleológica según la cual el futuro podía conquistarse. Sin embargo, solo produjo planes irreales que no podían ejecutarse. Los resultados fueron desastrosos. Los economistas soviéticos Nikolai Shmelev y Vladimir Popov escriben: «El sistema administrativo se distinguía por su romanticismo económico, su profundo analfabetismo económico y una exageración increíble del efecto real que el “factor administrativo” tenía sobre los procesos económicos y las motivaciones de la población».

La cultura popular se hizo eco de estas creencias: la serie de ciencia ficción Foundation (1951), de Isaac Asimov, recoge las ideas predominantes entre los intelectuales de la época. La trama central gira en torno a una teoría ficticia, la «psicohistoria», que combina física de partículas y sociología y a la que se atribuye una capacidad predictiva casi perfecta cuando intervienen cantidades inmensas de personas. Sin embargo, Asimov admite que algunos individuos pueden contrarrestar ese poder predictivo. Para ello hace falta, no obstante, algo equivalente a un semidiós: un ser humano dotado de inmensos poderes psíquicos.

La mayoría de los intelectuales del siglo XX seguía confiando plenamente en que los asuntos humanos acabarían siendo predecibles, incluso mientras las previsiones económicas continuaban fallando. Aunque el fracaso del Gosplan puede atribuirse en parte a los defectos generales del socialismo, pioneros estadounidenses orientados al mercado, como Moody’s y Standard & Poor’s, también sufrieron reveses. Ambos comenzaron vendiendo publicaciones de inversión —manuales, resúmenes de empresas y boletines de mercado con previsiones explícitas—, en lugar de limitarse a tabular cuentas pasadas. A mediados de siglo, las dos empresas habían virado hacia la calificación crediticia: un negocio «más seguro» que les evitaba la vergüenza de unas previsiones inevitablemente erróneas.

Los reveses de la previsión no frenaron la investigación operativa: durante su auge en las décadas de 1950 y 1960, el campo adoptó la visión teleológica. El futuro se trataba como una entrada conocida del modelo, ya fuera bajo condiciones estacionarias o mediante una previsión de series temporales. A finales de la década de 1970, las series temporales se habían convertido en la piedra angular de las teorías cuantitativas de supply chain. Su protagonismo aumentó aún más con el auge de la S&OP —planificación de ventas y operaciones— a finales del siglo XX. Su posición e importancia apenas se cuestionaron hasta principios de la década de 2010.

7.2.2 El paradigma de las series temporales

Una serie temporal es una secuencia de valores de una magnitud observados en momentos sucesivos, normalmente separados por intervalos iguales¹⁰². Extender la serie más allá de hoy produce una previsión; en concreto, una previsión de series temporales. Aunque estas pueden representar cualquier cosa —desde el número de manchas solares hasta la población de un país—, la mayoría de los autores y del software de supply chain las utiliza principalmente para representar la demanda, medida en unidades individuales o en términos monetarios.

Figura: Serie temporal histórica hasta el presente (trazo continuo) y su previsión (trazo discontinuo).

Una serie temporal es una secuencia ilimitada de números dispuestos sobre una regla, donde el «0» marca el día de hoy. Todo lo que queda a la izquierda ya ha sucedido; todo lo que queda a la derecha aún debe inferirse. En la práctica, rellenamos esas posiciones con previsiones y tratamos el tiempo en pasos separados y uniformemente espaciados: días, semanas, etcétera.

Este formalismo aclara algunos supuestos que sustentan el paradigma de las series temporales. Primero, las series temporales no tienen principio ni fin, igual que una recta geométrica. Naturalmente, por razones prácticas, cualquier representación visual se trunca en un segmento finito. Sin embargo, ese fragmento no debe confundirse con el conjunto.

Segundo, las series temporales son estructuralmente simétricas respecto a su dimensión temporal. Por «estructural» no queremos decir que los valores pasados y futuros coincidan, sino que son de la misma naturaleza. No se diferencian salvo por el corte en el instante cero, que es una convención.

Tercero, las series temporales adoptan un eje temporal discreto. Esta elección simplifica drásticamente tanto su visualización como los modelos construidos sobre ellas, sean analíticos o predictivos.

Estos tres supuestos coinciden con la visión predominante en las ciencias naturales. Un meteorólogo que estudia las temperaturas de un lugar adopta el mismo paradigma. Aunque los registros comiencen en una fecha determinada, no duda de que podrían haberse registrado temperaturas antes. A la inversa, las mediciones pueden continuar indefinidamente. Aunque la temperatura evoluciona de forma continua, los registros se discretizan deliberadamente —por ejemplo, con una medición diaria a una hora fija— para facilitar el análisis. Por último, las leyes físicas presentan una simetría temporal casi perfecta¹⁰³.

Es difícil exagerar el dominio del paradigma de las series temporales en los círculos de supply chain a principios del siglo XXI. Casi toda la literatura sobre previsión gira en torno a las previsiones de demanda mediante series temporales. Pocos autores reconocen otros objetos de previsión¹⁰⁴ más allá de la demanda, y aún menos reconocen estructuras alternativas más allá de las series temporales. En la práctica, elaborar previsiones se ha convertido en sinónimo de «elaborar previsiones de demanda mediante series temporales».

Del mismo modo, la mayor parte de la «optimización aplicada», heredera de la investigación operativa, utiliza series temporales como entradas siempre que puede. De nuevo, pocos reconocen perspectivas alternativas.

En el ámbito del software, la mayoría de los sistemas de informes se apoya en cubos OLAP —procesamiento analítico en línea— que, por diseño, adoptan el paradigma de las series temporales. Entre las dimensiones del cubo, una es invariablemente el tiempo. Lo crucial es que estos cubos son incompatibles con estructuras alternativas, más expresivas, que vayan más allá de las series temporales.

En gestión, la práctica generalizada de la S&OP —planificación de ventas y operaciones— sitúa las series temporales en el centro. Equipos de distintas funciones se reúnen para producir un único resultado: el plan estratégico. En la práctica, ese plan es un conjunto de series temporales —normalmente las ventas proyectadas de la empresa— distribuidas entre intervalos temporales futuros.

7.2.3 Planificar mediante series temporales

En los negocios, una previsión de series temporales no es una proyección neutral como en las ciencias naturales; también constituye un compromiso. Una vez aprobada, se convierte en la referencia que fija presupuestos, reserva capacidad y programa reposiciones. La organización trabaja entonces para que esas cifras se cumplan; la previsión pasa a ser menos una conjetura sobre el mañana que una instrucción para darle forma.

Una vez fijadas las previsiones —y tratada como conocida la demanda futura—, solo queda coordinar los recursos para satisfacerla con prontitud y al menor coste. En la visión teleológica, planificar significa fijar la demanda futura y asignar los recursos correspondientes.

En efecto, si el futuro se trata como algo ya resuelto —una demanda diaria conocida para cada SKU en cada ubicación—, el problema de planificación se reduce a aritmética: las decisiones materiales —qué comprar, fabricar o mover; dónde; cuándo; y cuánto— se infieren mecánicamente de la propia previsión¹⁰⁵. La ejecución se reduce entonces a medir el cumplimiento de «el plan». Por ejemplo, si la previsión de ecommerce de mañana para una SKU concreta en el centro de preparación de pedidos es exactamente de 2 unidades, mantener menos existencias equivale a un faltante de stock planificado; mantener más es, por definición, un exceso evitable que una reposición mejor ajustada en el tiempo «debería» haber impedido.

Cuando la previsión se consagra como «el plan», la capacidad de actuar de la empresa se desplaza al ritual de fijar esa cifra. La previsión ocupa el trono; todo lo demás es cumplimiento. De ahí las luchas territoriales en torno a la referencia: no son una disputa sobre el mérito estadístico, sino una negociación presupuestaria encubierta. Para los expertos en previsión, el forcejeo parece perverso; para los directivos, la «precisión» es secundaria. El verdadero premio es una porción mayor de capital, capacidad y atención para el propio feudo.

La coordinación se enfrenta entonces a un desajuste estructural: las previsiones se expresan en una geometría y los recursos en otra. La referencia puede ser semanal por SKU, mientras los camiones salen a diario y nunca los domingos; la producción se agrupa en lotes en torno a los cambios de serie; las órdenes de compra obedecen a cantidades mínimas de pedido —MOQ— y tramos de precios. Por ello, se encarga a un pequeño ejército de planificadores programar hacia atrás cada detalle —desplazar cantidades entre días, encajar pedidos antes de las horas de corte, añadir aquí y recortar allá— para que los registros parezcan ajustarse a la referencia. A un observador externo, este trajín le parece «tomar decisiones». En realidad, el margen de elección es mínimo: las elecciones están limitadas por el cumplimiento del plan, y los grados de libertad restantes son administrativos, no económicos.

Esta visión también explica por qué los autores, profesionales y proveedores de software de supply chain casi siempre ignoran la fijación de precios. En efecto, como los precios afectan a la demanda, pertenecen al ámbito de la supply chain —como sostenemos a lo largo de este libro—; sin embargo, la postura clásica, fiel a la visión teleológica, los ignora por completo. Simplemente se espera que se fijen antes y con independencia de la fase de planificación. Para el planificador tradicional de oferta y demanda, los precios son un dato: ni se evalúan ni se cuestionan.

Esta concepción de la planificación —una previsión que dirige la asignación de recursos— domina de tal modo los círculos actuales de supply chain que pocos reconocen siquiera alternativas. Los desacuerdos se limitan a la elección de métodos de previsión, modelos de inventario y flujos de trabajo de coordinación. Sin embargo, pese a su popularidad, la planificación teleológica tiene defectos y merece un examen crítico.

7.2.4 Límites de la planificación

Llamemos, pues, falacia teleológica a la ilusión de que uno sabe exactamente adónde va, de que sabía exactamente adónde iba en el pasado y de que otros triunfaron en el pasado porque sabían adónde iban. Antifragile: Things that Gain from Disorder (2012), de Nassim Nicholas Taleb

La planificación que surge de la visión teleológica es profundamente defectuosa. Aun así, pese a un siglo de pruebas en contra —con los fiascos del Gosplan soviético como ejemplos más notorios—, sigue siendo la doctrina central de las grandes organizaciones, públicas y privadas. Pocas ideas han seducido tan completamente a los círculos intelectuales del siglo XX a cambio de tan poco. Antes de examinar por qué perdura esa fascinación, aclaremos las carencias técnicas de la planificación, comenzando por las insuficiencias de las series temporales.

Como estructura matemática, las series temporales son poco adecuadas para reflejar situaciones empresariales. Resulta tentador —pero profundamente equivocado— reutilizarlas tal como se emplean en las ciencias naturales. El núcleo del problema es que, en entornos empresariales, las series temporales ignoran categóricamente facetas enteras del fenómeno examinado.

Pensemos en el meteorólogo que mide la temperatura cada día en el mismo lugar: esa es la serie temporal que le interesa. Sabe que la medición podría ser más precisa con un equipo ligeramente mejor. Sabe que podría medir dos veces, con un minuto de diferencia o a 100 metros de distancia. Sin embargo, no se espera que ninguna de esas mejoras cambie radicalmente la imagen. Siempre es posible realizar mediciones más precisas o de mayor granularidad, pero con rendimientos decrecientes. La serie temporal es una aproximación, pero el meteorólogo controla su naturaleza y su alcance. Nunca está «a unos segundos» o «a unos metros» de un avance radical que transforme por completo su comprensión del tiempo meteorológico.

Los negocios no siguen esas reglas. Cambios aparentemente menores en la medición pueden alterar radicalmente la evaluación de la situación. Pensemos en una empresa que lleva años vendiendo el mismo producto. Las ventas son estables —unas 1.000 unidades semanales— y fluctúan poco. ¿Qué probabilidad hay de que la demanda de ese producto caiga a cero la semana que viene y permanezca en cero para siempre? Para responder, consideremos dos situaciones que presentan series temporales históricas idénticas de ventas semanales.

Consideremos dos estructuras de demanda que producen el mismo total semanal, de unas 1.000 unidades: Caso A: 1.000 clientes independientes, cada uno de los cuales compra aproximadamente una unidad por semana; Caso B: un solo cliente que compra unas 1.000 unidades semanales. La serie temporal histórica —totales semanales durante años— parece idéntica en ambos casos, pero los riesgos de cola difieren. En el caso A, llevar las ventas de la próxima semana a cero exigiría perder prácticamente a todos los clientes, un proceso que, salvo catástrofe, se desarrolla durante muchas semanas o meses. En el caso B, basta una decisión de un comprador; el riesgo de desplome completo es la probabilidad de perder a ese único cliente.

Consideremos las consecuencias para el inventario. En el caso A, los descensos suelen aparecer gradualmente, lo que permite reducir existencias a medida que se manifiesta la pérdida de clientes; las bajas de inventario tienden a mantenerse contenidas. En el caso B, una gran baja es cuestión de cuándo, no de si ocurrirá: cuando el único comprador se marcha, las existencias acumuladas para él se convierten en un excedente. Así, dos situaciones con series temporales idénticas de ventas semanales presentan perfiles de riesgo opuestos y requieren decisiones distintas.

Consideremos un segundo escenario: una tienda vende una media de 10 unidades semanales de una SKU concreta. Abre los siete días y recibe reposiciones diarias. ¿Qué nivel de existencias físicamente presentes proporciona un servicio fiable? La previsión puntual de demanda diaria es de \(\approx 1.4\) unidades, pero dos estructuras de demanda con la misma serie temporal implican necesidades de inventario opuestas.

Variante A: muchas cestas pequeñas. Diez clientes distintos compran una unidad cada uno a lo largo de la semana. Con reposición diaria, mantener unas 5–6 unidades físicamente presentes basta la mayoría de los días: las existencias de ciclo de un día, más un pequeño colchón, cubren el ruido habitual.

Variante B: pocas cestas grandes. Un cliente por semana compra 10 unidades de una vez. Tener menos de 10 garantiza un faltante de stock en esa visita; para ofrecer un servicio aceptable hacen falta al menos 10 y, como pueden llegar dos clientes de ese tipo el mismo día, 20 —posiblemente 30— es el rango pertinente.

La serie temporal es idéntica en ambas variantes, pero la posición de inventario económicamente sensata difiere por un factor de cuatro o más. Lo que importa es la distribución del tamaño de las cestas, no la media repartida entre intervalos diarios.

Como muestran los dos ejemplos anteriores, incluso para una sola SKU las series temporales aplanan aspectos críticos del flujo. Son una representación con pérdida de información del historial de transacciones: la proyección descarta información y, a diferencia de lo que ocurre en meteorología, lo que se pierde suele ser esencial. Por ello, los planes resultantes son invariablemente disfuncionales, pues ignoran aspectos críticos de la situación. Como la debilidad reside en el propio paradigma de las series temporales, es ilusorio pensar que una mayor sofisticación pueda remediarla. Añadir más series, ampliar su horizonte hacia atrás o hacia delante, aumentar la granularidad o mejorar la precisión puntual no resolverá el problema.

Podrían aportarse muchos más ejemplos similares. Incluso para una sola SKU, las series temporales fallan: con los perecederos —cada unidad tiene su propia vida útil—; con los reparables —cada unidad tiene su propio ciclo de vida—; con la logística inversa —las devoluciones crean confusión—; con los lanzamientos de productos —todavía no hay serie—, etcétera. De hecho, cuesta encontrar un sector en el que una parte considerable del negocio sea incompatible con el paradigma de las series temporales y, por tanto, con la «planificación».

Estas limitaciones para una sola SKU no desaparecen a gran escala; se disparan. En una empresa de cierto tamaño con miles de SKU, la perspectiva de las series temporales —y los rituales de planificación construidos sobre ella— produce los mismos errores, solo que amplificados. Pensemos en una empresa de ropa deportiva con tiendas propias que, entre muchos artículos, vende una mochila negra. Desde la perspectiva de la planificación, prepara una proyección de ventas a 12 meses para esa mochila y fija la producción en consecuencia; después repite el ejercicio para todo el surtido. La práctica es tan común que pocos la cuestionan, aunque su premisa es defectuosa.

La proyección carece de sentido. Una colocación destacada en tienda elevaría la demanda; limitar la mochila al ecommerce la reduciría. Si la empresa introduce muchas variantes —colores y tamaños—, estas canibalizarán la demanda de la mochila original. Si adopta un precio agresivo y convierte la mochila en la punta de lanza de una campaña de marketing para atraer nuevos clientes a la red de tiendas, la demanda será mucho mayor que si se trata de un producto corriente más dentro de un surtido inmenso.

El plan no tiene sentido porque cada proyección está condicionada por decisiones que aún no se han tomado, pero el ejercicio procede como si ya se hubieran tomado. Una vez publicado el plan, los administrativos deben reconstruir sus elecciones hacia atrás para que los compromisos posteriores parezcan ajustarse a él. En la práctica, el plan no es imposible; solo se hace «viable» mediante aproximaciones costosas —recargos por urgencia, colchones excesivos, suavizado artificial y obligaciones aplazadas— que mantienen alineados los registros mientras deterioran los resultados económicos. Aquí, la viabilidad es un artificio contable, no una verdad operativa.

No tenía nada de especial ni de sorprendente que el Gosplan produjera planes inviables. Es un defecto inherente a la planificación teleológica. Directivos empresariales, señores feudales y comisarios políticos que adoptaran la misma visión acabarían igualmente con planes inviables. Para entender por qué, recordemos que la supply chain es, en esencia, un proceso económico: asignar recursos que tienen usos alternativos.

Al concebir un plan, los directivos disponen implícitamente de miles de recursos escasos y esperan que estén preparados en el momento, lugar, cantidad y coste adecuados. La probabilidad de una correspondencia perfecta entre las innumerables expectativas del plan y los recursos realmente disponibles para la empresa —en cada momento y ubicación de todo el horizonte de planificación— es prácticamente nula.

La planificación mediante series temporales —y, más ampliamente, la visión teleológica— no solo se queda corta: dirige mal los esfuerzos. Sin embargo, bien entrado el siglo XXI, sigue siendo la opción por defecto en la mayoría de las empresas y en casi todos los foros de supply chain. ¿Cómo se convirtió en ortodoxia una idea refutada una y otra vez? La explicación reside menos en la lógica que en los incentivos. La siguiente sección examina esos incentivos —el atractivo burocrático de la planificación— y muestra por qué la doctrina perdura pese a sus malos resultados.

7.2.5 Atractivo burocrático

Las grandes empresas están enamoradas de la idea del plan estratégico. Necesitan pagar para averiguar hacia dónde van. Sin embargo, no hay pruebas de que la planificación estratégica funcione; incluso parece haber pruebas en su contra. Un investigador de la gestión, William Starbuck, ha publicado varios artículos que desmontan la eficacia de la planificación: esta vuelve a la empresa ciega a las opciones, al encerrarla en un rumbo que no aprovecha las oportunidades. Antifragile: Things that Gain from Disorder (2012), Nassim Nicholas Taleb.

Puede que el Gosplan haya desaparecido, pero su espíritu sigue vivo en las grandes empresas y los organismos públicos. La visión teleológica resulta innegablemente atractiva, pero no solo por ignorancia o estupidez. Su persistencia se debe menos a la ignorancia que a unos incentivos que recompensan el teatro de la planificación; mientras no se identifiquen y se afronten esos incentivos, la doctrina perdurará.

En esencia, la planificación es una función burocrática que desempeñan especialistas administrativos. Esta función es inevitable: la empresa necesita un mecanismo para asignar una mezcla intrincada de recursos entre distintos momentos y lugares. Estos especialistas rara vez intervienen directamente en el flujo físico; lo coordinan de forma indirecta. El problema de asignación refleja el flujo que gobierna y es demasiado complejo para que una sola persona lo gestione de principio a fin. Como el trabajo es analítico y maneja muchos datos, los especialistas son notablemente más productivos en él que los generalistas. Por tanto, repartir la carga de trabajo entre todos los niveles directivos rara vez es viable; lo sensato es centralizar la tarea en un pequeño grupo de planificadores.

Como en cualquier burocracia, el fracaso se castiga —a menudo con dureza—, mientras que el éxito apenas se percibe. Por ejemplo, un vendedor que logra duplicar su cuota anual de ventas prevista está en una posición favorable para negociar un aumento de sueldo considerable. En cambio, un planificador cuyas bajas de inventario son la mitad de las de sus compañeros rara vez recibe un reconocimiento comparable. Mientras que el éxito de un vendedor se considera personal, se entiende que los logros de un planificador dependen de muchos otros actores, tanto dentro como fuera de la empresa, como los proveedores. A la inversa, rara vez se despide a un vendedor por perder una operación lucrativa, mientras que un planificador que provoca una importante baja de inventario puede sufrir graves consecuencias profesionales si la pérdida se atribuye al plan que propuso.

Estén justificados o no, estos prejuicios impregnan las grandes empresas, especialmente entre los mandos intermedios. En consecuencia, los miembros de la burocracia de planificación pronto aprenden que eludir responsabilidades es más seguro que atribuirse el mérito de algún éxito ocasional. Como cabría esperar, una cultura orientada a los procesos desplaza a otra orientada a los resultados. Esta situación se perpetúa al redefinir la «buena planificación» como el cumplimiento de procesos codificados. Este giro vuelve a la burocracia casi inexpugnable: el éxito pasa a definirse como el cumplimiento continuo de unas reglas que ella misma ha redactado.

Por desgracia, el mero cumplimiento de procesos aporta pocos beneficios tangibles a la planificación. La planificación empresarial no es como la seguridad aérea, donde cada accidente —hoy poco frecuente— se examina para identificar los ajustes que impedirán que se repita. Por el contrario, los errores de planificación son tan frecuentes y tan importantes que esos ajustes suelen introducir al menos tantos defectos como los que corrigen. Como resultado, la mediocridad sigue siendo un rasgo persistente de la planificación.

En particular, las previsiones de series temporales crean una trampa de responsabilidad para el equipo de planificación. Una previsión puntual será errónea con toda certeza cuando se utilice; cuando aparecen faltantes o excedentes, el error queda a la vista y, dentro de la empresa, se atribuye a quienes elaboraron las previsiones. Las burocracias evitan esta exposición de un único responsable. La respuesta habitual consiste en ampliar la «responsabilidad» sobre la previsión —incorporando al ritual a ventas, marketing, finanzas y operaciones—, no tanto para afinar las cifras como para garantizar que cualquier error pase a ser colectivo.

Esta maniobra suele presentarse como una gran iniciativa «colaborativa» que promete mejorar la precisión de las previsiones. La S&OP (Sales and Operations Planning, o planificación de ventas y operaciones) es una de las variantes más populares de estas iniciativas. Sus interminables reuniones garantizan que muchos otros participantes suscriban las previsiones. No hay pruebas empíricas de que estas reuniones mejoren la calidad de la planificación. De hecho, las pruebas muestran que los grandes comités casi siempre obtienen peores resultados, sea cual sea la tarea.

En suma, la elaboración teleológica de previsiones atrae a los empleados administrativos porque les permite eludir tanto las decisiones como sus consecuencias. Las previsiones actúan como un escudo profesional que desvía la responsabilidad por las asignaciones de recursos resultantes. Después, los planificadores retocan el proceso de elaboración de previsiones —a menudo calificándolo de «colaborativo»— para diluir aún más su exposición.

Aunque un análisis sencillo deja al descubierto los defectos de la visión teleológica, aplicar esta crítica a una empresa concreta suele ser difícil. Estos defectos a menudo quedan ocultos tras añadidos metodológicos que dan al proceso de planificación un barniz «científico».

La crítica no es un método. Las empresas siguen necesitando una brújula que no finja que el mañana es una prolongación fija del ayer. La alternativa consiste en tratar la incertidumbre como un dato de entrada, en lugar de como un defecto; considerar la opcionalidad como un activo que hay que cultivar y gastar; y juzgar las decisiones por su contribución al beneficio ajustada al riesgo, en lugar de por su fidelidad al plan. Esta postura, habitual entre los emprendedores y poco frecuente en las burocracias, vuelve a situar la capacidad de actuar en la asignación, en vez de en la previsión utilizada para justificarla. La llamamos visión pragmática y la examinamos a continuación.

7.3 La visión pragmática

El futuro es irreductiblemente desordenado. Los clientes son volubles, los empleados caprichosos y los proveedores poco fiables. Pero los rivales se enfrentan a la misma agitación. No hace falta ser perfecto: basta con ser mejor. Cada bache es también un carril de adelantamiento. Actuar con decisión supera a una planificación elaborada, y la suerte recompensa a quienes están preparados. Prepararse es, por tanto, el arte de cultivar oportunidades, en lugar de adivinar con exactitud cómo será el mercado de mañana.

Estas observaciones condensan la visión pragmática. El bando teleológico trata el futuro como un viaje que exige un mapa cada vez más detallado: la previsión. Si el mapa es suficientemente preciso, no hace falta ningún otro instrumento: por sí solo debería guiar al viajero hasta un destino conocido. A sus partidarios, viajar sin ese mapa les parece una imprudencia.

En cambio, la visión pragmática se apoya en una evaluación continua de las oportunidades: una baliza que guía hacia el destino, no un mapa. Si esa baliza es fiable, progresar consiste en avanzar de forma sostenida en su dirección. Conocer el destino de antemano no aporta velocidad; el terreno cambiante pronto vuelve inútiles los mapas estáticos.

Aunque los emprendedores la practican a diario, muchos intelectuales desdeñan la visión pragmática. Su desprecio nace menos de dudas sobre su eficacia que de juicios de índole moral, como si adoptarla revelara un defecto de carácter.

El primer estigma nace de la asociación implícita entre la visión pragmática, los juegos de azar y otras formas de especulación ociosa. Sin embargo, aunque el emprendedor se arriesga, no se trata de una especulación «ociosa», y se espera que el proceso resulte rentable tanto para él como para sus clientes. Por ejemplo, puede considerarse que el éxito de un emprendedor que lanza un producto que triunfa de forma masiva es inmerecido, pues su aportación económica parece menor a ojos de un observador poco atento. Sin embargo, para lograr ese único éxito quizá haya lanzado decenas de productos y perdido dinero con cada uno de los que no triunfaron. Además, solo los consumidores pueden decidir si un producto es una pequeña variación o una mejora radical. Un gran éxito comercial indica que los consumidores encontraron algo especialmente atractivo. Por desgracia, los costes de explorar muchos enfoques para servir mejor al mercado son en gran medida invisibles para quienes lo observan desde fuera, de modo que a menudo se descarta el éxito como pura suerte, como si se hubiera ganado la lotería.

El segundo estigma nace de comportamientos característicos que muchos observadores consideran explotadores. Una vez más, los observadores se centran en los beneficios —reales o imaginados— que obtiene el emprendedor, lo que sesga su percepción. En primer lugar, en un mercado libre una transacción solo se produce cuando ambas partes consienten. Por tanto, sea cual sea el precio que pida el vendedor, el comprador no puede ser «explotado» a menos que acepte ese precio¹⁰⁶. Por ejemplo, una empresa que lleva urgentemente generadores portátiles a una región dañada por una tormenta puede cobrar mucho más que el precio «normal». Pero no hay nada explotador en ello. No se obliga a los compradores a adquirir los generadores, y quienes lo hacen consideran que están mejor con uno que sin él¹⁰⁷. En términos más generales, en la visión pragmática los precios dan forma al flujo: comprar barato y vender caro es su fuerza motriz. Sin embargo, a menudo se la tacha erróneamente de explotadora porque los observadores poco atentos no se dan cuenta de que «comprar barato y vender caro» no es cuestión de suerte, sino que requiere un esfuerzo constante y también entraña riesgos financieros inevitables.

Desde el siglo XIX, los círculos intelectuales se han esforzado por estigmatizar la visión pragmática¹⁰⁸ y han difundido esta percepción entre el público. Muchas peculiaridades de lo que hoy pasa por ser la teoría «dominante» de la supply chain —como eludir el evidente impacto del precio en la demanda— deben mucho a esta estigmatización.

Sin embargo, la verdad no se decide por popularidad; la visión pragmática es una alternativa superior a la teleológica, tanto en el plano conceptual como en el empírico. Conceptualmente, la visión pragmática adopta la perspectiva de la búsqueda de beneficios y los rasgos que la acompañan. Por ejemplo, los comportamientos adversariales no tienen cabida en la visión teleológica, pero encajan de forma natural en la pragmática. Empíricamente, la visión pragmática demuestra una mayor resistencia al caos circundante porque depende mucho menos de que el plan sea correcto, lo que produce mejores decisiones ajustadas al riesgo. Por ejemplo, la propia noción de «oportunidades» resulta evidente en la visión pragmática, pero está ausente de la teleológica.

7.3.1 Incertidumbre irreductible

La visión pragmática parte de que el futuro es decididamente incierto, sin que ello implique que sea por completo incognoscible. Esta visión no sostiene que los futuros posibles sean inconcebibles ni que todos sean igual de probables. Por el contrario, sostiene que algunos futuros son mucho más probables que otros, que es posible identificarlos y que, por tanto, pueden asignarse recursos para atender esos futuros probables. A su vez, esto permite servir a los clientes con mayor diligencia y rentabilidad.

La visión pragmática sostiene que puede anticiparse una parte del mañana, aunque a menudo solo en términos generales y estructurales. Gran parte de lo que sabemos es comparativo —«un gramo de oro casi con toda seguridad seguirá siendo más caro que un gramo de plata»— o relacional —«a igual precio, la SKU A venderá más que la SKU B»—. Este conocimiento es útil desde el punto de vista operativo, pero encaja mal en las series temporales de valores puntuales equiespaciados, que solo ofrecen un número por fecha. Las posiciones de una serie temporal no pueden expresar desigualdades, ordenaciones ni afirmaciones condicionales; reducen los hechos relativos a conjeturas absolutas.

Incluso cuando el conocimiento no es comparativo, su estructura se resiste al molde de las series temporales. Pensemos en la aviación: el número mundial de pasajeros aumenta la mayoría de los años, con desplomes graves y poco frecuentes que interrumpen esa tendencia. Una serie de valores puntuales nos obliga a elegir un número por cada fecha futura; no puede codificar «casi siempre al alza, salvo años de caídas catastróficas de baja probabilidad». Captar la asimetría y el riesgo de cola exige distribuciones de probabilidad o variables de régimen, no una única trayectoria de referencia. En suma, el formalismo de las series temporales es demasiado limitado para los tipos de afirmaciones que proporcionan a las empresas una ventaja real.

Vista desde este ángulo, la visión pragmática no es menos «predictiva» que la teleológica; simplemente utiliza otra gramática. En lugar de llenar intervalos temporales con una única trayectoria de referencia, asigna probabilidades a familias de resultados y registra hechos comparativos: por ejemplo, que la SKU A probablemente venderá más que la SKU B a igual precio, que una ola de calor aumenta las ventas de agua o que los plazos operativos presentan una cola derecha pesada. Lo que importa no es un número aislado por fecha, sino el conjunto de alternativas valoradas económicamente que abren estas afirmaciones. Una previsión se considera «buena» en la medida en que crea una ventaja económica —al permitir a la empresa comprometerse, aplazar, cubrir riesgos o revisar precios mejor que sus rivales—, y no porque minimice una métrica académica de error.

Mientras que la visión teleológica aplana el mañana hasta convertirlo en una única cantidad a lo largo del tiempo, la visión pragmática trata el futuro como una cartera de incertidumbres repartidas por todo el flujo. La cantidad demandada es solo una variable. Los precios y las condiciones comerciales pueden cambiar; un rival puede ampliar la garantía de tres a cinco años, lo que obliga a reaccionar; la composición de las ventas y la sustitución evolucionan con las prácticas comerciales. Los plazos operativos fluctúan, a menudo con retrasos de cola pesada; los costes de compra y de funcionamiento varían; los proveedores y las líneas de producción a veces fallan. Cada una de estas incertidumbres merece su propia ley de probabilidad, porque todas modifican los costes de oportunidad tanto como la demanda. La tarea práctica consiste en valorar económicamente estas incertidumbres de forma conjunta, en vez de fingir que una sola previsión escalar puede representarlas todas.

En la visión pragmática no hay un futuro, sino una multitud ilimitada. Reducir esa multitud a un puñado de escenarios —y no digamos a una única previsión— es confundir los deseos con la realidad. Puesto que el futuro solo puede conocerse en parte y está lleno de incertidumbres, es imposible enumerar todos los resultados plausibles. Por tanto, cualquier intento de elaborar un «gran plan maestro» que lo abarque todo roza el autoengaño.

En cambio, la visión pragmática trata la planificación como un intento de conciliar conocimientos diversos y contradictorios sobre el futuro para asignar los recursos de la forma más rentable. Apostar fuerte por un resultado poco probable puede ser aceptable si los rendimientos son elevados y compensan los riesgos. A la inversa, un resultado muy probable puede no merecer ninguna asignación si no permite obtener beneficio alguno, por seguro que sea.

En resumen, la visión pragmática trata el mañana como una cartera de indicios heterogéneos. Se niega a comprimirlos en una única serie temporal de referencia y conserva cada uno en su forma original: probabilidades, regímenes, desigualdades y afirmaciones comparativas. El problema práctico es la síntesis: convertir indicios dispares en decisiones coherentes. Esa tarea corresponde a las herramientas, no a la visión. El resto de este capítulo presenta la teoría y los instrumentos que realizan esta síntesis.

Antes de abordar los mecanismos, un principio: en la visión pragmática, lo primero es la decisión, es decir, la propia asignación.

7.3.2 Asignaciones oportunistas

La visión pragmática trata el futuro como un flujo continuo de oportunidades —algunas desastrosamente deficitarias, otras muy lucrativas—, en lugar de como una «base de referencia» fija de unidades que suministrar. Cada decisión es, ante todo, una valoración económica de la oportunidad que se pretende aprovechar.

En la visión pragmática, la decisión ocupa la cima: una asignación deliberada de recursos escasos a una oportunidad. Las previsiones son datos de entrada para esa elección; en la visión teleológica, en cambio, la previsión lleva la corona. Este enfoque marcado y distintivo complica cualquier intento de diálogo entre los partidarios de ambas visiones. Para el defensor de la visión pragmática, las previsiones son sofisticadas, pero en última instancia secundarias y quedan totalmente subordinadas a la necesidad de actuar con decisión. Para el defensor de la visión teleológica, las previsiones y el plan asociado a ellas son inseparables de un proceder racional. Las decisiones que no se basan en un plan se consideran, en el mejor de los casos, cortas de miras y, en el peor, caprichosas.

Sin embargo, aunque la visión pragmática es fundamentalmente oportunista, está tan orientada al futuro como la teleológica. En efecto, toda asignación de recursos conlleva un coste de oportunidad inevitable. En consecuencia, podría rechazarse una oportunidad aparentemente rentable porque ello permitiría acceder a otra mejor o, a la inversa, porque aprovecharla podría generar problemas que erosionasen los beneficios esperados.

Por ejemplo, pensemos en una aerolínea que alquila una pieza aeronáutica cara y reparable a otra aerolínea para evitar que uno de sus aviones quede inmovilizado por falta de ese componente¹⁰⁹. Como la pieza se necesita con urgencia, la aerolínea puede exigir a sus homólogas un precio de alquiler muy elevado. Sin embargo, a menudo se negará a alquilarla, aunque, según las reglas contables básicas, la operación parezca extraordinariamente rentable sobre el papel. En efecto, la aerolínea debe tener en cuenta su propia flota. Al alquilar la pieza, aumenta el riesgo de que uno de sus propios aviones quede inmovilizado precisamente porque acabe faltando esa misma pieza. El coste de este riesgo puede compensar por completo el beneficio del alquiler, pese a un precio que, sobre el papel, parece muy rentable.

Observemos que la visión teleológica elude por completo la cuestión de los costes de oportunidad. En efecto, desde esta perspectiva, o bien el plan se considera viable —en cuyo caso ningún cliente quedará sin atender—, o bien se considera inviable, en cuyo caso las previsiones de demanda se revisan a la baja hasta que el plan vuelve a ser viable. En la visión teleológica, la propia noción de oportunidad queda enterrada —junto con casi todas las demás cuestiones de supply chain— dentro de la proyección de la demanda futura mediante series temporales.

El cálculo exacto de estos costes de oportunidad es difícil en la práctica, y la visión pragmática lo reconoce. Por ello, como alternativa al cálculo mental explícito de los costes de oportunidad, favorece las evaluaciones comparativas. Por ejemplo, ¿debería la empresa asignar su última unidad a un cliente nuevo pero desconocido, o mantenerla implícitamente reservada para un cliente fiel al que no está dispuesta a decepcionar? Aunque las evaluaciones comparativas pueden realizarse mediante métodos sofisticados, la visión pragmática destaca una preferencia general por examinar cada asignación a la luz de sus alternativas.

Estas evaluaciones comparativas también permiten decidir si conviene asignar algo: si existe una oportunidad futura preferible para la misma asignación, debería descartarse la actual. Por ejemplo, la empresa puede dejar de comprar unidades adicionales y reservar el efectivo para más adelante, cuando las existencias actuales se hayan reducido más y las necesidades estén más claras.

En consecuencia, la visión pragmática no necesita un «plan» en el sentido de la visión teleológica. Los recursos se irán asignando de forma incremental hasta que se considere que los costes de oportunidad son demasiado elevados para continuar. La existencia de oportunidades futuras preferibles es todo lo que la empresa necesita para evitar agotar sus recursos mediante asignaciones prematuras. Por tanto, pese a su postura oportunista, la visión pragmática no es más corta de miras que la teleológica. Ambas se apoyan en estimaciones del futuro y, por ello, están orientadas a él, aunque sus predicciones difieran en la forma.

Una vez que las asignaciones son comparables, pueden priorizarse. Una única lista de prioridades, reordenada continuamente, puede dirigir todo el flujo a medida que la nueva información modifica cada valoración. A escala empresarial, esta lista alcanza fácilmente millones de entradas —cada asignación admisible—, muy por encima de lo que una persona puede mantener. La visión pragmática indica qué ordenar y por qué. Cómo mantener esa clasificación y actuar a partir de ella es una cuestión de ingeniería que abordaremos al presentar los instrumentos que mecanizan esta visión a gran escala. Antes necesitamos otro ingrediente: reconocer que el futuro no es un espejo del pasado, sino la consecuencia de decisiones aún por tomar; es decir, la asimetría del tiempo.

7.3.3 Asimetría del tiempo

Frente a la perspectiva habitual en las ciencias naturales —donde muchas leyes son, en la práctica, simétricas ante la inversión del tiempo y el mañana se trata como otro tramo del mismo proceso—, la visión pragmática considera que el futuro está moldeado por decisiones aún no tomadas. En los negocios, el mañana no es un espejo del ayer, sino la consecuencia de los compromisos presentes. Elaborar previsiones mientras se aplaza la decisión invierte la causalidad: las decisiones causan los resultados, y no al revés.

Ya hemos comentado el caso de una empresa de ropa deportiva que vende mochilas. Las ventas futuras no pueden concebirse como una mera proyección de las ventas pasadas, porque la empresa puede influir en la demanda en muchas dimensiones: bajar el precio, introducir un modelo de mochila más grande u ofrecerlo en un nuevo color, pagar publicidad, destacar el artículo en las tiendas, etc. Por tanto, desde la visión pragmática no tiene sentido tratar el próximo año como una prolongación del anterior. El próximo año es categóricamente distinto del anterior.

Algo aún más desconcertante para los planificadores teleológicos es que la visión pragmática considera perfectamente normal depender de decisiones aún no tomadas. Los compromisos presentes pueden quedar expresamente supeditados a elecciones posteriores: hoy aseguramos y valoramos opciones precisamente para poder decidir mañana con información más reciente, cuando los costes de oportunidad estén más claros. Para el profesional de la visión pragmática, esto no es circularidad, sino prudencia: actuar ahora para ampliar el conjunto de opciones futuras, mientras se aplaza la elección entre ellas hasta que el mercado haya revelado más información.

Por ejemplo, una marca de moda podría negociar y pagar por adelantado un compromiso de capacidad importante con un proveedor de confianza. Este compromiso permite al proveedor aprovisionarse de materias primas, como tejidos y cuero, con determinación. Esto mitiga el riesgo de que sufra retrasos por dificultades posteriores para conseguir las materias primas, a la vez que abre la posibilidad de reducir los costes de adquisición. Sin embargo, cuando se formaliza el compromiso, la marca aún no ha decidido qué pedirá. Desde la visión pragmática, esos detalles pueden esperar. Siempre que la capacidad sea adecuada a grandes rasgos, es preferible aplazar la orden de compra, porque así se conserva la opción de adaptar los pedidos posteriores a los deseos más recientes del mercado.

El valor de preservar opciones es otro pilar de la visión pragmática. En efecto, cada vez que la empresa se compromete con un curso de acción, pierde parte de su capacidad de actuar. Por ejemplo, una vez que un fabricante pone en marcha un lote de producción, las materias primas se consumen y ya no pueden utilizarse en una producción alternativa. Del mismo modo, si ese fabricante se compromete a poner en marcha el lote de producción el mes que viene, las materias primas correspondientes quedan, en la práctica, reservadas para esa producción futura.

Más allá de los compromisos directos, las opciones también se erosionan por los precedentes: es el efecto trinquete. Una vez que observan un comportamiento, las contrapartes actualizan sus expectativas y hacen que dar marcha atrás resulte costoso. Una marca de moda que termina una temporada con grandes rebajas enseña a los clientes a aplazar sus compras y a esperar los mismos descuentos la temporada siguiente; una mejora «temporal» del servicio se convierte en la nueva referencia; una exención puntual de la MOQ pasa a ser la nueva regla. Como en un trinquete mecánico, avanzar en el sentido de apriete es fácil, mientras que retroceder encuentra resistencia. En la visión pragmática, cada acción se valora no solo por su margen inmediato, sino también por cómo amplía o reduce el conjunto de opciones de mañana; las acciones que cierran elecciones futuras deben superar un umbral más exigente que las que preservan la flexibilidad.

En términos más generales, siempre que una parte del futuro queda fijada, se vuelve funcionalmente idéntica al pasado, puesto que ya no se puede actuar sobre ella, aunque los acontecimientos aún no se hayan producido técnicamente. La visión pragmática no solo trata el futuro como algo radicalmente distinto del pasado, sino que también valora preservar aquello que lo hace distinto: la capacidad de actuar de la empresa. Para quienes practican esta visión, comprometerse con un curso de acción definitivo es un último recurso, al que solo se acude cuando los beneficios del compromiso superan los costes de oportunidad.

Quienes sostienen la visión teleológica suelen percibir esta postura como voluble o inconstante. No hay un compromiso con lo que uno mismo pensaba antes, sino solo con los acuerdos formales que implican a terceros. Por ejemplo, cuando se le pregunta por un curso de acción futuro, un defensor de la visión pragmática se limitará a ofrecer su mejor conjetura, sin un apego particular a esa afirmación. Es solo una opción —provisionalmente la más probable—, pero no hay certeza. Esta opción coexiste con un enorme número de alternativas que, en conjunto, son aún más probables. Más adelante, a medida que se desarrollen los acontecimientos, el rumbo se revisará a la luz de la nueva información.

Desde la perspectiva teleológica, se da por sentada la existencia de un plan subyacente: es la caracterización central del futuro. La posibilidad de que no haya ningún plan es casi inconcebible y, cuando se encuentra, se desprecia como una muestra de falta de profesionalidad. Por tanto, cambiar el curso de acción implica cambiar el plan. Esto se interpreta como el reflejo de un problema de fondo: o bien una ejecución inadecuada —incumplir el plan—, o bien un plan que ya era inadecuado desde el principio¹¹⁰.

Cuantificar un futuro que se considera dependiente de decisiones aún por tomar plantea numerosas dificultades técnicas. En particular, las previsiones de series temporales y la mayoría de los instrumentos de planificación de la visión teleológica resultan inadecuados. Como la literatura sobre supply chain apenas ofrece apoyo a la visión pragmática, la mayoría de sus defensores recurre a cálculos aproximados hechos sobre la marcha. Los planificadores teleológicos consideran rudimentarios esos cálculos. Sin embargo, como se mostrará a continuación, los instrumentos que sustentan la visión pragmática pueden igualar —y, de hecho, a menudo superar— la sofisticación de los métodos clásicos de planificación.

7.3.4 Superioridad de la visión pragmática

Aunque la visión pragmática apenas cuenta con apoyo en los círculos intelectuales¹¹¹, es muy superior a la teleológica. Empíricamente, cuando los emprendedores de éxito exponen su visión, se inclinan invariablemente por la pragmática. Ingvar Kamprad (Ikea), Jeff Bezos (Amazon) y Warren Buffett (Berkshire Hathaway) son algunos de quienes han adoptado públicamente estas posturas. Los emprendedores de éxito dedican casi todo su esfuerzo a dirigir sus negocios y, por ello, no producen tantos artículos o libros como los intelectuales especializados en ese trabajo. De ahí que sean escasos los escritos favorables a la visión pragmática.

Además, abundan las pruebas empíricas de los pésimos resultados de la visión teleológica. Durante siete décadas, el Gosplan de la Unión Soviética impuso graves ineficiencias económicas a más de 100 millones de personas. En términos más generales, tanto en el sector privado como en el público, los grandes planes plurianuales descarrilaron con frecuencia y generaron costes inmensos. En cambio, no se conocen éxitos de la gran planificación que hayan hecho la fortuna de una gran empresa. En el mejor de los casos, los planes se ejecutan con sobrecostes y retrasos limitados, y eso es todo lo que aquí se entiende por «éxito».

Estas observaciones —tanto los éxitos con la visión pragmática como los fracasos en su ausencia— se deben en gran medida a un único factor: cómo se gestiona la incertidumbre. La visión teleológica intenta eliminarla; la pragmática la acepta. Por ello, los métodos teleológicos son frágiles ante las perturbaciones, mientras que los de la visión pragmática pueden mitigar esas mismas perturbaciones o incluso sacarles partido.

En un mundo con poca o ninguna incertidumbre, la visión teleológica podría funcionar admirablemente. No vivimos en un mundo así. Los mercados libres bastan por sí solos para crear una incertidumbre considerable para todos sus participantes. En efecto, amplifican enormemente las pequeñas variaciones. Por ejemplo, Walmart llevó a competidores a la quiebra: Kmart en 2002 y Sears en 2018. Walmart hizo que los ingresos de Kmart pasaran de más de 36 mil millones de dólares en 1994 a cero, pese a ser solo un 2,2% más barata¹¹². En un mercado libre, ser un 1% peor que un competidor suele traducirse en una pérdida del 100% de la cuota de mercado en una o dos décadas. Por tanto, aunque se eliminaran las fuentes de incertidumbre ajenas al mercado —guerras, granizadas, terremotos, epidemias—, la incertidumbre irreductible seguiría definiendo los mercados libres.

Los instrumentos de supply chain —ya sean algoritmos o metodologías— que sustentan la visión pragmática son escasos, una consecuencia nada sorprendente de su falta de partidarios en los círculos intelectuales. La mayoría de los profesionales se apoya en la experiencia y en la intuición que esta proporciona. Sin embargo, nada nos impide introducir esas herramientas, una tarea que estos capítulos acometen paso a paso.

7.4 Previsibilidad de los asuntos humanos

El rendimiento de una supply chain depende de la capacidad de la empresa —tanto de sus directivos como de sus sistemas informáticos— para anticipar adecuadamente los acontecimientos futuros. Estos acontecimientos incluyen, ante todo, decisiones humanas. Predecir a la perfección los fenómenos naturales es concebible —aunque rara vez se logra más allá de ciclos sencillos como las mareas—, pero prever a la perfección los asuntos humanos es imposible. Basta con que un cliente que lleva la contraria¹¹³ cambie de opinión para desbaratar una previsión supuestamente «perfecta». No obstante, los hábitos hacen que las acciones sean algo previsibles a corto plazo.

Por ejemplo, cuando el gerente de un supermercado coloca un paquete de yogures en la estantería con una etiqueta de precio, espera que un cliente lo compre. Además, espera que la venta se produzca mucho antes de la fecha de caducidad. Una anticipación acertada mantiene bajo control las bajas de inventario y los faltantes de stock, una disciplina que domina la mayoría de los supermercados. Los supermercados rentables demuestran que estas anticipaciones pueden producirse a gran escala como parte de la actividad habitual.

En general, las supply chains siguen siendo rentables porque los directivos anticipan bien los acontecimientos futuros. En su mayor parte, esto significa anticipar las decisiones que tomarán otros. Hasta finales del siglo XIX, el proceso se apoyaba en la intuición y la experiencia. A principios del siglo XX aparecieron métodos analíticos formales y comenzó a medirse rigurosamente la precisión de los modelos. Estos métodos florecieron después de 1950, impulsados por un aumento constante de la potencia de cálculo. Así nació el paradigma de las series temporales, que, como ya se ha comentado, se convirtió en el enfoque predictivo dominante en supply chain.

Sin embargo, la perspectiva de las series temporales es frágil en los entornos empresariales. Deja fuera de su abstracción las propias palancas que hacen que el mañana sea distinto del ayer y comprime acontecimientos dispersos y discretos en medias fraccionarias. Cuando resulta útil, lo es por solo dos motivos: la inercia a corto plazo y los ciclos del calendario. Examinaremos esas ventajas limitadas y después sustituiremos esta perspectiva por instrumentos que se ajusten a la economía del flujo: (i) previsiones probabilísticas que asocian distribuciones a la demanda, los plazos operativos, los precios y las devoluciones; (ii) previsiones de alta dimensión que captan las cestas de compra, la sustitución y los efectos cruzados entre artículos, canales y ubicaciones; y (iii) previsiones funcionales —condicionadas a una política de decisión— que se expresan mediante los objetos propios del flujo —pedidos, asignaciones y precios—, en lugar de mediante intervalos temporales equiespaciados. Estas herramientas no adivinan «el» futuro; valoran económicamente las alternativas y hacen explícitos los costes de oportunidad.

7.4.1 Inercia y ciclos

La elaboración de previsiones de series temporales trata los asuntos humanos como mediciones periódicas proyectadas hacia el futuro. Una vez registradas las cifras pasadas, la tarea consiste en proponer valores razonables para las fechas futuras y hacerlo con tanta fidelidad como permitan nuestras herramientas.

Con millones de artículos¹¹⁴ sobre previsiones de series temporales, es difícil exagerar la importancia percibida de este paradigma en el mundo académico. Sin embargo, para un corpus de semejante magnitud, tiene sorprendentemente poco que ofrecer. Se apoya en dos principios que confieren poder predictivo a los modelos de series temporales: la inercia y los ciclos. Son importantes, pero sus límites resultan evidentes.

La inercia¹¹⁵, en el contexto de la supply chain, es la resistencia de las personas a cambiar sus hábitos a corto plazo. Esta resistencia no es simple obstinación; el cambio suele conllevar costes importantes. Evaluar si un cambio mejora el statu quo puede exigir un esfuerzo considerable, y su puesta en práctica puede menoscabar el valor de los activos productivos existentes.

Por ejemplo, un fabricante puede decidir adquirir sus máquinas herramienta a un proveedor más barato. Como las máquinas herramienta no son simples productos indiferenciados, evaluar su idoneidad lleva tiempo. Hay que volver a formar a los equipos y ajustar los procesos para aprovechar al máximo las nuevas máquinas. Por último, las piezas de repuesto existentes pueden perder gran parte de su valor si son incompatibles con las máquinas del nuevo proveedor.

Así, la inercia explica por qué la familia de modelos de medias móviles —incluido el suavizado exponencial— suele ofrecer una referencia razonable a corto plazo: el futuro próximo se parece al pasado reciente. Además, la inercia rige más cosas que la demanda: los plazos operativos, las tasas de devolución, las tasas de defectos, los precios de compra y venta, etc.

A medida que cambian los hábitos, disminuye el poder predictivo de la inercia; el efecto Lindy nos indica a qué velocidad.

Si un libro lleva cuarenta años publicándose, puedo esperar que siga publicándose otros cuarenta. Pero, y esta es la diferencia principal, si sobrevive otra década, cabrá esperar que siga publicándose otros cincuenta años. Esta sencilla regla explica por qué las cosas que llevan mucho tiempo existiendo no «envejecen» como las personas, sino que «envejecen» al revés. Cada año que pasa sin que desaparezcan duplica la esperanza de vida adicional. Esto indica cierta robustez. ¡La robustez de un objeto es proporcional a su vida! Antifragile: Things That Gain from Disorder (2012), Nassim Nicholas Taleb.

El efecto Lindy rige los hábitos tanto como los objetos y, en un mundo cambiante, es crucial para gestionar el riesgo de las asignaciones. Las inversiones importantes requieren una inercia que sea a la vez fuerte y duradera. Los profesionales utilizan el efecto Lindy para evaluar cuánto durará una determinada inercia.

Por ejemplo, un aumento de las ventas de cereales de desayuno durante dos semanas podría bastar para que un supermercado ampliase sus existencias. Sin embargo, la marca que observe ese mismo aumento podría aplazar varios meses la ampliación de su capacidad. La apuesta del supermercado es modesta; si el aumento es transitorio, el exceso de existencias se absorberá con el tiempo. En cambio, la inversión de la marca en capacidad es mucho mayor y, si el aumento se desvanece, habrá que darla por perdida.

Los ciclos captan la tendencia humana a vincular las decisiones al calendario. En la práctica, las regularidades aprovechables del calendario son pocas y estables: hora del día, día de la semana, día del mes y día del año. Todo lo demás que tiene un valor duradero es una variante o una combinación de estas cuatro, más un puñado de acontecimientos cuasicíclicos que no siguen exactamente el calendario gregoriano.

Hora del día. Las tiendas tienen horarios de apertura; el ecommerce, horas límite para los pedidos y picos a última hora de la noche. Los registros con una resolución inferior al día revelan patrones intradiarios marcados, como las pausas durante la comida o los repuntes al final del día. Con datos diarios, los ciclos intradiarios desaparecen en gran medida de la vista, salvo por los efectos que inducen según el día de la semana; por ejemplo, el cierre dominical reduce a cero la demanda minorista.

Día de la semana. Los hogares compran los fines de semana; la demanda B2B se concentra de lunes a viernes; las devoluciones se agrupan los lunes. En muchos surtidos, el perfil semanal explica más varianza que cualquier otro factor individual.

Día del mes. Las nóminas, las prestaciones, los ciclos de facturación y los objetivos de cierre del periodo generan curvas con forma de «palo de hockey» a final de mes, especialmente en los envíos. Conviene distinguir: un pico de envíos a final de mes suele ser un artefacto de los filtros burocráticos, no consumo real. Debe tratarse como un efecto del calendario sobre los flujos observados, y no como un aumento persistente de la demanda subyacente.

Día del año. Las estaciones, las vacaciones y los días festivos civiles dominan el perfil anual. Aquí la «estacionalidad» no tiene misterio: es la huella del calendario en los hábitos —calefactores en invierno, sandalias en verano—. Los «eventos» comerciales también están ligados al calendario; el Black Friday —el día posterior al cuarto jueves de noviembre en Estados Unidos—¹¹⁶ modifica sistemáticamente la composición de las cestas de compra cada año.

Más allá de las cuatro frecuencias básicas hay unos pocos cuasiciclos: acontecimientos religiosos o lunares —Ramadán, Año Nuevo chino, Pascua— que se desplazan respecto al año gregoriano y que deben tratarse mediante calendarios explícitos propios de cada lugar, en vez de con simples índices mensuales.¹¹⁷ Los calendarios escolares y las fiestas locales son del mismo tipo: calendarios discretos con listas de fechas previsibles, no «patrones» desligados del calendario que haya que descubrir.

Desde el punto de vista de la modelización, el tratamiento más económico consiste en un pequeño conjunto de índices multiplicativos —uno por cada factor relevante del calendario—, regularizados hacia \(1\) cuando las pruebas son débiles. La geografía y el canal merecen índices separados —lo que se vende el sábado en el comercio minorista a menudo no se vende en B2B—; los cierres implican ceros estructurales, en lugar de imputaciones; las SKU cuyas series contienen pocas observaciones no nulas se apoyan en otras similares mediante la agrupación jerárquica. Así se mantiene explícito el calendario y se permite trasladarlo de un surtido a otro.

Dicho claramente, una vez incorporadas la inercia —la persistencia de los hábitos a corto plazo— y un calendario compacto —los cuatro ciclos básicos más unos pocos cuasiciclos explícitos—, ya se ha extraído casi toda la señal práctica que pueden captar los modelos de series temporales. Las descomposiciones elaboradas —fuegos artificiales de Fourier, retardos exóticos, máquinas de estados barrocas— rara vez resisten las pruebas fuera de muestra en entornos empresariales. Todo lo que va más allá de la inercia y el calendario corresponde a otros instrumentos —fijación de precios, promociones, sustitución, modelización de plazos operativos—, no a la propia perspectiva de las series temporales.

La siguiente sección muestra que, una vez tenidos en cuenta la inercia y el calendario, seguir dando vueltas dentro del paradigma de las series temporales aporta a las supply chains rendimientos que tienden a desaparecer.

7.4.2 El callejón sin salida

Pese a las decenas de miles de artículos nuevos que aparecen cada año, la elaboración de previsiones de series temporales lleva años demostrando ser un callejón sin salida tecnológico para las supply chains¹¹⁸. La demostración más clara de esta afirmación se encuentra en los resultados de M5, una gran competición pública de previsiones celebrada en 2020 —la mayor hasta la fecha— con un conjunto de datos de ventas de Walmart a nivel de tienda.

En esta competición, un equipo de Lokad —especialista en software de supply chain— obtuvo el primer puesto a nivel de SKU¹¹⁹, el más desagregado y, desde la perspectiva de la supply chain, el único que en última instancia importa para las decisiones sobre el flujo. Su modelo de previsión ganador¹²⁰ era un sencillo modelo paramétrico multiplicativo que solo utilizaba la inercia y los ciclos presentados en la sección anterior. Además, la inmensa mayoría de esos parámetros eran índices cíclicos básicos, es decir, coeficientes multiplicativos que reflejaban los factores «día de la semana», «día del mes» y «mes del año».

A nivel de SKU, este modelo superó a enfoques más sofisticados, incluidos modelos de deep learning —con millones de parámetros— y modelos de gradient boosting —con miles de árboles—. En otros niveles de agregación, la precisión de este modelo sencillo se mantuvo muy cerca de la de los ganadores.

Con 909 equipos de todo el mundo en M5, sin duda se probaron todos los métodos destacados de series temporales. Sin embargo, al final, un modelo sencillo alcanzó una precisión comparable —si no superior— a la de sus homólogos más sofisticados. La razón es sencilla: ningún modelo logró captar información valiosa de las series temporales históricas más allá de la inercia y los ciclos. Ningún modelo lo logró porque esa información no está presente en las series temporales de M5.

Para el equipo de Lokad, lejos de ser una sorpresa, este resultado confirmó una conclusión a la que había llegado aproximadamente una década antes, tras realizar numerosas evaluaciones comparativas de previsiones de series temporales con conjuntos de datos de decenas de clientes empresariales. Estos conjuntos de datos no esconden ciclos por descubrir, ni retardos latentes en los que una serie prediga otra, ni tendencias secretas que estén esperando a ser encontradas¹²¹. En términos más generales, en los registros empresariales no hay patrones alternativos que puedan aprovecharse mediante modelos de previsión de series temporales más sofisticados.

La ausencia de pruebas no es prueba de ausencia. Aunque siguen sin encontrarse patrones alternativos en las series temporales —es decir, distintos de la inercia y los ciclos—, todavía podrían descubrirse. No obstante, las probabilidades de un avance decisivo tras un volumen de investigación tan abrumador son bajas. Al terminar la Segunda Guerra Mundial, ya se había identificado el poder predictivo de la inercia y los ciclos. La competición M5 ilustró después que, 70 años y millones de artículos más tarde, no se habían descubierto otros principios. La mayor parte de lo que desde entonces ha pasado por «progreso» se ha limitado a refinar la parametrización de esos dos efectos —términos de tendencia más suaves para la inercia e índices de calendario cada vez más detallados para los ciclos—, lo que produce mejoras marginales con rendimientos fuertemente decrecientes una vez establecida una referencia multiplicativa bien construida.

Existen numerosos patrones que aprovechar más allá de la inercia y los ciclos, pero se encuentran fuera de los estrechos límites del paradigma de las series temporales. Por tanto, para aprovecharlos hay que abandonar ese paradigma.

La persistencia de «avances» siempre nuevos en las series temporales se debe menos a una falta de comprensión que a los incentivos: la novedad se vende mejor que admitir que, más allá de la inercia y los ciclos, queda poca señal por extraer. De ahí el desfile de variantes década tras década, cada una adoptando la técnica que esté de moda en informática¹²². En las previsiones de supply chain, estas oleadas aportan poco de sustancia, como ilustran los resultados de M5 expuestos anteriormente.

7.4.3 La ley de los pequeños números

La inercia y los ciclos son principios predictivos innegablemente poderosos. Cuando intervienen grandes números, los asuntos humanos se vuelven bastante previsibles utilizando solo esos dos principios. Por ejemplo, las fechas de los atascos de tráfico en Francia pueden predecirse con años de antelación y casi con certeza. Esos atascos reflejan decenas de millones de decisiones individuales arraigadas en hábitos de toda una vida. Las infraestructuras de transporte siguen evolucionando, pero el progreso es lo bastante lento como para no interferir mucho en estas predicciones a unos pocos años vista.

Por desgracia, las supply chains trabajan fundamentalmente con pequeños números. Cada vez que un número que caracteriza el flujo se hace grande —por ejemplo, supera 20—, se produce una agrupación en lotes y el número disminuye gracias a las economías de escala que se obtienen por el camino.

Ilustremos este principio con un envío local de pequeñas piezas mecánicas. Una única pieza urgente viaja en moto. A medida que aumentan las cantidades, el modo de transporte cambia en pasos discretos: unas decenas de piezas se agrupan con plástico retráctil en un paquete y viajan en la siguiente ruta del mensajero; varios paquetes se introducen en una caja y se envían en una furgoneta de reparto; una pila de cajas se convierte en un palé transportado por un camión mediano; unos pocos palés justifican programar una carga completa de camión. En la práctica, el flujo avanza en cuantos —unidad → paquete → caja → palé → carga de camión—, en lugar de una unidad cada vez.

Como resultado, las series temporales de supply chain son casi siempre dispersas —la mayoría de las observaciones son ceros— y erráticas —las observaciones no nulas varían considerablemente—.

Figura: Una serie suave de gran volumen con un ciclo semanal —línea continua— frente a una serie dispersa y errática —barras grises—.

Los métodos de series temporales funcionan mal con series dispersas: producen volúmenes diarios fraccionarios —por ejemplo, 0,3 unidades/día— que carecen de significado operativo al utilizarlos y que, como era de esperar, resultan inexactos frente a las decisiones reales. Un paliativo habitual consiste en «ocultar» la escasez de observaciones no nulas mediante la agregación: alargar el intervalo temporal —días \(\rightarrow\) meses— o ampliar el alcance —SKU \(\rightarrow\) categoría—.

Sin embargo, aunque la agregación produzca técnicamente previsiones de series temporales más precisas, es poco más que una ilusión óptica. La estructura de la decisión —la asignación de recursos— determina la granularidad de la predicción, y no al revés.

Por ejemplo, pensemos en el gerente de una tienda que vende unos pocos tarros de una determinada marca de mostaza cada mes. En su caso, la decisión de reposición tiene dos campos: una fecha —cuándo volver a pedir— y una cantidad —cuántas unidades—. El gerente necesita saber si hoy es un buen día para realizar el pedido de reposición, no si este mes es el mes adecuado para hacerlo. Del mismo modo, necesita saber cuántos tarros —de la misma marca y del mismo tamaño— debe volver a pedir. Una evaluación en unidades de condimentos —la categoría del producto— no le sirve de nada.

La ley de los pequeños números explica por qué la esperanza de diseñar previsiones de series temporales precisas está tan fuera de lugar, incluso en situaciones que no están entrelazadas con decisiones aún por tomar. Los pequeños números hacen que los datos sean irreductiblemente erráticos. No se trata de un defecto transitorio de los instrumentos estadísticos actuales que otros superiores vayan a corregir pronto. Por el contrario, cualquier instrumento numérico que apliquemos a la supply chain debe adaptarse a los pequeños números y a conjuntos de datos limitados también en otros aspectos.

Estas restricciones no exigen una rejilla temporal más fina ni un suavizado más elaborado; requieren otra gramática. Cuando los recuentos son pequeños y las acciones discretas, la unidad de predicción con sentido no es «un número para el próximo martes», sino una ley de probabilidad sobre los resultados admisibles: cuántos, si es que hay alguno, y con cuánto retraso. El primer instrumento de esa gramática es la previsión probabilística: una distribución que da cabida a la escasez de observaciones no nulas, las cantidades enteras y las sorpresas de cola pesada, y que se aplica por igual a la demanda, los plazos operativos, las devoluciones y los precios. Comenzaremos por los plazos y la demanda para concretar las ideas.

7.4.4 Previsiones probabilísticas

La elaboración de previsiones probabilísticas considera todos los resultados futuros posibles de un acontecimiento y asigna una probabilidad a cada uno. Una previsión probabilística es el conjunto completo de esas probabilidades. Una previsión no probabilística —clásica— que señala un único resultado es una previsión puntual; el término se utiliza poco, pues «previsión» suele implicar «previsión puntual». La elaboración de previsiones probabilísticas es fundamental para la supply chain porque incorpora la ley de los pequeños números, tanto en el plano teórico como en el empírico. Constituye nuestra primera gran ruptura con el paradigma de las series temporales de valores puntuales equiespaciados.

Las previsiones probabilísticas cuantifican la incertidumbre en todo el flujo, no solo en la demanda. Esta es nuestra segunda ruptura con la práctica dominante: asociamos distribuciones a cada factor incierto que mueve efectivo y átomos —plazos operativos, fill rates de entrada, fiabilidad de los proveedores, precios de compra y venta, devoluciones, desechos y capacidades disponibles—. A lo largo de este libro, «probabilístico» se utiliza en este sentido amplio. Para concretar las ideas, pensemos en tiempos de entrega variables. Ni el proveedor ni el transportista son perfectamente fiables; se producen retrasos imprevistos. Lo que necesitamos es la distribución del tiempo que transcurrirá hasta recibir un pedido que acaba de realizarse. Una previsión probabilística del tiempo de entrega proporciona exactamente esa distribución. El histograma siguiente resume las probabilidades día a día.

Figura: Distribución ilustrativa del tiempo de entrega: entrega imposible en los días de la izquierda; máximo en la entrega nominal de 3 días; riesgo de cola pesada de retrasos mayores.

El histograma muestra que la probabilidad de recibir la entrega en menos de tres días es cero. Esto refleja el tiempo mínimo de tránsito del método de envío seleccionado. La moda de la distribución se sitúa en el tercer día, donde la probabilidad es máxima. Este es el tiempo de entrega nominal: la duración prevista cuando tanto el proveedor como el transportista actúan según lo planeado. Probabilidades pequeñas, pero no nulas, se extienden mucho hacia la derecha; representan perturbaciones que alargan los tiempos de entrega muy por encima del nominal. En el peor de los casos, la entrega nunca llega a producirse.¹²³

Al igual que las previsiones puntuales, las probabilísticas pueden calcularse a partir de datos históricos. Dejando de lado los detalles técnicos de la modelización, aclaremos qué aportan las previsiones probabilísticas a la toma de decisiones en supply chain.

Las previsiones probabilísticas transmiten información más rica que las puntuales. Sin embargo, no son intrínsecamente más precisas. Las probabilidades añaden una dimensión informativa ausente de las previsiones puntuales. En particular, una previsión probabilística puede reducirse a una puntual tomando la media o la mediana de la distribución. Así, una previsión probabilística más precisa producirá mecánicamente una previsión puntual más precisa. Ante un modelo probabilístico y otro puntual, hace falta validación empírica para determinar cuál es más preciso. Como clases de modelos, los «probabilísticos» y los «puntuales» no confieren ninguna ventaja sistemática de precisión. No obstante, la información adicional que proporcionan los modelos probabilísticos suele ser crucial para las decisiones de supply chain.

Volviendo al ejemplo anterior de los tiempos de entrega variables, observemos que la letra pequeña de la distribución es crucial para gestionar el riesgo de retraso. Suponer que las mercancías llegan en el tiempo de entrega mediano sería un grave error: por definición, la mitad de los envíos llegaría tarde. A la inversa, basar las operaciones en un valor situado muy a la derecha de la distribución —un cuantil alto— es igual de poco razonable. La mayoría de las mercancías llegaría mucho antes, creando problemas como un exceso de existencias.

Los plazos operativos son solo uno de los muchos ejemplos en los que la variabilidad y la incertidumbre afectan de manera crucial a las decisiones de supply chain.

Retomemos la variante de un único comprador presentada en Límites de la planificación. Supongamos que una fábrica lleva años enviando 1.000 unidades al día a un único cliente. En términos de series temporales, la previsión puntual es una línea plana en 1.000. Añadamos ahora información que la serie temporal ignora: la relación con ese cliente es duradera, pero no inmortal; la probabilidad semanal de perderlo es de aproximadamente un 0,1%. Dentro de un año —52 semanas—, la demanda diaria esperada es de \((1-0.001)^{52}\times 1000 \approx 934\) unidades. Quizá sea matemáticamente correcto, pero carece de sentido operativo. Dentro de un año, la demanda diaria será de 1.000 o de 0.¹²⁴ Cualquier plan de capacidad basado en «934 unidades al día» asignará mal los recursos.

Una previsión probabilística, en cambio, hace explícito el riesgo de desplome: la mayor parte de la masa de probabilidad permanece en «siguen siendo 1.000», con una masa menor en «cae a 0» a lo largo del horizonte. Esta perspectiva impulsa una política de decisión con dos vertientes: asegurar el servicio actual mientras se mantenga el cliente y preparar una contingencia para cuando se pierda más adelante. La previsión puntual intenta predecir un único futuro «verdadero» y elimina el riesgo mediante el promedio; la perspectiva probabilística valora las alternativas e impide el fallo de planificación que propicia la línea plana.

Así, las previsiones probabilísticas revelan cosas que las perspectivas puntuales no pueden mostrar. Al intentar captar «el único futuro verdadero», la previsión puntual permanece ciega ante patrones que, de otro modo, serían evidentes. Además, la perspectiva probabilística suele permitir aprovechar datos adicionales más allá de la limitada serie temporal histórica, o extraer más señal de los mismos datos. Ilustremos este punto con otro ejemplo.

Pensemos en una tienda de bricolaje con un producto del que se venden, de media, 0,5 unidades al día. Aunque no sea realista, para simplificar supongamos que la demanda es constante y no presenta ciclos. La tienda se repone diariamente desde un almacén que abastece a otras tiendas similares. La previsión de demanda vuelve a ser una serie plana de 0,5 unidades al día. Consideremos ahora la previsión probabilística de la demanda diaria que se muestra a continuación.

Figura: Histograma de demanda discreta: descenso general con máximos pronunciados en 4 y 8 unidades.

El producto es, en efecto, un protector de esquinas destinado a la seguridad infantil. Aunque los protectores pueden comprarse por separado, la mayoría de los clientes los compra en múltiplos de 4. El histograma anterior lo muestra: las probabilidades de una demanda diaria de 0, 4, 8 y 12 unidades son mucho mayores que las de otras cantidades. Esta previsión probabilística de demanda deja claro que la tienda debería mantener 8 unidades en stock —quizá 12— para ofrecer una alta calidad de servicio. Este nivel de existencias no podría haberse anticipado considerando únicamente una demanda media de 0,5 unidades al día.

Las previsiones probabilísticas no solo incorporan la ley de los pequeños números, sino que también eliminan la necesidad de manejar proyecciones fraccionarias sin sentido. Aunque 0,5 unidades al día puedan servir como una abstracción cómoda para resumir la demanda de un producto envasado, los clientes no pueden comprar fracciones de una unidad: solo son admisibles las cantidades enteras. Muchos autores y soluciones de software restan importancia a esta cuestión, pero esa actitud es equivocada. Las existencias solo pueden reponerse en cantidades enteras. Aceptar una previsión puntual fraccionaria introduce grandes aproximaciones que, en ocasiones, pueden generar sobrecostes considerables para la empresa.

Por ejemplo, si la demanda por ciclo es intermitente —digamos, 0,1 unidades por periodo—, existe un riesgo real de que se redondee a cero. Cuando esto sucede, no se reponen existencias; la demanda observada desaparece y el flujo se detiene. Lejos de ser un caso límite teórico, esta situación —una congelación del inventario— es un problema habitual en las políticas de inventario regidas por previsiones puntuales, en lugar de probabilísticas. En términos más generales, las previsiones probabilísticas encajan de forma natural con el carácter predominantemente discreto del flujo, consecuencia del principio de estandarización comentado anteriormente.

Aunque cualquier distribución puede reducirse a un único número —media, mediana o moda¹²⁵—, hacerlo descarta la información que da valor a la perspectiva probabilística. La ventaja reside en toda su forma —sus asimetrías, colas y multimodalidad—, no en un valor «central» elegido a mano. Ningún resumen único puede preservar esa información. El siguiente capítulo muestra cómo tomar decisiones que aprovechen toda la distribución en lugar de volver a reducirla a un único punto.

Generar previsiones probabilísticas es, cabe decir, más técnico que producir previsiones puntuales; sin embargo, en esta era de ordenadores potentes, el coste adicional es en gran medida insignificante, siempre que se utilicen métodos adecuados. Este obstáculo podría tentar a hacer lo contrario: calcular primero una previsión puntual de series temporales y convertirla después en una previsión probabilística. Por ejemplo, se puede aproximar una suma sobre un tramo mediante una distribución normal, como se hace a veces con las existencias de seguridad.

Por desgracia, este enfoque no aporta ninguna de las ventajas buscadas. Las previsiones probabilísticas son superiores porque contienen más información, pero esa información adicional no aparece de la nada. Se extrae mediante procesos diseñados específicamente para obtener más información de los datos históricos que los métodos destinados a producir previsiones puntuales.

Hay otra sutileza: una previsión probabilística no queda validada por el mero hecho de que el resultado observado tuviera una probabilidad no nula en la distribución. Lo que importa es el peso que el modelo asigna a ese resultado. Un buen modelo concentra la probabilidad donde tiende a situarse la realidad y la restringe en otros lugares. Un mal modelo hace lo contrario: reparte probabilidades minúsculas por todas partes o asigna un 1% a acontecimientos que ocurren cada semana. Por tanto, las previsiones probabilísticas no deben juzgarse por aciertos binarios, sino por la probabilidad que asignan a lo que realmente ocurre, manteniéndose tan concentradas como permitan las pruebas. Esto exige reglas de puntuación propias que recompensen las distribuciones bien calibradas y concentradas y penalicen la confianza mal depositada.

En consecuencia, evaluamos los modelos probabilísticos mediante métricas adaptadas a las distribuciones. Aunque las métricas probabilísticas —por ejemplo, la log-verosimilitud— son menos conocidas que sus equivalentes para previsiones puntuales —por ejemplo, el error absoluto medio—, no son misteriosas. Sus detalles son técnicos y no resultan cruciales para esta discusión. Por ahora, podemos seguir adelante sabiendo que esas métricas existen y que, dados dos modelos probabilísticos, indican cuál se considera «mejor».

7.4.5 Colas pesadas

En las ciencias naturales, muchos fenómenos siguen distribuciones normales —gaussianas—, un hecho notable. Por ejemplo, en la población mundial, la estatura de los hombres sigue aproximadamente una distribución normal. Lo mismo ocurre con su peso. Incluso si filtramos la muestra —por ejemplo, para quedarnos con los hombres de ojos azules o con los que viven al norte del paralelo 45—, la distribución sigue siendo aproximadamente normal. Obtenemos distribuciones normales similares para la temperatura corporal, la densidad ósea o la duración de los ciclos de sueño.

Figura: Distribución normal de colas ligeras centrada en 3 y con desviación típica 1. Compárese con el histograma del tiempo de entrega.

Las distribuciones normales son ubicuas en el mundo natural. Las temperaturas del aire, las precipitaciones y las velocidades del viento en horizontes semanales o más largos siguen distribuciones normales. También aparecen en las desviaciones del brillo estelar aparente y en los niveles de expresión génica de poblaciones humanas y no humanas.

Como herramientas matemáticas, las distribuciones normales son excepcionalmente cómodas. Disponen de expresiones analíticas sencillas. Cuentan con formas cerradas simples, bibliotecas de código abierto omnipresentes y un álgebra rica: las sumas de variables normales siguen siendo normales, y las sumas de muchas variables aleatorias, escaladas adecuadamente, convergen a una normal, etc.

No sorprende que la mayoría de los autores de supply chain adopten las distribuciones normales; sin embargo, esta perspectiva es fundamentalmente errónea. En cuanto intervienen decisiones humanas, las colas ligeras son la excepción. La mayoría de las variables relevantes para los negocios tiene colas pesadas: los resultados extremos se producen con mucha más frecuencia de la que permite la campana de Gauss; las distribuciones suelen ser asimétricas; las colas dominan los totales. Modelizarlas como normales infravalora sistemáticamente el riesgo y valora mal las oportunidades.

Pensemos en un estadio con 10.000 espectadores. Ninguna persona puede representar siquiera el 0,1% de la masa corporal total de la multitud; por razones biológicas, el peso humano tiene colas ligeras. Con el patrimonio neto sucede lo contrario: es perfectamente posible que un asistente posea más riqueza que todos los demás juntos. La riqueza tiene colas pesadas¹²⁶.

En términos más generales, todo lo que se asemeja al éxito empresarial produce resultados de cola pesada. Las 10 principales marcas de teléfonos inteligentes venden más unidades que todas las demás juntas. En cualquier año, los 100 artistas musicales de mayor éxito del mundo venden más canciones que todos los demás artistas juntos. En las elecciones presidenciales francesas, los tres primeros candidatos siempre han recibido más votos que las dos docenas de candidatos que quedan por detrás.

Los flujos de supply chain también son propensos a perturbaciones de cola pesada: la demanda puede saltar a niveles inverosímiles casi sin previo aviso. En diciembre de 1973, una broma casual del presentador nocturno Johnny Carson en The Tonight Show sobre una inminente escasez de papel higiénico desencadenó una avalancha de compras en todo el país; las estanterías se vaciaron no porque cambiara la oferta, sino porque cambiaron las expectativas. Casi cinco décadas después, la misma SKU mostró la misma cola por una causa distinta: en marzo de 2020, en medio de la incertidumbre del confinamiento, los hogares acumularon productos básicos y las ventas de papel higiénico en Estados Unidos se multiplicaron aproximadamente por ocho¹²⁷, una oscilación espectacular para un artículo cuyas ventas suelen ser estables. Detonantes distintos —un rumor frente a una perturbación causada por medidas públicas— produjeron la misma realidad operativa: una cola larga y estrecha se convirtió en una oleada súbita y abrumadora.

Las ventas también pueden crecer notablemente como resultado de campañas de marketing deliberadas. Por ejemplo, con su campaña «Just Do It» y un producto sólido, Nike elevó su cuota del mercado nacional de calzado deportivo del 18% al 43% y aumentó sus ventas mundiales de 877 millones de dólares a 9,2 mil millones de dólares entre 1988 y 1998. En 2021, la cifra alcanzó los 44,5 mil millones de dólares, aproximadamente cincuenta veces más en unas pocas décadas.

Del mismo modo, las proezas de ingeniería pueden hacer que una empresa domine por completo su mercado. En 2024, SpaceX puso en órbita alrededor del 90% del tonelaje mundial. Aún más notable es que lo logró con solo una ínfima parte de la inversión que sus competidores —casi todos programas gubernamentales— dedicaron a desarrollar capacidades de lanzamiento orbital.

La demanda no es el único fenómeno sujeto a colas pesadas; también lo está la mayoría de las variables del flujo. Los precios pueden oscilar hasta niveles asombrosos, en ambas direcciones. Por ejemplo, el 20 de abril de 2020, el precio del crudo West Texas Intermediate cayó por primera vez por debajo de cero y llegó a -37,63 dólares por barril. El precio negativo se debió al vencimiento de contratos de futuros: sus titulares estaban obligados a recibir la entrega física, los almacenes estaban llenos y se deshicieron de los contratos a cualquier precio para evitar las consecuencias logísticas y financieras.

Los tiempos de entrega también presentan comportamientos extremos. En 2023, Airbus comunicaba una cartera de pedidos pendientes de más de 7.000 aviones, equivalente a unos 7–8 años de producción con la capacidad actual. La elevada demanda de modelos de bajo consumo, como la familia A320neo, ha contribuido de forma significativa a esa acumulación. La cartera pendiente también refleja el alto coste de capital por unidad y los largos tiempos de producción. Además, otros fabricantes destacados de aeronaves sufrían acumulaciones de pedidos de magnitud comparable.

Desde la perspectiva de la supply chain, las colas pesadas importan porque los acontecimientos extremos dominan los beneficios y las pérdidas. Los acontecimientos extremos están lejos de ser imprevisibles: la ubicuidad de las distribuciones de cola pesada garantiza que aparezcan de forma habitual. Por tanto, las previsiones probabilísticas no bastan; los modelos deben reflejar el carácter de cola pesada de los fenómenos de supply chain.

A la inversa, cualquier modelo de supply chain que adopte distribuciones normales —o de cualquier otro tipo de cola ligera— infravalorará con toda certeza el riesgo y, en consecuencia, producirá decisiones frágiles. Esa fragilidad pone en peligro la supervivencia de la empresa: los mercados —especialmente cuando existen competidores más prudentes o más oportunistas— la castigan cuando llegan los extremos.

La presencia de distribuciones normales en materiales de supply chain —ya sean publicaciones o software— debería considerarse una prueba de incompetencia. Esto incluye todos los métodos de colas ligeras, como las existencias de seguridad. En efecto, basta una mirada superficial a las distribuciones empíricas de supply chains reales para ver que la distribución normal ni se acerca a un ajuste razonable¹²⁸. Así, al defender estos métodos, los autores revelan que ni siquiera se han molestado en observar una supply chain real. Una empresa que adopte este disparate, bajo cualquier forma, solo está haciendo un favor a sus competidores.

7.4.6 El precio del conocimiento

Las previsiones probabilísticas entrelazan dos tipos distintos de incertidumbre; separarlos aclara tanto la modelización como la actuación.

En los tiempos de entrega de los envíos transoceánicos, los sistemas meteorológicos y la congestión portuaria introducen una variabilidad que ninguna de las partes puede eliminar; incluso con información perfecta y un historial infinito, el día en que un contenedor sale de la terminal sigue variando. Esa variabilidad irreductible es aleatoria.

En cambio, cuando la empresa solo ha realizado unos pocos pedidos a un proveedor nuevo, se conoce mal la forma de la distribución del tiempo de entrega. Cada pedido adicional, unas marcas temporales más claras y unos Incoterms más precisos reducen esa ignorancia. Esta es la incertidumbre epistémica: incertidumbre sobre nuestro modelo del fenómeno, no sobre el propio fenómeno.

La distinción importa porque, en supply chain, las observaciones pasadas utilizadas para generar previsiones puntuales o probabilísticas no caen del cielo. Son el resultado de decisiones pasadas, es decir, de asignaciones pasadas de recursos. Por tanto, el conocimiento sobre el futuro se paga. Por ejemplo, una red minorista puede colocar un producto adicional en las estanterías de determinadas tiendas para evaluar su potencial de demanda. Se trata de una inversión —tanto en el coste de la mercancía como en el espacio de exposición— con rendimientos inciertos.

Invertir recursos para reducir la incertidumbre epistémica —es decir, para adquirir conocimiento— es fundamental en las supply chains. Para quienes adoptan una visión pragmática, invertir continuamente recursos escasos para tantear el mercado es tan evidente que apenas merece mencionarse. Es, sencillamente, la forma natural de hacer negocios.

Sin embargo, los autores dominantes de supply chain —que en su mayoría se adhieren a la visión teleológica— niegan este entrelazamiento entre asignaciones y conocimiento, en lugar de limitarse a omitirlo. Aunque la mayoría comprende que el conocimiento del mercado no aparece de la nada, recurre a «estudios de mercado» y a instrumentos burocráticos similares¹²⁹ para adquirir conocimientos más allá de lo que ofrecen los datos históricos.

Desde la perspectiva teleológica, la principal ventaja del estudio de mercado es que deja intacto el paradigma de la planificación. Se espera que el estudio se complete antes de que comience la planificación y que proporcione la información necesaria para producir previsiones de series temporales precisas allí donde faltan datos históricos. En el plano intelectual, los estudios de mercado separan limpiamente la adquisición de conocimiento de su aprovechamiento. Pero, como tantas ideas que suenan bien, esto fracasa en la práctica.

Volveremos a este vínculo en el capítulo Decisiones, donde mostraremos cómo las decisiones pueden —y a menudo deben— ajustarse para aprovechar el valor de reducir la incertidumbre epistémica.

7.4.7 Previsiones de alta dimensión

Como «previsión» casi siempre se entiende como «previsión de series temporales», se pasan por alto otras formas. El formalismo de las series temporales es restrictivo y solo cubre una fracción de las situaciones reales de supply chain. Sin embargo, solo la falta de imaginación nos impide explorar tipos de previsiones más amplios.

En la práctica, una previsión de series temporales es unidimensional. Aunque el horizonte abarque muchos periodos, el error de cada fecha se evalúa por separado; la previsión de varios periodos se reduce a una pila de previsiones independientes de un solo periodo. Que las cifras procedan de un modelo compartido o de fórmulas sin relación entre sí es irrelevante para la evaluación: las métricas habituales de precisión las tratan como conjeturas separadas e ignoran cómo covarían los errores a lo largo del horizonte. Esa ceguera importa en cuanto las decisiones vinculan fechas, artículos o ubicaciones.

Para mostrar por qué importa la precisión en alta dimensión, consideremos un caso idealizado con dos productos. Pensemos en una tienda que vende dos productos distintos que son sustitutos perfectos¹³⁰. Los productos caducan al final del día y se reponen a diario. La demanda conjunta de ambos productos es de 10 unidades al día; los clientes eligen al azar entre ellos mientras quedan existencias.

Tres posibles previsiones diarias ilustran la cuestión:

• (A) 5 unidades y 5 unidades

• (B) 10 unidades y 0 unidades

• (C) 6 unidades y 6 unidades

Dada la sustitución, una métrica de precisión adecuada debe asignar la misma pérdida o el mismo valor a (A) y (B). En efecto, ambas anticipaciones son igual de buenas; de hecho, perfectas bajo nuestros supuestos simplistas. Sin embargo, la métrica debe puntuar peor (C), ya que sobreestima la demanda total en 2 unidades. Ninguna métrica unidimensional puede satisfacer ambos requisitos. Solo una medida que examine los dos artículos conjuntamente reconoce que (A) y (B) empatan, mientras que (C) es peor. Todas las métricas clásicas —error absoluto medio, error cuadrático medio, etc.— sitúan erróneamente (C) por encima de (B). La única salida es ampliar la perspectiva a una métrica de precisión de 2 dimensiones.

El ejemplo pone de manifiesto los límites de una visión unidimensional; para ver por qué importan, pasemos ahora a un ejemplo probabilístico más realista.

Pensemos en una tienda de alimentación y en su problema de surtido: elegir la lista exacta de artículos distintos que colocará en las estanterías. Los clientes rara vez compran un único artículo; la mayoría sale con una cesta de varios productos. Un surtido superior produce, de media, cestas más grandes o más rentables.

Todo surtido sigue estando expuesto a faltantes de stock: cuando una estantería está vacía, los clientes pueden elegir un sustituto. La sustitución mitiga el faltante. A la inversa, el cliente puede renunciar no solo al artículo que falta, sino también a los artículos complementarios que pensaba comprar. El contagio agrava el faltante.

Solo examinando los datos históricos de las cestas de compra podemos estudiar estas sustituciones y contagios. En efecto, cuando disponemos de datos de cestas de compra, tenemos un punto de partida natural para evaluar cómo se relacionan los productos entre sí desde el punto de vista del cliente. Además, si se utilizan tarjetas de fidelización, pueden reconstruirse secuencias de cestas de compra, cada una atribuida a un cliente concreto. Los datos de fidelización complementan los de las cestas de compra en este análisis.

Aquí no necesitamos los detalles técnicos. Lo que importa es que la información relevante se encuentra en los datos de las cestas de compra. Sin ella, por sofisticado que sea nuestro trabajo, el análisis del comportamiento fracasa por falta de información.

En cambio, cuando los datos de ventas se aplanan en series temporales, ni siquiera sabemos cuántos clientes distintos entraron en la tienda en un día dado. No podemos observar sustituciones ni contagios, porque lo único que queda son correlaciones tentativas entre series temporales dispersas y erráticas. Las series temporales por sí solas no pueden sustentar un análisis del comportamiento.

Volviendo al problema del surtido, observemos que una previsión de cestas de compra —condicionada al surtido elegido— ofrece una solución directa. Si podemos predecir las futuras cestas de compra con un surtido modificado, podemos evaluar si será superior al actual, al menos en términos de volumen de ventas.

Interpretada como una previsión puntual, una previsión «fiable» de cestas de compra es un error de categoría. Una sola cesta suele mezclar diez o más SKU; las combinaciones se multiplican de forma explosiva y los compradores sustituyen libremente unos artículos por otros ante la estantería. Pretender identificar de antemano la cesta exacta parece imposible, y lo es; de ahí que la idea se descarte habitualmente. El error está en el planteamiento: lo que importa no es una cesta adivinada, sino las probabilidades de compra conjunta y el impulso que unos artículos ejercen sobre otros, precisamente la estructura que examinaremos a continuación.

Sin embargo, desde una perspectiva probabilística, el panorama es radicalmente distinto. Es evidente que no todas las cestas de compra concebibles son igual de probables. Por ejemplo, cualquier cesta que contenga un par de productos que nunca se hayan observado juntos en el historial es improbable. Establecer una distribución de probabilidad sobre el espacio de las cestas de compra puede parecer técnicamente intimidante, pero la comunidad del aprendizaje automático ha desarrollado una amplia «caja de trucos» para este tipo de predicciones.

La perspectiva de la previsión puntual, al aplanarlo todo en torno al «único futuro verdadero», da la impresión errónea de que la calidad de una anticipación puede evaluarse punto por punto, es decir, una dimensión cada vez; sin embargo, esto ignora las dependencias internas del sistema. Desde una perspectiva probabilística, esas dependencias se hacen evidentes por lo inverosímil de ciertos resultados. La demanda puede subir o bajar, pero es inverosímil que suba en las zonas de código postal impar y baje en las de código postal par. Esta observación implica una perspectiva de alta dimensión.

En las supply chains, estas dependencias son ubicuas precisamente porque, como hemos visto, son sistemas. El éxito de un producto puede canibalizar sus sustitutos; un avión inmovilizado puede desencadenar una cascada de conexiones perdidas; una energía más barata puede elevar los márgenes de todo un sector. La apertura de una gran tienda emblemática puede atraer nuevos clientes que mejoren marginalmente el negocio de todas las tiendas cercanas, vendan lo que vendan. Del mismo modo, una campaña de marketing exitosa puede elevar las ventas de todos los productos de una marca.

Diseñar métricas de precisión en alta dimensión es una tarea técnica que queda fuera de este capítulo. Lo que importa es el principio: las previsiones conjuntas deben juzgarse en la geometría de la decisión, en su conjunto, no coordenada por coordenada. Existen reglas de puntuación propias para distribuciones multivariantes que permiten comparar modelos con un criterio sencillo: ¿concentran la probabilidad donde tiende a situarse la realidad y preservan a la vez las dependencias que determinan los resultados económicos? Establecida esa base, lo que falta es la capacidad de actuar: una previsión que ignora nuestras propias palancas sigue proyectando el statu quo. La solución es condicionar las predicciones a la política de decisión que la empresa pretende aplicar. Llamamos previsiones funcionales a estas anticipaciones condicionadas a una política de decisión; son el tema de la siguiente sección.

7.4.8 Previsiones funcionales

El estado futuro de la supply chain depende de decisiones aún por tomar. Las decisiones de terceros —clientes, proveedores, competidores— deben preverse como cualquier otra incertidumbre. De hecho, esos procesos de decisión pueden seguir siendo para siempre cajas negras para la empresa. En cambio, las próximas decisiones de la propia empresa merecen un tratamiento distinto. Al fin y al cabo, la empresa no necesita adivinar sus propias decisiones: controla su toma de decisiones.

Tal como se utilizan habitualmente, las previsiones conceden a la empresa poca capacidad de actuar. Describen lo que es probable bajo políticas de decisión congeladas, no lo que podría ocurrir con otras alternativas. Quedan condicionadas a las decisiones ya tomadas cuando se calcula la referencia y permanecen ciegas a las que aún están sobre la mesa. Un fabricante puede bajar los precios hoy y ver, con toda lógica, que aumenta la demanda prevista; sin embargo, esa misma previsión no puede decir nada sobre el cambio de precio del próximo mes o sobre una promoción aún no elegida. En suma, la referencia proyecta el statu quo —un contrafactual de «no hacer nada nuevo»— que resulta útil para orientarse, pero no sustituye a la decisión.

Para ver por qué importan las decisiones aún no cerradas, pensemos en una marca de moda. La marca presenta dos colecciones al año y pide los productos antes de la temporada. Supongamos que no hay reposiciones durante la temporada. Al comienzo de esta, la marca expone los productos a precio completo. Para cada producto, la cantidad planificada coincide con las ventas estacionales esperadas, de modo que las existencias se agotan al final de la temporada. Las cantidades se fijan de manera que no se prevean descuentos al cierre de la temporada.

Sin embargo, al terminar la temporada, algunos productos venden menos de lo esperado y dejan existencias sin vender. La política de precios de la empresa prescribe grandes descuentos de fin de temporada para esos productos, precisamente para liquidar las existencias.

Con precios dinámicos, la marca puede comenzar racionalmente con más existencias que con precios fijos. Si la demanda resulta mayor de lo previsto, el inventario adicional genera beneficios. A la inversa, si se sobreestima la demanda, la política sigue permitiendo liquidar las existencias con pérdidas mínimas. La fijación de precios no es un detalle técnico; forma parte integral de la estrategia de flujo de la marca.

Una previsión de demanda «convencional», probabilística o no, no puede captar las trayectorias de ventas inducidas por esta política. Cuando se calcula la previsión de referencia, no hay motivo para que la demanda proyectada muestre, al final de la temporada, un repunte tardío debido a los descuentos. Los descuentos solo aparecen cuando se ha sobreestimado la demanda; si esta se hubiera previsto con precisión, las existencias iniciales serían menores y no haría falta ningún descuento de fin de temporada. La política hace que la demanda se corrija parcialmente a sí misma: las ventas se ajustan a los niveles de existencias solo en la medida en que los descuentos sean agresivos.

Una previsión funcional, en cambio, incorpora explícitamente una o varias reglas de decisión. Esas políticas se toman como dadas; no se aprenden de los datos históricos. Además, permanecen separadas dentro de la lógica de previsión. Así, para que un modelo sea «funcional» —condicionado a una política de decisión—, debería ser posible sustituir una política por otra y obtener directamente la previsión revisada. En ese sentido, un modelo funcional está incompleto: sin las políticas necesarias, no puede producir previsiones.

Como veremos a continuación, los modelos funcionales no tienen por qué ser mucho más difíciles de implementar que sus homólogos no condicionados. Sin embargo, evaluar su validez es un reto espinoso. En efecto, mientras las políticas introducidas en el modelo funcional se mantengan próximas a las que la empresa ha practicado históricamente, un modelo bien diseñado debería comportarse de forma razonable. Pero si una política se adentra en un terreno no probado, la validez del modelo se vuelve incierta.

Retomando el caso anterior: si la marca ha aplicado históricamente descuentos de fin de temporada de entre el 15% y el 30%, los datos permiten modelizar cualquier combinación dentro de ese intervalo. Pero si ejecuta su modelo funcional de demanda con descuentos de entre el 30% y el 60%, las cifras obtenidas serán, en el mejor de los casos, altamente especulativas. Esas predicciones carecen de respaldo empírico directo; extrapolar la respuesta de los clientes a precios no probados puede deparar grandes sorpresas.

Por desgracia, fuera de situaciones muy acotadas, juzgar si un modelo funcional devolverá cifras razonables ante una política arbitrariamente novedosa es un problema de inteligencia general. La evaluación debe adaptarse a cada caso. Por ejemplo, se puede probar la nueva política a escala limitada con el único fin de obtener más datos empíricos. Este proceso es la exploración, que se aborda en el siguiente capítulo.

Sin previsiones funcionales, una empresa se limita a proyectar el statu quo, replicando sus políticas pasadas. Si quiere evolucionar, necesita la capacidad de proyectar cómo afectarán al flujo los cambios de política que contempla.

A pequeña escala, las previsiones funcionales son evidentes, aunque rara vez se las llame así. Pensemos en un panadero de barrio que elige su horario de apertura. Un horario más amplio permite más compras —pueden comprar quienes salen temprano al trabajo y quienes llegan tarde—, pero consume un recurso escaso: tiempo con su familia y de descanso. La previsión relevante no es un único número —«la demanda de mañana será de 180 barras de pan»—, sino una función que vincula la decisión con el resultado —«ventas esperadas en función del horario de apertura»—. Al elegir la entrada —el horario—, el panadero fabrica en parte la demanda que pretende atender; esta es la perspectiva funcional.

A gran escala, cuando se generan miles de previsiones, muchas empresas recaen en proyecciones del statu quo impulsadas por la inercia burocrática. Naturalmente, esta actitud les resulta poco provechosa. Por desgracia, la mayoría de los manuales de supply chain —y el software construido a partir de ellos— adopta la misma perspectiva.

Desde el punto de vista técnico, las previsiones funcionales importan por dos motivos.

En primer lugar, por un motivo de ingeniería de software: imponen una separación clara entre el núcleo predictivo —modelos que convierten los registros en afirmaciones probabilísticas sobre la demanda, los plazos operativos, los precios, las devoluciones y los costes— y la política materializada —código y parámetros explícitos que implementan la fijación de precios, la asignación, las reglas de servicio y otras palancas—. Una vez separados, el mismo núcleo predictivo puede utilizarse bajo múltiples políticas admisibles; las políticas pueden intercambiarse sin volver a entrenar el modelo; y el efecto económico de cada regla pasa a ser auditable.

En segundo lugar, por un motivo estadístico: los modelos predictivos solo aprenden lo que las políticas pasadas permitieron observar. Cuando una política se aventura fuera del ámbito respaldado por esos datos —nuevos intervalos de precios, cadencias de promociones o promesas de servicio—, la previsión se convierte en una extrapolación. Ante ese cambio de política, la precisión se degrada y la incertidumbre aumenta; los resultados deben considerarse provisionales hasta que se acumulen mediciones bajo la nueva política.

Teniendo presentes estas restricciones, la elaboración de previsiones funcionales tiende un puente entre «lo que es probable» y «lo que haríamos si…». El instrumento natural para recorrer ese puente a gran escala es un simulador: un modelo estocástico y discreto que incorpora la política de decisión y propaga las incertidumbres. Pasamos ahora a examinarlo.

7.4.9 Simulaciones estocásticas

Una simulación es un modelo que imita un sistema real y permite observar cómo evoluciona su estado a lo largo del tiempo. A medida que aumentó la potencia de cálculo, proliferaron los simuladores, incluidas versiones para supply chain que a menudo se comercializan como «gemelos digitales»¹³¹. Entendido correctamente, un simulador es una previsión probabilística de alta dimensión: produce muchos futuros plausibles —con frecuencias implícitas—, en lugar de una trayectoria predestinada. Utilizada de este modo, la simulación es un instrumento legítimo para anticipar estados futuros de la supply chain. Sin embargo, como rara vez se hace explícito ese carácter probabilístico, los resultados se aceptan con demasiada frecuencia tal cual; no se examinan los supuestos y pocos se molestan en comprobar que las distribuciones simuladas se parezcan a lo que realmente producen las operaciones.

Los simuladores de supply chain varían mucho entre sí, pero casi todos comparten tres rasgos: son microanalíticos, discretos y estocásticos.

Un simulador microanalítico —de abajo arriba— descompone el sistema en unidades mínimas regidas por reglas sencillas. Las unidades incluyen agentes —clientes o proveedores— y entidades inanimadas, como las SKU. La visión microanalítica supone que la complejidad del sistema es meramente aparente y surge de la aplicación repetida de reglas simples.

Un simulador discreto —de tiempo discreto o de eventos discretos— avanza a través de una secuencia de eventos. Cada evento ocurre en un instante concreto y marca un cambio de estado del sistema. Entre eventos, nada cambia, un recurso que simplifica enormemente la implementación informática del simulador.

Un simulador estocástico —a menudo llamado simulador de Monte Carlo— utiliza reglas no deterministas que producen resultados aleatorios. Por tanto, ejecuciones repetidas a partir de condiciones iniciales idénticas producen resultados distintos. Deben utilizarse reglas deterministas cuando sea posible y reservar las estocásticas para lo desconocido, reflejando nuestro conocimiento imperfecto de la evolución del sistema.

Los simuladores son instrumentos de previsión funcional: relacionan políticas explícitas del flujo con resultados previstos. Al codificar las reglas de decisión —qué comprar, fabricar, mover y a qué poner precio, y cuándo— junto con las restricciones operativas, el simulador produce previsiones condicionadas a esas reglas. Ese condicionamiento es lo esencial: coloca las políticas alternativas en igualdad de condiciones y permite cuantificar sus consecuencias económicas.

Prescindir de ese condicionamiento casi siempre obliga a recurrir a aproximaciones burdas. Por ejemplo, tratar la demanda como si no le afectara la calidad del servicio —suponer que los faltantes de stock repetidos nunca reducen las ventas observadas— vuelve al simulador ciego ante el propio comportamiento que induce la política. Un modelo así sobreestima sistemáticamente los volúmenes alcanzables, valora mal las opciones y desvía las decisiones de su rumbo. En adelante, «previsión funcional» designa esta predicción condicionada a una política de decisión, en lugar de una serie temporal incondicional.

La implementación informática de estos simuladores es conceptualmente sencilla. Un bucle principal recorre las aristas de un grafo que representa el flujo. Los nodos suelen representar SKU, o agregados cuando una granularidad más fina resulta demasiado costosa. Cada nodo contiene un pequeño conjunto de reglas, ya sean deterministas —por ejemplo, reducir las existencias por cada unidad que sale— o estocásticas —por ejemplo, extraer aleatoriamente la demanda del periodo—. Cada iteración del bucle principal representa un paso temporal discreto, normalmente un día, aunque puede ser más corto.

Si no se examina demasiado su validez, un simulador de flujo de este tipo suele poder construirse en unos pocos días. De ahí su popularidad entre los proveedores de software empresarial. El diseño funcional resulta atractivo: produce predicciones sobre políticas de decisión con una granularidad tan fina como se desee. Pero, sin una validación rigurosa, esa confianza está mal depositada.

De hecho, los resultados de un simulador pueden ser —y a menudo son— un completo disparate. Que una regla sea plausible no garantiza que sea correcta, ni combinar dos reglas válidas asegura que el simulador las combine correctamente. También se cuelan errores corrientes de programación en el código del simulador. Como ya se ha señalado, las políticas novedosas pueden invalidar las reglas estocásticas si la simulación se adentra en territorio «inexplorado». En última instancia, la validez es empírica y debe determinarse mediante mediciones.

Una dualidad vincula las previsiones probabilísticas y las simulaciones estocásticas. A partir de una previsión probabilística, es posible generar muestras según la distribución de probabilidad subyacente —estas muestras suelen denominarse realizaciones aleatorias—. De una previsión probabilística completa pueden derivarse las reglas estocásticas que rigen el sistema; a la inversa, observar un simulador revela las probabilidades de todos los resultados. Así, un simulador puede estimar la distribución de probabilidad completa sobre todos los estados admisibles; por tanto, de un simulador puede derivarse una previsión probabilística.

En la práctica, numerosos detalles técnicos dificultan la conversión entre una previsión probabilística y un simulador. La previsión probabilística puede no tener suficiente granularidad para especificar todas las reglas del simulador. A la inversa, el número de ejecuciones necesario para estimar todas las probabilidades puede ser prohibitivamente grande. Aun así, la dualidad implica que las simulaciones estocásticas comparten las métricas de precisión de las previsiones probabilísticas.

Por tanto, hay que tratar un simulador como cualquier previsión: cuantificar su precisión. El trabajo es técnico; ignorar la evaluación cuantitativa propicia errores costosos.

8 Decisiones

La práctica de la supply chain consiste en asignar continuamente recursos escasos bajo incertidumbre. El objetivo no es un plan, sino un flujo rentable: convertir efectivo en bienes, bienes en servicio y servicio de nuevo en efectivo, preservando a la vez las opciones que la información futura hará valiosas. Incluso las empresas medianas realizan miles de estas asignaciones cada día —y las mayores, millones—, por lo que el sistema de decisión no puede ser improvisado. Debe hacer explícitas las elecciones, valorarlas y, después, secuenciarlas y ejecutarlas de modo que un software pueda emitirlas sin intervención humana y con seguridad a gran escala. La sistematización hace más que impedir que un comprador descontrolado agote el capital circulante; su propósito es producir decisiones que, en esperanza, obtengan rendimientos superiores ajustados al riesgo.

Para cerrar la distancia entre el principio y la práctica, precisaremos ahora la noción de decisión esbozada por primera vez en el capítulo 1.

Una definición, por precisa que sea, deja abiertas dos preguntas prácticas. Primero, ¿dónde empieza y termina una decisión cuando intervienen el tiempo y el azar? Segundo, ¿con qué criterio único se comparan las alternativas cuando recurren a las mismas reservas escasas —efectivo, capacidad, atención—? En supply chain, una decisión no es una línea de un plan. Es un compromiso sobre el flujo asumido con una granularidad lo bastante fina como para modificar sus resultados económicos, tomado bajo incertidumbre y anotado en un registro que los acontecimientos futuros auditarán.

Para que esos compromisos puedan calcularse y auditarse, hay que hacer explícitos cuatro ingredientes. Primero, el marco: debe escribirse —idealmente como código— el ámbito actual de actuación, es decir, las acciones admisibles, las pruebas de viabilidad, la cadencia y los pocos efectos trinquete que eliminan opciones de mañana. Después viene una visión probabilística de los futuros próximos: demanda, plazos operativos, devoluciones, fiabilidades y cualquier otra distribución que afecte de forma material a los resultados. En tercer lugar, todas las penalizaciones y recompensas deben expresarse en dinero y tener responsables asignados —perjuicio de los faltantes de stock, obsolescencia, coste del capital por unidad de tiempo, congestión, recargos por retraso, valor de opción de esperar—, de modo que fricciones distintas se vuelvan comparables en un único registro. Por último, los compromisos marginales se ordenan por su tasa de rendimiento aperiódica esperada y ajustada al riesgo; los que superan el umbral se emiten, se registran y, más adelante, se juzgan frente a los resultados observados.

Los capítulos anteriores han preparado esta postura: la opcionalidad y la variabilidad —capítulo 1— aportan el espacio de acciones y explican por qué es obligatoria una perspectiva probabilística; la economía —capítulo 4— proporciona el objetivo expresado en unidades monetarias; la información y la inteligencia —capítulos 5–6— delimitan las funciones de los registros, los informes y los motores de decisión. Este capítulo lleva esas piezas a la práctica. Empieza por pensar la decisión: hacer explícito el marco, desterrar los artefactos, abrir los fundamentos económicos al escrutinio y recuperar el razonamiento en el margen. Las secciones posteriores examinan la ejecución sin intervención humana y los mecanismos de optimización adecuados para elecciones repetidas y cargadas de incertidumbre, de modo que cada compromiso se convierta en una pequeña apuesta valorada que la empresa pueda tanto defender ex ante como auditar ex post.

8.1 Pensar la decisión

Una decisión, tal como se ha definido, es un compromiso que elimina alternativas. Por tanto, pensar la decisión comienza un paso antes, con el acto que selecciona qué alternativas llegan siquiera a considerarse y cómo se valorarán. En la mayoría de las empresas, este acto previo permanece tácito. Se habla con la gramática de «políticas» conocidas —FIFO, camiones completos, cantidades mínimas de pedido, planes de estanterías—, de modo que la elección parece evidente y lo no elegido queda invisible. El peligro no es un error administrativo, sino un deslizamiento metafísico: una política sustituye silenciosamente a la pregunta económica a la que debía responder. Revertir ese deslizamiento —volver a poner la pregunta sobre la mesa, mantener los artefactos en su lugar, hacer explícitos los fundamentos económicos y razonar en el margen— transforma la toma de decisiones de un ritual en una práctica científica apta para la automatización.

8.1.1 Hacer explícito el marco

Los directivos sienten la tentación de pensar a partir de soluciones, lo que no es una insensatez, sino una heurística correcta y útil. El espacio de «problemas» concebibles es ilimitado —diseñar un motor antigravedad también es un problema— y, sin el indicio de una solución, la mayor parte de la indagación sería inútil. Pero el pensamiento que pone la política por delante se fosiliza rápidamente. «Servir a las tiendas por FIFO» empieza como una regla práctica razonable y, con el tiempo, se endurece hasta convertirse en doctrina; cada excepción se parchea con otra regla y, pronto, la empresa se guía por una jurisprudencia acumulada.

Lo que debe hacerse explícito, antes de cualquier política, es el marco. Es el límite concreto e inspeccionable de la capacidad de actuar en el ciclo de decisión actual: qué puede modificarse ahora y qué no; qué opciones son admisibles; qué elementos aleatorios importarán; qué compromisos producirían efectos trinquete sobre el futuro; y con qué precios se juzgará esta porción de realidad. El marco debe escribirse, no solo describirse. En una organización moderna existe como código: un programa breve que enumera las acciones admisibles, codifica las pruebas de viabilidad e invoca la función de valoración. Si el programa es largo, el marco es confuso; si el programa es opaco, el marco es político.

Una vez definido el marco, la misma situación admite acciones distintas. Pensemos en un importador que llena contenedores «producto a producto hasta completarlos» y aplaza el resto hasta la siguiente salida marítima. La política parece prudente, pero el marco que oculta es muy estrecho. Hagamos explícitas las opciones admisibles —cargas conjuntas de distintos proveedores, cross-docking temporal hacia otras regiones, pequeños ajustes de precios sincronizados con las salidas marítimas, compromiso tardío entre artículos similares— y la optimización ya no buscará dentro de un único pasillo, sino que recorrerá un pequeño atlas. La ganancia procede menos de un solver más inteligente que de una pregunta mejor. Diseñar el problema no es la guinda: es el pastel.

8.1.2 Desterrar los artefactos

Una vez que existe un marco, aparecerán artefactos numéricos en los mecanismos: previsiones, colchones, niveles de servicio, etiquetas ABC, presupuestos e innumerables parientes suyos. A menudo son útiles como representaciones intermedias, del mismo modo que un químico utiliza reactivos que nunca salen de la mesa de laboratorio. Los problemas empiezan cuando un artefacto escapa del laboratorio y se entroniza como objetivo. Entonces se impone la ley de Goodhart: la medida se convierte en la meta y deja de medir.

El nivel de servicio es el fugitivo clásico. Nació como una aproximación a una disyuntiva expresada en dinero entre el perjuicio de la escasez y el coste de mantener existencias; terminó como un porcentaje que dirige la organización. Los planificadores lo suben para sentirse seguros; finanzas lo baja para liberar efectivo; ninguna de las partes está obligada a explicitar precios. La precisión de las previsiones desempeña el mismo papel en la planificación teleológica: se celebra su mejora incluso cuando cae el beneficio.

Hay que mantener los artefactos sujetos. Dentro del motor de decisión son aceptables como coordenadas transitorias que hacen abordable un cálculo; fuera, no tienen legitimidad propia. Una reposición no es «buena» porque su SKU haya alcanzado un 97% de servicio; lo es porque, dadas las opciones, las restricciones y los futuros probabilísticos considerados en el marco, ha maximizado la tasa de rendimiento de la empresa ajustada al riesgo. El motor puede calcular una distribución de la demanda diaria, un «nivel de servicio» sombra implícito en la penalización por escasez y un coste de capital circulante por unidad y día; incluso puede mostrarlos para que se inspeccionen. Pero los cuadros de mando y los incentivos deben anclarse en las decisiones y en sus resultados económicos observados, no en el material de vidrio del laboratorio que ayudó a calcularlas.

Hay un segundo motivo para desterrar los artefactos del altar: son sistemáticamente más difíciles de valorar que la propia decisión. Una cifra de existencias de seguridad no tiene un significado económico invariable entre artículos, temporadas o geografías; su virtud depende por completo de las penalizaciones y oportunidades ocultas que representa. Convertir ese camaleón en un KPI invita a la burocracia a colonizar el flujo. La solución es tratar cada artefacto como un objeto interno y provisional, recalculado cuando sea necesario a partir de registros de referencia, nunca mantenido a mano, nunca convertido en objetivo y descartado en cuanto aparezca una representación interna mejor.

Los artefactos no son solo numéricos. Las organizaciones también acuñan artefactos burocráticos —políticas y divisiones— que nacieron como salvaguardas aproximadas para procesos supervisados y después se osificaron en reglas que sustituyen a la pregunta económica. Cuando estos artefactos salen del laboratorio y adquieren legitimidad institucional, distorsionan las decisiones exactamente igual que los niveles de servicio: el medio se convierte en el fin.

Como advirtió el historiador británico Cyril Northcote Parkinson en Parkinson’s Law (1957), «el trabajo se expande hasta llenar el tiempo disponible para terminarlo». Las burocracias crecen por reflejo; las grandes organizaciones que gestionan supply chains importantes no son una excepción. A medida que se hinchan, se acumulan reglas ajenas al problema y divisiones internas en sus procesos de decisión, que aparecen principalmente como restricciones inventadas y silos inventados: ambas cosas merman la eficiencia y difuminan la responsabilidad.

Las restricciones inventadas suelen surgir después de un contratiempo. Roger, del departamento de compras, pide por error el equivalente a dieciocho meses de ventas; en respuesta, la dirección impone una política que limita las órdenes de compra a «seis meses de ventas», medidos mediante una media móvil. En los entornos manuales, los administrativos aplican ese tope con sentido común: lo ignoran en productos nuevos sin historial, en artículos muy estacionales cuyo periodo comparable se encuentra doce meses atrás, en productos de rápido crecimiento cuyo futuro empequeñece el pasado o en promociones planificadas cuyo aumento de ventas se ha provocado deliberadamente. Un motor que funciona sin intervención humana no puede «ignorar con sensatez» las reglas: o las cumple al pie de la letra o se declara que las incumple.¹³²

El remedio refleja el tratamiento de los artefactos numéricos: mantener esas reglas como elementos internos del motor y expresarlas como pruebas de viabilidad y penalizaciones valoradas en dinero, no como mandamientos públicos. Si comprar por encima de un tope ingenuo de «seis meses» es racional en ocasiones, ese tope pertenece al objetivo como un inconveniente expresado en unidades monetarias, no como un veto; la novedad, la estacionalidad y los aumentos de ventas provocados deliberadamente pasan a ser características explícitas del marco, no exenciones tribales. Una regla escrita como código, valorada y con un responsable asignado es legible y cuestionable; una regla escrita como decreto invita a manipularla y asfixia la automatización.

Los silos inventados fragmentan una única pregunta económica en una sucesión de artefactos para que puedan manejarla equipos con pocas herramientas. Un minorista de moda, por ejemplo, hace pasar el flujo del almacén a las tiendas por tres artefactos: una lista de surtido —qué puede tener una tienda—, un paquete de lanzamiento —cuánto al principio— y una regla de reposición —qué enviar después—. La coreografía parece ordenada, pero fabrica restricciones silenciosamente. La lista de surtido compromete por adelantado el espacio de estantería y veta sustituciones que las primeras ventas justificarían; el paquete de lanzamiento preasigna mano de obra, transporte principal y capacidad de exposición que la reposición debe después recuperar, a menudo con un sobrecoste; la regla de reposición pretende entonces optimizar lo que queda. Se dejan de ganar beneficios porque la pregunta subyacente —¿dónde obtiene una unidad adicional el mayor rendimiento ajustado al riesgo, dadas las restricciones actuales?— se dividió en procedimientos delimitados por artefactos antes de poder plantearse de principio a fin.

También aquí hay que mantener los artefactos sujetos. Los silos pueden mantener esos artefactos; no deben ser dueños de la decisión. El motor debe ver el marco de principio a fin —acciones admisibles, restricciones compartidas y precios— y producir un único flujo de compromisos. Si la gobernanza exige límites organizativos, la interfaz debe transmitir precios y viabilidad, no cuotas y vetos: el centro de distribución —DC— publica precios sombra para los recursos escasos; las tiendas publican penalizaciones por escasez; el surtido es una propuesta que el motor puede ampliar cuando lo justifiquen los resultados económicos. En otras palabras, hay que mantener la ceremonia en el ámbito local y unificar la economía.

Una vez domesticados los artefactos —numéricos y burocráticos— como objetos internos, valorados y provisionales, queda preparado el terreno para el único debate que importa: los propios precios. La siguiente sección aborda directamente esa cuestión.

8.1.3 Economía del sistema

El capítulo anterior estableció el dinero como escala común de la empresa. La economía del sistema exige que cada decisión se valore desde la perspectiva de toda la empresa, no desde un KPI departamental. En la práctica, esto significa que los precios dentro de la función objetivo —perjuicio de los faltantes de stock, obsolescencia, congestión de estanterías, recargos por retraso, coste del capital circulante, valor de opción de esperar, pérdida de buena disposición— se explicitan una sola vez para toda la empresa, se asignan a responsables identificados, se versionan y se exponen. Los precios ocultos no se vuelven neutrales; sesgan el flujo a favor de quien los introdujo a escondidas. Una penalización oculta por pedidos pendientes de entrega es una agenda particular disfrazada de ciencia.

Extender los fundamentos económicos a todo el sistema no exige un plebiscito por cada unidad monetaria; exige cifras legibles y cuestionables entre funciones. Finanzas debe publicar el coste del capital y los límites de liquidez de toda la empresa; los equipos operativos deben traducirlos en cargos por unidad y día que reflejen las semividas del inventario y sus valores de recuperación. El área comercial no debe exigir un «98% de disponibilidad» sin valorar el siguiente punto en unidades monetarias por día; logística no debe insistir en umbrales de camión completo sin valorar la congestión y los desbordamientos que evitan. Donde existan mercados, se toman precios externos; donde no, se crean valoraciones privadas y se defienden. Para arbitrar entre silos, los recursos escasos compartidos —franjas de muelle, espacio en estantería, tiempo de línea, capital— deben tener precios sombra: cifras provisionales, calculadas por el motor, que expresan el coste de oportunidad actual de utilizar una unidad adicional. Sustituyen a las cuotas y los vetos; no son una nueva política. Volveremos a ellos al abordar las decisiones secuenciales más adelante. El objetivo no es la unanimidad, sino la comparabilidad en la cuenta de resultados de la empresa. Una vez expresadas las penalizaciones y recompensas en la unidad monetaria común, opciones que antes habitaban provincias distintas —«conceder un reembolso más allá de la política», «comprar una unidad adicional de una SKU de cola larga», «retener un camión para completar una ruta», «ampliar el plazo de devolución para esta clase de clientes»— compiten en el mismo registro.

Esta visión del sistema también aclara la responsabilidad. Si una decisión rinde sistemáticamente por debajo de lo esperado cuando se materializan los resultados, el expediente muestra si el fallo reside en el marco —opciones omitidas—, en las previsiones —colas mal calibradas— o en los precios —penalizaciones mal especificadas—. Las correcciones se dirigen entonces al ingrediente defectuoso, en vez de diluirse en vagos llamamientos a «colaborar mejor». Los KPI locales pierden su coartada: el registro agregado dejará al descubierto una acción que embellezca una métrica departamental pero destruya unidades monetarias en otra parte. Los precios ocultos engendran política; los precios abiertos y de alcance sistémico engendran rendimiento. Con precios para toda la empresa, el motor vuelve a su postura natural: razonar en el margen con un único registro.

8.1.4 Adoptar el razonamiento marginal

La economía es una disciplina marginalista; también lo es la supply chain cuando se practica correctamente. La pregunta relevante casi nunca es «¿cuál es el nivel de existencias adecuado para esta SKU esta temporada?», sino «¿cuál es el rendimiento ajustado al riesgo de una unidad adicional —aquí y ahora—, dado todo lo que ya se ha comprometido?». La respuesta es una cifra en unidades monetarias por unidad y por unidad de tiempo, que cambia a medida que cambia el compromiso. Pensar en el margen obliga a tener en cuenta la granularidad, el tiempo y las contingencias.

Primero, la granularidad. Las decisiones deben calcularse con la granularidad más fina que modifique de forma material sus resultados económicos. Para los productos indiferenciados, la unidad es una pieza; para el transporte, una parada o un metro cúbico; para los componentes rotables aeronáuticos, un número de serie cuyos ciclos y horas hacen que dos piezas con el mismo P/N sean económicamente incomparables. Una aerolínea puede vender acertadamente una unidad concreta para atender una solicitud AOG —Aircraft On Ground— de un rival y conservar otra aparentemente idéntica para cubrir su propio riesgo de cola; los valores marginales divergen porque los futuros asegurados son distintos.

Después, el tiempo. Los valores marginales son aperiódicos: deben tener en cuenta la semivida de la carga, no solo el plazo operativo. Una caja que se vende en dos días con pago aplazado puede ser muy rentable, mientras que esa misma caja, pagada por adelantado y vendida a lo largo de ocho semanas, resulta mediocre. Cuando el motor ordena las acciones admisibles por su tasa de rendimiento aperiódica —como se argumentó en el capítulo Economía—, prefiere de forma natural las apuestas de ciclo rápido y penaliza los efectos trinquete prolongados, salvo que su potencial de ganancia sea proporcional.

Por último, las contingencias. Los márgenes viven en distribuciones, no en puntos. La unidad adicional que parece rentable bajo la previsión mediana puede ser ruinosa cuando se reconoce un plazo operativo de cola pesada; a la inversa, una unidad que parece un desperdicio bajo un modelo de colas ligeras se vuelve atractiva cuando se valora correctamente un faltante de stock raro pero catastrófico. Por eso una previsión probabilística no es un lujo: es el sustrato sobre el que opera el cálculo marginal.

A gran escala, adoptar el razonamiento marginal convierte el trabajo diario de la empresa en una reordenación continua de millones de microopciones. Cada nuevo compromiso modifica la frontera: aparecen precios sombra sobre las restricciones ajustadas, las acciones rivales cambian los rendimientos y el mejor siguiente paso de ayer se convierte en el tercero mejor de hoy. Un plan estático no puede valorar fronteras que se desplazan; un motor de decisión sí. No conjura certeza: calcula, en cada instante, la mejor apuesta siguiente y la anota en el registro junto con sus razones. Lo demás es mero registro de operaciones.

Pensar así la decisión —marco explícito, artefactos domesticados, fundamentos económicos abiertos, márgenes soberanos— no añade ceremonia. Resta superstición. También se alinea con la visión pragmática del capítulo anterior: las decisiones se convierten en pequeñas apuestas auditables realizadas bajo incertidumbre, guiadas por precios que la empresa está dispuesta a defender y revisadas a medida que la realidad se revela.

8.2 Por qué automatizar

Los ordenadores son poco fiables, pero los seres humanos lo son aún menos. Cualquier sistema que dependa de la fiabilidad humana es poco fiable. Una de las muchas leyes de Murphy.

Las páginas anteriores definieron una decisión como un compromiso auditable que elimina alternativas y que solo se justifica por su tasa de rendimiento esperada ajustada al riesgo. Una vez que el marco se hace explícito y los fundamentos económicos se abren al escrutinio, una supply chain se convierte en lo que siempre ha sido en esencia: una fábrica de innumerables pequeñas apuestas cuya ventaja se obtiene en el margen. A la escala actual, esa ventaja es inaccesible para administrativos sin ayuda. Lo que los agota no es la aritmética —las hojas de cálculo ya desplazan esa carga—, sino la enorme combinatoria de las opciones admisibles, las exigencias del razonamiento probabilístico con colas pesadas y la revaloración continua de las restricciones a medida que cambia la realidad. Si el cuello de botella se siente en los cuadros de mando SQL y no en el acero y el diésel, la empresa ha elegido limitarse precisamente en el ámbito donde los límites menos restringen: el cálculo.

Hay un segundo motivo, más discreto, para automatizar: la repetición bajo control. Un proceso manual o semimanual cambia cada vez que cambian las personas; la rotación de personal, los arreglos locales y los desplazamientos de atención hacen que la referencia de ayer no sea comparable con la de hoy. En cambio, un proceso que funciona sin intervención humana puede duplicarse, perturbarse y medirse. Dos recetas numéricas pueden ejecutarse simultáneamente sobre los mismos registros —una con autoridad y otra en la sombra— y compartir el personal, porque ninguna exige supervisión diaria. Medido así, el progreso deja de ser una cuestión de opinión y se convierte en una diferencia auditada en unidades monetarias.

Las hojas de cálculo hicieron tolerable el trabajo administrativo; nunca lo hicieron eficaz. Su «lógica» es una maraña de fórmulas ad hoc que ni codifican un marco ni valoran la incertidumbre. El resultado es conocido: correcciones de última hora, colchones de seguridad apilados sobre otros colchones y una prisa ritualizada en la que un administrativo debe cerrar cien cantidades antes de comer. Es tentador imaginar que dar más tiempo a todos produciría mejores respuestas. En la práctica, la pausa infla las plantillas, profundiza los silos y retrasa los compromisos; cada retraso es un coste de oportunidad que rara vez aparece en el cuadro de mando, pero siempre en la cuenta de resultados.

La automatización, en el sentido que aquí le damos, no consiste en «utilizar más software». Es la decisión institucional de permitir que los sistemas de inteligencia —presentados anteriormente— calculen, emitan y registren decisiones sin intervención humana en condiciones normales. A continuación examinaremos esta postura desde varios ángulos: como activo, como disciplina para las intervenciones manuales, como punto de inflexión cultural y como resultado natural de una trayectoria de un siglo desde la gestión hacia la maquinaria.

8.2.1 Un activo productivo

La automatización transforma la toma de decisiones de trabajo perecedero en un bien de capital. Un sistema de inteligencia no es un informe que «ayuda» a un planificador; es un motor que compromete unidades monetarias en nombre de la empresa según un objetivo que esta puede defender. El perfil del gasto se invierte: lo que era OPEX —horas dedicadas a retocar celdas— se convierte en CAPEX, una base de código cuyo coste de funcionamiento es insignificante frente al volumen de elecciones que procesa. Cada jornada de ingeniería dedicada a mejorar este activo añade valor: o mejoran las decisiones, o se abarata el cálculo, o se aligera el mantenimiento. Si no ocurre ninguna de estas cosas, no debería gastarse más dinero.

Este activo es productivo porque codifica el marco y los precios. Las heurísticas no expresadas que antes vivían en memorandos y reuniones migran a código con control de versiones. El motor lee registros de referencia, infiere las distribuciones que importan —demanda, plazos operativos, devoluciones, tiempos de reparación—, evalúa las opciones admisibles bajo esas distribuciones y devuelve compromisos auditables. Lo hace a la cadencia que exige la realidad, no al ritmo que puede soportar un comité. La ejecución en paralelo se vuelve rutinaria: la receta vigente sostiene la pluma mientras una candidata produce decisiones en la sombra, y una diferencia A/B clara se acumula en el registro. Cuando cae la confianza —las colas parecen mal calibradas, una restricción empieza a ser vinculante de forma inesperada—, las heurísticas de parada suspenden la emisión; la alternativa no son mil excepciones, sino detenerse y corregir.

El software es barato de ejecutar y, si se mantiene pequeño y legible, barato de mantener. Su límite de rendimiento no es la paciencia humana, sino los fundamentos económicos que codifica. Cualquier conocimiento auténtico —sobre sustitución, aplazamiento o aceleración, cambios de ruta, valor de opción de esperar— puede incorporarse al código y aplicarse después a escala de máquina. El techo administrativo desaparece; lo que queda es el techo estratégico que fija la capacidad de la empresa para poner precio a lo que valora.

8.2.2 Intervenciones manuales

La automatización siempre plantea la cuestión de cuándo intervenir. Toda máquina motorizada debe tener una parada de emergencia; las «correcciones manuales» rutinarias suelen señalar un defecto de diseño.

Los proveedores llevan mucho tiempo suavizando la automatización frágil al convertir a los usuarios en coprocesadores humanos. Las alertas y las «excepciones» inundan las bandejas de entrada; se pide a los planificadores que inspeccionen la mayoría de los resultados y modifiquen muchos. Este patrón frustra el propósito. Si un sistema necesita a una persona para detectar malas decisiones, esa persona pronto desconfiará de él y la organización volverá al teatro de las hojas de cálculo, con pasos adicionales.

La solución es arquitectónica, no una exhortación. Primero, el motor debe construirse de modo que cada decisión que emita sea sólida en sus propios términos: encuadrada entre opciones admisibles, valorada en unidades monetarias y justificada bajo una visión probabilística del futuro. Segundo, cuando tenga dudas, el motor debe detenerse, no importunar. Detenerse no es abdicar; permite ganar tiempo para las únicas intervenciones que mejoran los resultados de forma duradera: modificar el marco, los precios o la semántica de las previsiones. Tercero, la confianza se gana mediante el diseño: ejecución en paralelo antes del cambio definitivo; expedientes visibles para cada compromiso; valoraciones explícitas y versionadas; y diferencias medidas a posteriori. El capítulo Ingeniería llamará a esta disciplina optimización experimental.

Las intervenciones no desaparecen; cambian de naturaleza. Una intervención infrecuente y dirigida modifica una valoración —«se había infravalorado la penalización por escasez para esta clase de clientes»—, reduce el conjunto de opciones —«no enviar baterías de litio por vía aérea este mes»— o corrige un fallo semántico —«este campo cambió de significado tras el parche del ERP»—. No consiste en escribir otra cifra en una orden de compra mientras se deja intacta la máquina.

8.2.3 Cultura e inquietud

El aumento de la productividad inquieta invariablemente a quienes ya ocupan una posición. Tiberio rechazó las grúas; los luditas destrozaron los telares. Las empresas modernas no se libran ni de la ansiedad ni de la política, y los trabajadores de oficina se enfrentan a un giro novedoso: se les pide que ayuden a automatizar sus propios puestos.

La paradoja se disuelve cuando se ven con claridad las funciones. El trabajo que hay que mecanizar es la rutina administrativa de aplicar las heurísticas de ayer. El que hay que elevar es la articulación de marcos y precios, el cuidado de la semántica y la rápida reconfiguración de la lógica cuando cambia el mundo. Las culturas del software resolvieron esta tensión hace décadas. Valoran a quienes se vuelven innecesarios ante el teclado, porque el valor se desplaza al siguiente problema: la herramienta se convierte en el activo y el ingeniero sigue adelante. Allí donde se resiste esta cultura, deciden los mercados, no los memorandos. Las empresas que se niegan a hacer crecer acumulativamente el activo son desplazadas por las que sí lo hacen.

Los directivos no pueden comprar esta cultura ya hecha, pero sí pueden eliminar los incentivos que la envenenan. Hay que recompensar la calidad de las decisiones, no el número de puestos. Pagar a los proveedores por resultados, no por accesos. Promover a quienes aportan mejores marcos y valoraciones, no a quienes mantienen cuadros de mando más grandes. Sobre todo, hay que dar a los pocos que realmente pueden reconfigurar el motor el mandato de hacerlo con rapidez: su capacidad de generar mejoras empequeñece la de una sala llena de planificadores de operaciones.

Dos patrones recurrentes merecen salir a la luz. Primero, el tamaño de la plantilla sigue tratándose como un indicador de estatus. Los directivos que aumentan el número de «puestos» a su cargo ganan presupuesto e influencia; la automatización, que reduce esos puestos, se vive como una degradación. Hay que invertir la moneda de cambio. Vincular el prestigio a la mejora por persona y por vatio. Convertir la reducción de puestos que requieren intervención humana en un objetivo explícito y celebrar a los equipos que se vuelven innecesarios ante el teclado; en una cultura de software, esto es progreso, no abdicación.

Segundo, las licencias por usuario y las métricas de «interacción» hacen a los proveedores cómplices de mantener a las personas dentro del proceso. Un sistema que factura por accesos, clics o «usuarios activos» se opone económicamente a un flujo sin intervención humana. Los contratos deberían fijar sus precios según los resultados que quiere la empresa —volumen de compromisos emitidos sin intervención humana y con trazabilidad de auditoría, mejora medida frente a una referencia en ejecución paralela, tiempo necesario para reconfigurar la lógica tras un cambio de marco—, no según la actividad administrativa que induce la herramienta. Cuando se paga por resultados en lugar de por pantallas, los incentivos se alinean con la automatización en vez de oponerse a ella.

Por último, hay que desconfiar del teatro de las métricas: cuando las primas dependen de porcentajes de precisión o de puntuaciones de puntualidad desligados de valoraciones en unidades monetarias, la energía se dirige a mejorar el indicador y no los resultados económicos.

8.2.4 Excepcionalismo humano

La afirmación de que «un ordenador nunca debe tomar una decisión de gestión porque no se le pueden exigir responsabilidades»¹³³ parece humana; en realidad, es confusa. La mayoría de las grandes organizaciones ya aplica amplios conjuntos de políticas que no dejan margen de discreción. Un bloqueo de crédito para cuentas vencidas se aplica tanto si una persona pulsa el botón como si lo hace un programa. La responsabilidad corresponde a los autores de la política y a los directivos que aprobaron los precios y las restricciones que codifica, no al administrativo que la ejecuta.

Insistir en una mano humana por simbolismo degrada tanto la velocidad como la calidad. También propicia un fallo peor: la responsabilidad invisible. Cuando una regla vive en una hoja de cálculo y se anota una excepción rutinaria en una celda, nadie aprende. Cuando la misma regla vive en código y un caso atípico obliga a detenerse, el diseño se corrige a la vista de todos. La prueba relevante es económica, no antropomórfica: con las mismas entradas, las mismas opciones admisibles y la misma trazabilidad de auditoría, ¿produce el sistema un beneficio operativo ajustado al riesgo mayor que el sistema vigente? Si la respuesta es sí, es «lo bastante inteligente» para la tarea.

8.2.5 De la gestión a la maquinaria

El enigma no es por qué resulta deseable la automatización, sino por qué tardó tanto en volverse rutinaria fuera de unos pocos nichos. Durante la mayor parte del siglo XX, los procesos de decisión eran necesariamente de gestión; solo las mentes humanas podían asimilar información y emitir elecciones sensatas. La cuestión pasó entonces a ser cómo dividir el trabajo entre muchas mentes. Los autores de consultoría propusieron elaborados entramados de comités y calendarios para hacer llevadera esa división. El defecto fundamental permanecía tácito: lo «mejor» para un fragmento rara vez coincide con lo mejor para el conjunto. Una división de artículos para el hogar que utiliza un millón de unidades monetarias con un rendimiento esperado del diez por ciento puede, sin mala intención, impedir que la división de utensilios de cocina utilice ese mismo millón al quince por ciento. Por muy finamente que se divida la organización, todos los directivos recurren a las mismas reservas finitas de efectivo, inventario, capacidad y atención.

Los métodos burocráticos intentaron remediarlo con más comunicación. Reuniones, memorandos y elevaciones a instancias superiores transportaban fragmentos de conocimiento hacia arriba y después hacia abajo, con la esperanza de lograr una coordinación. Pero la asignación es cuantitativa; sin un registro común de precios, la coordinación vuelve a la jerarquía. La investigación operativa, nacida en tiempos de guerra, prometió otro futuro: dejar que los algoritmos optimizaran la asignación de principio a fin. Las limitaciones del hardware, una semántica de datos rudimentaria y la afición a los juguetes deterministas se combinaron para debilitar esa promesa. A finales de la década de 1970, Russell Ackoff ya estaba escribiendo su obituario.

Las hojas de cálculo llenaron el vacío. Multiplicaron la capacidad administrativa, pero congelaron la toma de decisiones en una etapa precientífica. Los intentos de sustituirlas por módulos de «planificación» fracasaron porque esos módulos heredaban la misma postura determinista y el mismo culto a los artefactos. Los usuarios volvieron a los archivos; los proveedores añadieron más pantallas. La carga de las decisiones regresó a los trabajadores de oficina, que ya eran más numerosos que los operarios que movían las cajas.

Los fundamentos económicos nunca cambiaron: las decisiones repetitivas de supply chain pueden y deben automatizarse. Los medios que lo permiten maduraron discretamente. Los sistemas de registro se estabilizaron; los métodos probabilísticos, antes exóticos, se volvieron corrientes; el hardware se abarató; y surgió una nueva especie arquitectónica —los sistemas de inteligencia— para situarse junto a los registros y los informes, en vez de pretender sustituirlos. Los pioneros llevan más de una década utilizando en producción motores de decisión completamente desatendidos¹³⁴. El patrón se extenderá y las hojas de cálculo conservarán su lugar como navajas suizas: útiles para salir de un apuro, ausentes de la línea de producción.

Otros dos obstáculos, a menudo ignorados, explican la larga demora. Primero, distribuir una decisión entre muchas cabezas es intrínsecamente arriesgado. No existe una ordenación natural que haga conmutativas las elecciones locales. Los presupuestos publicitarios, el espacio de estantería y la capacidad de fábrica para un producto nuevo se restringen mutuamente; el equipo que «va primero» encierra a los demás en un pasillo inferior. La solución correcta no es otro comité, sino una instancia unificada de optimización que aproveche la experiencia de cada equipo donde corresponde —en las valoraciones, las restricciones y los escenarios— y deje al solver sintetizar un único compromiso. Los compromisos de ayer, una vez ejecutados, vuelven a entrar como datos; el siguiente ciclo transcurre en un escenario más estrecho, pero más claro. Segundo, las organizaciones acumulan restricciones inventadas para protegerse de sus propios errores pasados. Los procesos manuales sobreviven ignorando esas reglas cuando lo exige el sentido común; el software no puede hacerlo. Por tanto, el coste de la automatización se paga por adelantado al eliminar o revalorar esas restricciones; el dividendo se cobra indefinidamente en forma de marcos más claros y mayores rendimientos.

La trayectoria general es conocida. Durante los últimos tres siglos, los emprendedores que buscaban beneficios sustituyeron incansablemente trabajo por capital, y la proporción de operarios disminuyó en consecuencia. En muchas regiones industrializadas, el número de personas que gestiona el flujo supera ya al de quienes lo mueven físicamente¹³⁵. El siguiente incremento de productividad procederá de automatizar la parte administrativa del trabajo de oficina. La resistencia será enérgica; la economía será paciente y decisiva.

Por último, unas palabras sobre el «por qué no antes» tecnológico. Hasta hace poco faltaban tres condiciones previas. Los registros eran demasiado frágiles para servir como referencia fiable de la realidad; el razonamiento probabilístico era demasiado engorroso para incorporarlo al código cotidiano; y los proveedores eran recompensados por vender CRUD a precios de inteligencia. Las tres cosas han cambiado. Los sistemas de registro han alcanzado una meseta de valor y fiabilidad; las herramientas probabilísticas caben en un portátil; y los compradores han aprendido a separar el registro de operaciones, los informes y los motores de decisión. Una vez reunidas estas condiciones, el argumento a favor de la automatización no es retórico: es aritmético.

En suma, automatizamos para devolver a la economía el puesto de mando, no para pulir un plan. Los motores de decisión que funcionan sin intervención humana sitúan el cuello de botella donde corresponde —en los átomos y las horas— y aportan a la vez la condición indispensable para una mejora sostenida: experimentos comparables que se ejecutan a diario, a gran escala y con unidades monetarias en juego.

8.2.6 Por dónde empezar

La automatización no es un eslogan; es un problema de asignación: ¿dónde debe gastarse la siguiente unidad monetaria de esfuerzo de ingeniería para que las decisiones emitidas sin intervención humana amorticen antes la inversión? En la práctica, la noción operativa es la dificultad de un proceso de decisión, entendida económicamente como la inversa del rendimiento esperado de las inversiones destinadas a mejorarlo. Rendimiento esperado alto, dificultad baja; rendimiento esperado bajo, dificultad alta. Importan sobre todo dos regímenes. La dificultad básica es el coste de trasladar un flujo desde hojas de cálculo que requieren intervención humana a un motor de decisión que funciona sin ella bajo un marco explícito. La dificultad marginal es el coste de extraer el siguiente incremento de rendimiento de un flujo ya automatizado.

La idea es sencilla y clara: la escala reduce la dificultad básica. Cuando se repiten millones de compromisos pequeños y similares y el marco puede escribirse —opciones admisibles, pruebas de viabilidad y precios expresados en dinero—, las primeras pasadas de automatización suelen amortizarse pronto. En cambio, los nichos pequeños y peculiares combinan un bajo beneficio con una alta dificultad marginal; son los peores puntos de partida y deberían abordarse al final, por tentadora que resulte su aparente facilidad.

Pensemos en un minorista de alimentación cuyo centro de distribución nacional abastece cada noche a 800 tiendas. Automatizar los envíos del DC a las tiendas tiene un marco breve y legible: las acciones admisibles son «enviar 0/1/2 unidades de la SKU \(i\) a la tienda \(j\) esta noche»; las pruebas de viabilidad son el volumen de los camiones, las franjas de uso de los muelles y los topes de las tiendas; los precios son el perjuicio de la escasez, el envejecimiento, el transporte principal y la manipulación, más un precio sombra sobre las existencias del centro de distribución; las distribuciones son las ventas del día siguiente y el riesgo de retraso de los camiones. Una sola receta numérica cubre entonces decenas de miles de microdecisiones homogéneas al día, por lo que una primera pasada —acumulación voraz bajo esos precios, con parada cuando cae la confianza— se amortiza rápidamente. En cambio, empezar por un flujo de nicho —surtidos efímeros trimestrales para doce tiendas emblemáticas, entrelazados con reglas de presentación visual, eventos de lanzamiento ad hoc y política de planogramas— ofrece poca escala y precios confusos; el «marco» es sobre todo ceremonia. El gran río es más fácil que el charco: la escala reduce la dificultad básica, mientras que la peculiaridad la eleva.

Los ingenieros suelen interpretar mal las curvas de tiempo de los solvers. Para una técnica fija, ampliar un modelo —más variables, más restricciones— provoca casi siempre un crecimiento superlineal del consumo de CPU y memoria.¹³⁶ Esa curva es una propiedad del método, no del problema empresarial. La economía aporta palancas que la curva ignora: reducir la granularidad del marco allí donde no afecte al dinero; acortar los horizontes hasta el siguiente momento de control; sustituir límites rígidos y frágiles por penalizaciones valoradas; y ayudar al solver con arranques a partir de soluciones previas y descomposiciones, de modo que la respuesta de ayer acelere la búsqueda de hoy. El objetivo no es la pureza algebraica, sino el rendimiento ajustado al riesgo dentro de un presupuesto de cálculo sensato, día tras día. En la práctica, una formulación aproximada, pero valorada económicamente, que se ejecuta con fiabilidad supera a modelos «exactos» que agotan el tiempo disponible, y ambos superan al trabajo administrativo con hojas de cálculo una vez que existe escala.

De ello se deriva una priorización práctica. Hay que empezar donde el marco sea breve y legible: donde las opciones puedan enumerarse sin heroicidades, las pruebas de viabilidad sean mecánicas y no políticas, y los precios que gobiernan el objetivo —perjuicio de los faltantes de stock, obsolescencia, coste del capital por unidad de tiempo, valor de opción de esperar— puedan explicitarse, asignarse a responsables y versionarse. Conviene favorecer los flujos cuya cadencia dé al motor tiempo para pensar —de minutos a horas—: compras y consolidación transoceánicas, envíos del DC a las tiendas, equilibrado de existencias en la red, aprovisionamiento de reparables. Hay que aplazar los micronichos cuya economía se apoye en precios implícitos aún no resueltos: problemas de gobernanza antes que de ingeniería. Sobre todo, hay que dejar que decida la medición: ejecutar candidatas en paralelo frente a las recetas vigentes, atribuir las diferencias en unidades monetarias dentro de una ventana de responsabilidad clara y promoverlas solo cuando la mejora se amortice.

Visto así, «por dónde empezar» no es un misterio. Hay que abordar primero los mayores ríos de decisiones, aceptar respuestas aproximadas que respeten la economía y el marco, y dejar que el motor que funciona sin intervención humana acumule mejoras a partir de ahí. Los problemas pequeños parecen más seguros; los grandes son más fáciles.

8.3 Decidir es optimizar

Mecanizar las elecciones exige un formalismo que diga a una máquina qué debe preferir y cuándo debe detenerse. La «optimización», una rama de las matemáticas aplicadas, proporciona ese formalismo, pero solo una vez reformulado para ajustarse al carácter económico e iterativo de las decisiones reales. La postura de los manuales —formular un modelo, entregarlo a un solver genérico y esperar un plan demostrablemente óptimo— falla en la práctica. Lo que funciona es más modesto y más potente: un marco de optimización que haga explícitas las acciones admisibles, valore sus consecuencias en dinero, incorpore visiones probabilísticas del mañana y esté diseñado para ejecutarse —sin intervención humana— una y otra vez a medida que cambia el mundo.

8.3.1 El paradigma de la optimización

La notación clásica de la optimización matemática habla de variables, restricciones y un objetivo —véase el anexo—. Conservamos la tríada, pero desplazamos su significado para ajustarlo a la gramática de la decisión desarrollada antes en este capítulo y en Economía e Inteligencia.

Las variables no son totales burdos —«la cantidad para la SKU X este mes»—, sino compromisos marginales con la granularidad más fina que modifique los resultados económicos. En algunos problemas, esa granularidad es una unidad, una parada o un metro cúbico; en los componentes rotables puede ser un número de serie concreto cuyo historial lo haga económicamente único. Pensar en términos marginales mantiene al motor alineado con el cálculo de la tasa de rendimiento: la pregunta nunca es «¿cuál es el nivel de existencias adecuado?», sino «¿vale una unidad adicional, aquí y ahora, más que su siguiente mejor uso?».

Las restricciones son pruebas de viabilidad que determinan qué opciones pueden ejercerse. Deben escribirse como código que inspeccione una acción candidata y la admita o la rechace con un motivo. En la realidad de la supply chain, muy pocos límites son verdaderamente absolutos: casi cualquier cuello de botella puede relajarse a cambio de un precio o de un retraso. Por tanto, es prudente trasladar muchas «restricciones» al objetivo como penalizaciones valoradas en dinero y conservar solo las pocas que reflejan imposibilidades físicas o prohibiciones legales. Esto hace comparables fricciones distintas —congestión de muelles, horas extra del personal, reorganización de estanterías— en el mismo registro monetario y permite al motor encontrar el compromiso menos malo bajo incertidumbre.

El objetivo es una valoración expresada en dinero y coherente con la meta de la empresa: maximizar la tasa de rendimiento esperada ajustada al riesgo. No es un objetivo porcentual disfrazado de economía. Un objetivo útil debe explicitar los precios que presupone: perjuicio de los faltantes de stock, obsolescencia, coste del capital por unidad de tiempo, recargos por retraso, pérdida de buena disposición, valor de opción de esperar. Los precios ocultos engendran política; los precios abiertos engendran rendimiento.

Las previsiones entran como datos de entrada de pleno derecho. Como los resultados dependen de futuros que en parte son incognoscibles, el motor no puntúa planes frente a una única trayectoria conjeturada, sino frente a distribuciones de demanda, plazos operativos, devoluciones, fiabilidades y, a veces, precios. El objetivo sigue siendo una función determinista de sus entradas; la aleatoriedad reside en los objetos de previsión que lo alimentan. Esta separación mantiene legible la causalidad y permite atribuir la responsabilidad cuando una apuesta rinde menos de lo esperado: ¿era estrecho el marco, errónea la valoración o estaba mal calibrada la previsión? Los mecanismos probabilísticos más complejos se desarrollan en la siguiente sección; aquí basta con insistir en que un motor de decisión debe construirse desde el principio para incorporar distribuciones, no puntos.

Por último, unas palabras sobre la expresión. La doctrina de mediados de siglo intentó separar la formulación de la resolución: un archivo «declarativo» para el problema y un solver de caja negra para el resto¹³⁷. Esa separación halaga la elegancia, pero perjudica la práctica. Un motor de decisión que se ejecuta cada día se beneficia de que su modelo ayude al método: ordenaciones de variables que reflejen la economía; arranques a partir de la solución de ayer; descomposiciones alineadas con la geografía o los ciclos de vida; cachés que recuerden subcálculos costosos; pruebas de viabilidad que fallen pronto. Esto no es impureza; es sintonía mecánica entre el problema y la máquina.

8.3.2 Sobre la optimalidad

Dentro de un marco fijo —recursos finitos, acciones admisibles explícitas, precios declarados— existe una asignación óptima. La cuestión importa: «suficientemente bueno» no es una renuncia al rigor, sino reconocer que es la economía, no el álgebra, la que decide cuándo debe detenerse una búsqueda.

De ello se desprenden dos lecciones. Primero, los problemas de supply chain presentan rendimientos decrecientes en la mayoría de sus palancas. Más inventario mejora el servicio hasta que deja de hacerlo; más medidas de aceleración reducen los retrasos hasta que dejan de hacerlo; un surtido más amplio aumenta el alcance hasta que satura la atención. Esta curvatura es una buena noticia: convierte nuestra búsqueda discreta en algo que admite pseudogradientes. Los pasos voraces, las mejoras locales, los intercambios entre soluciones vecinas y las políticas con un horizonte de anticipación corto —guiados por precios adecuados y alimentados con entradas probabilísticas— ascienden rápidamente hacia cotas elevadas. Estos problemas no son criptográficos: cambiar un bit no convierte lo viable en imposible ni desploma el valor hasta cero.¹³⁸ Los algoritmos que dependen exclusivamente de dividir espacios abstractos y estrechar relajaciones lineales tienden a atascarse en la geometría equivocada; las restricciones empresariales rara vez son lo bastante ajustadas, con suficiente antelación, como para que compense la poda de semiespacios.

Segundo, «el óptimo» es condicional. Si cambia el marco, la cumbre se desplaza. Añadir un canal de liquidación; permitir pequeños ajustes de precios ligados a las salidas marítimas; ampliar lo que puede cargarse conjuntamente; admitir el compromiso tardío entre productos casi sustitutivos: el ideal de ayer se convierte en la colina local de hoy. Esto no es un fracaso de la optimización; es su propósito. En términos de Kuhn, el progreso rutinario se produce dentro de un paradigma; los saltos se producen al cambiarlo.¹³⁹ Por tanto, un motor de decisión vivo debe diseñarse para la optimización experimental: ejecutar candidatas en paralelo frente a las recetas vigentes, promoverlas solo cuando las diferencias medidas lo justifiquen y revertir el cambio a bajo coste cuando no sea así. Aquí muere la obsesión por los certificados de optimalidad global en mundos de juguete; la moneda de cambio es la mejora medida en los registros de la empresa.

8.3.3 El solver que hay dentro

Un solver es el componente de software que, dados un marco, unas previsiones y unos precios, busca en el espacio admisible y propone compromisos. Es el corazón del motor, pero no el motor mismo. A su alrededor se sitúan los órganos indispensables: adaptadores semánticos para leer registros de referencia; módulos probabilísticos para producir distribuciones; registros de valoración para exponer precios y responsables; heurísticas de parada para suspender la emisión cuando cae la confianza; y los mecanismos de transición que convierten las propuestas en hechos y vuelven a incorporarlos en el siguiente ciclo.

Como el motor funciona bajo incertidumbre y se ejecuta repetidamente, varias posturas de ingeniería resultan decisivas.

Primero, el control estocástico supera a la planificación determinista. El solver debe ordenar las acciones admisibles por su tasa de rendimiento esperada ajustada al riesgo bajo las distribuciones de probabilidad proporcionadas. La dependencia secuencial —la acción de hoy moldea las opciones de mañana— puede manejarse optimizando políticas de decisión en lugar de actos aislados, normalmente dentro de un bucle de horizonte móvil en el que cada ciclo recalcula con información más reciente. Las previsiones funcionales —simuladores que relacionan «lo que haríamos si…» con distribuciones de resultados— son la compañera natural de esa búsqueda de políticas. Las matemáticas son sencillas; la novedad consiste en hacer el conjunto lo bastante pequeño, legible y auditable como para ejecutarlo cada día.

Segundo, las penalizaciones domestican los límites cuyo cumplimiento no puede garantizarse. En el mundo estocástico, «no superar nunca X» es imposible o ruinoso. Poner precio a los incumplimientos reúne los límites bajo un mismo techo y los alinea con el objetivo monetario. El lenguaje de las restricciones probabilísticas puede ser útil para discutir; los precios hacen el trabajo. Más adelante volveremos a los límites cuyo cumplimiento no puede garantizarse y a la relación entre restricciones probabilísticas y penalizaciones valoradas en dinero.

Tercero, diseñar para resolver repetidamente. La mayoría de las elecciones de supply chain no son problemas puntuales de diseño industrial —por ejemplo, ubicar almacenes o fijar rutas—, sino pequeñas asignaciones estocásticas que volverán a realizarse mañana con hechos ligeramente distintos. Un solver que prospere aquí debe incorporar distribuciones, valorar opciones en unidades monetarias y ser barato de detener y volver a ejecutar. El resultado no es un plan monolítico con un certificado, sino un flujo constante de mejores apuestas bajo un registro común. Esta postura va en contra de la dominante en investigación operativa —modelos globales resueltos una sola vez con restricciones estáticas—, razón por la que solo un puñado de empresas utiliza solvers a diario en sus operaciones.

Cuarto, instrumentar para generar confianza. Toda decisión emitida debe ir acompañada de un expediente: las opciones admisibles consideradas, los precios y distribuciones utilizados, las diferencias marginales que justificaron la elección y las pruebas superadas antes de su emisión. La ejecución en paralelo debería ser la opción por defecto: la receta vigente sostiene la pluma mientras una candidata escribe decisiones en la sombra; las diferencias medidas se acumulan en unidades monetarias. Cuando algo huela mal —colas mal calibradas, una restricción que empieza a ser vinculante—, hay que detenerse. Inundar a los usuarios de «excepciones» los convierte en coprocesadores no remunerados y les enseña a desconfiar del sistema. Una parada clara invita a las únicas intervenciones que ayudan: modificar el marco, los precios o la semántica.

Por último, unas palabras sobrias sobre la caja de herramientas que se vende bajo la etiqueta de la investigación operativa. Tras siete décadas de investigación y otras dos de hardware cada vez más rápido, los solvers genéricos de programación lineal y entera mixta siguen siendo marginales en las operaciones cotidianas de supply chain. Aparecen en trabajos puntuales de diseño —ubicación de instalaciones de la red, estudios de capacidad a largo plazo— y en unos pocos nichos muy acotados. Casi nunca gobiernan las elecciones recurrentes y cargadas de incertidumbre que mueven unidades monetarias cada día. No se trata de obstinación de los directivos, sino de un desajuste entre el instrumento y el fenómeno.

La tecnología clásica de investigación operativa presupone un mundo que las supply chains no habitan. La incertidumbre se comprime en sustitutos puntuales o en términos de «seguridad» de colas ligeras; los objetivos se escriben en unidades de artefactos —niveles de servicio, porcentajes de precisión, utilización—, en lugar de en dinero; y se produce un plan monolítico como si la ejecución fuera un plan de una sola vez, y no un bucle de control estocástico que se repite a la cadencia operativa. El credo de modelización que separa la «formulación pura» del «método impuro» prohíbe entonces las propias pistas que exige la práctica: penalizaciones valoradas para límites cuyo cumplimiento no puede garantizarse, precios sombra explícitos para recursos compartidos, arranques a partir de los compromisos de ayer y reglas de acumulación voraz guiadas por ventanas de responsabilidad. Ante colas pesadas, efectos trinquete y valores de opción, el MILP global agota el tiempo disponible, optimiza lo equivocado o produce una programación frágil que se derrumba al primer contacto con la realidad.

La solución empírica es sencilla y poco vistosa. Hay que tratar los solvers como subrutinas dentro de una búsqueda estocástica más amplia que tenga en cuenta la economía, no como soberanos de la decisión. Dejar que las previsiones probabilísticas aporten los futuros; hacer que el objetivo hable solo en unidades monetarias; trasladar la mayoría de los límites «rígidos» a penalizaciones valoradas; recalcular los compromisos marginales a la cadencia que permita la realidad; detenerse cuando caiga la confianza; ejecutar candidatas en paralelo frente a las recetas vigentes; e incorporar la estructura del dominio allí donde aporte rendimiento. Las primitivas clásicas —asignación, flujo de coste mínimo, mochila, rutas— siguen siendo inestimables, pero solo cuando reciben precios adecuados y se integran en un bucle que respeta la incertidumbre, la repetición y los efectos trinquete.

Visto así, el veredicto sobre la investigación operativa en las operaciones no es que las matemáticas sean erróneas, sino que la postura está desajustada. Las herramientas construidas para juguetes estacionarios y planes de una sola vez no pueden gestionar la combinatoria de las opciones bajo incertidumbre de colas pesadas, donde el beneficio reside en las colas. Por tanto, el cálculo debe gastarse allí donde compre unidades monetarias: en mejores marcos, mejores precios y mejores visiones probabilísticas, no en certificados de optimalidad para la pregunta equivocada. La siguiente sección pone precio al propio cálculo.

8.3.4 La economía del cálculo

La optimización tiene un coste. Minutos de CPU, horas de tiempo transcurrido, días de ingeniería: cada uno debe justificarse igual que cualquier otro recurso, por su rendimiento esperado ajustado al riesgo. El horizonte relevante es operativo. Reprogramar robots de preparación de pedidos se presta a cadencias de milisegundos; las compras transoceánicas no. Los proveedores pregonan el «tiempo real» como si el tiempo en sí fuera una virtud; no lo es. La cadencia adecuada es aquella en la que una unidad adicional de cálculo deja de amortizarse en unidades monetarias.

De ello se derivan dos consecuencias prácticas. Primero, hay que aceptar que algunos ciclos de decisión son «lentos por diseño». No pueden reducirse grandes búsquedas estocásticas de alta dimensión a latencias de cien milisegundos sin vaciar el marco o trivializar el objetivo. La ley de Amdahl¹⁴⁰ impone sus límites en cuanto el motor debe abarcar contextos amplios para evitar la estupidez local. Segundo, hay que diseñar una degradación gradual. Ejecutar una pasada rápida que capture el 80% del valor con heurísticas baratas y buenos precios; gastar el presupuesto restante allí donde los precios sombra reclamen atención a gritos; detenerse cuando la mejora esperada por minuto caiga por debajo del coste de ese minuto. Como el motor se ejecuta repetidamente, la ejecución de mañana recogerá lo que hoy quede pendiente, con información más reciente y un punto de partida mejor.

El mismo cálculo gobierna el tamaño del modelo. Las instancias más grandes no son «más difíciles» en ningún sentido metafísico; solo son más costosas con una técnica fija. Si un método desborda un presupuesto sensato, hay que cambiarlo, reducir la granularidad donde lo permita la economía o acortar el horizonte. Decide la mejora medida, no la pureza estética.

En suma, la optimización es el lenguaje mediante el cual un motor de decisión expresa preferencias bajo incertidumbre. Cuando se reformula en torno a compromisos marginales, precios y acciones admisibles; se instrumenta para la repetición, la parada y la auditoría; y se diseña en sintonía tanto con el hardware como con la economía, se convierte en lo que necesita el programa de automatización: no un oráculo que dicta un plan, sino un administrativo incansable al servicio de las intenciones de la empresa, que propone continuamente la siguiente mejor apuesta y la anota —de forma legible— en el registro.

8.4 Decidir bajo incertidumbre

Las decisiones son apuestas valoradas sobre futuros que no controlamos. Antes en este capítulo adoptamos la postura que permite calcular esas apuestas: el objetivo es determinista y se expresa en dinero, mientras que la incertidumbre entra a través de previsiones probabilísticas, es decir, distribuciones de los hechos que importan —demanda, plazos operativos, fiabilidades, devoluciones y, a veces, precios—. No enterramos la aleatoriedad dentro del objetivo; alimentamos el motor con distribuciones y le pedimos que ordene los compromisos admisibles por su tasa de rendimiento esperada ajustada al riesgo.

Esta postura se aparta de la visión teleológica —capítulo El futuro—, que trata la incertidumbre como un defecto que debe eliminarse mediante mejores previsiones puntuales. Incluso errores pequeños en esas estimaciones puntuales pueden tener consecuencias discontinuas: una turbina inmovilizada porque falta un álabe vale mucho menos que «el 99,98% de una turbina», y un rival un 1% más barato puede eliminar el 100% de las ventas. En las supply chains, los beneficios y las pérdidas viven en las colas. Por tanto, los métodos que optimizan frente a una única trayectoria conjeturada fabrican confianza en lugar de robustez.

Nada de esto depende del vocabulario. Llamar al problema «optimización estocástica» simplemente reconoce que los futuros se representan mediante distribuciones y que la valoración se realiza en esperanza —y, cuando procede, con ajustes explícitos por riesgo—. Lo que importa en la práctica es dónde se incorpora la incertidumbre y cómo se valora. Como se argumentó antes, el lugar adecuado está en las previsiones que entran en el objetivo, no en el propio objetivo; y los precios adecuados son las penalizaciones y recompensas de la empresa expresadas en unidades monetarias: perjuicio de los faltantes de stock, obsolescencia, coste del capital por unidad de tiempo, congestión, recargos por retraso y valor de opción de esperar.

Podría resultar tentador concluir que, una vez calculadas las esperanzas, los casos «determinista» y «estocástico» se reducen a las mismas matemáticas. En la práctica no es así. Las recetas deterministas fomentan planes frágiles, ignoran las colas pesadas y ocultan las disyuntivas tras KPI basados en artefactos; un motor diseñado para distribuciones debe, en cambio, valorar las colas, exponer las valoraciones, detenerse cuando cae la confianza y repetir a la cadencia que permita la realidad. Esta diferencia de postura —no un cambio de símbolos— determina los resultados.

Establecida esta base, el resto de la sección aborda las consecuencias operativas de decidir bajo incertidumbre. Primero examinamos cómo los métodos basados en puntos producen sistemáticamente decisiones frágiles: elecciones que parecen austeras sobre el papel y después sufren una hemorragia monetaria cuando el mundo se aparta de la mediana. Después tratamos las restricciones cuyo cumplimiento no puede garantizarse, que deben manejarse mediante precios o riesgos explícitamente acotados, en lugar de decretos; ponemos precio al aprendizaje mediante la disyuntiva entre exploración y explotación; y justificamos financiar opciones que hoy no son rentables, pero que ofrecen cobertura frente a los regímenes de mañana. Cada tema aplica la misma gramática: acciones admisibles, visiones probabilísticas y un único registro monetario.

8.4.1 Decisiones frágiles

En este libro, una decisión es frágil cuando una pequeña desviación respecto al «caso típico» supuesto produce una pérdida desproporcionada en su tasa de rendimiento ajustada al riesgo. Operativamente, la fragilidad se manifiesta tanto en una mayor varianza de los rendimientos observados como —una vez valorados correctamente las colas pesadas y los efectos trinquete— en una esperanza menor que la de acciones alternativas que mantienen abiertas las opciones. La fragilidad no trata de cataclismos, sino de las sorpresas corrientes que visitan todo flujo: un proveedor que envía menos de lo pedido, un camión que pierde su franja, una tienda que cierra un día, una publicación que se vuelve viral y vacía una estantería. Cada acontecimiento sorprende localmente; en conjunto, no sorprenden.

La fragilidad la fabrican en gran medida las políticas. La postura teleológica —un futuro predestinado, un plan para materializarlo e indicadores de rendimiento que vigilan su cumplimiento— engendra decisiones que parecen maravillosamente austeras sobre el papel y sufren una hemorragia monetaria cuando el mundo toma incluso un pequeño desvío. Las previsiones puntuales comprimen los futuros en una sola trayectoria; los límites «rígidos» se tratan como decretos; la utilización se empuja hacia la saturación; los colchones se justifican con fórmulas cuyos precios ocultos no tienen responsable. Estos procedimientos no solo afrontan la variabilidad: amplifican sus costes al eliminar precisamente las opciones que la variabilidad hace valiosas. Por ello, es más preciso hablar de políticas frágiles: reglas que producen sistemáticamente decisiones frágiles.

Dos características estructurales vuelven frágiles estas políticas. Primero, la mayoría de los resultados económicos de supply chain es asimétrica: el potencial de pérdida reside en las colas, mientras que el de ganancia está acotado. Un único componente que falta puede inmovilizar una aeronave que vale millones; ser un 1% más caro que un rival puede eliminar por completo la venta. Los sustitutos de colas ligeras y la planificación del caso mediano ocultan estos precipicios y, por tanto, infravaloran la opción de evitarlos. Segundo, los efectos trinquete operativos eliminan alternativas. Una asignación prematura a una tienda que parecía inocua bajo una previsión de referencia impide atender una petición mejor mañana; una rutina de «camión completo» que envía según el calendario cierra la puerta a la consolidación de mañana. Las decisiones que maximizan la «eficiencia» sobre el papel al comprometerse pronto son, en la práctica, decisiones que venden opciones baratas y compran problemas caros.

Las apariencias son traicioneras. Las decisiones frágiles parecen eficientes: los camiones salen visiblemente llenos, los centros de distribución parecen vacíos, las plantillas parecen reducidas y el inventario se mantiene muy cerca del límite. Las decisiones no frágiles parecen, a primera vista, algo «derrochadoras»: se mantiene una pequeña capacidad disponible, se reserva un fondo de existencias en el centro de distribución, se conserva un segundo proveedor, se preposicionan unos pocos reparables. Sin embargo, una vez valorados en dinero las colas y los efectos trinquete, la postura aparentemente conservadora proporciona una tasa de rendimiento aperiódica esperada y ajustada al riesgo mayor. La prima que compra holgura es una prima de opción; se amortiza cada vez que el mundo se aparta de la mediana, cosa que hace con regularidad.

Un ejemplo corriente aclara la cuestión. Pensemos en el mantenimiento en línea de un avión comercial con poco tiempo entre vuelos. El alcance del trabajo es incierto hasta que se abren los primeros paneles; un álabe que falte puede dejar la aeronave en tierra y desencadenar conexiones perdidas. Una rutina determinista que prepare un kit dimensionado para el «trabajo medio» parecerá austera ex ante y fallará de forma costosa cada vez que aumente bruscamente la demanda de unas pocas piezas. Una rutina pragmática parte de distribuciones del alcance incierto del trabajo y de los plazos de reparación y devolución, asigna una penalización monetaria al retraso respecto al horario y valora cada pieza adicional como una opción frente a esa penalización. El kit resultante no es «mínimo»: es rentable. Las piezas no utilizadas vuelven al stock; su coste de mantenimiento es pequeño frente a la pérdida evitada cuando las colas golpean. La misma lógica rige cualquier escasez de baja probabilidad y elevada penalización: dominan las colas pesadas y la aritmética de colas ligeras fabrica fragilidad.

Un segundo ejemplo se encuentra en las entradas. Supongamos que un almacén afronta desviaciones aleatorias de sus proveedores y dispone de un número finito de muelles de recepción. Un calendario semanal de pedidos que cumpla el plan hará coincidir ocasionalmente salidas marítimas y sobrecargará el muelle; el remedio consistirá en apagar incendios: aplazamientos, cargos por espera de conductores y por sobreestadía de contenedores¹⁴¹, equipos haciendo horas extra y primas de prioridad fuera de contrato por las escasas franjas de muelle.

Una postura pragmática trata las llegadas y los tiempos de muelle como distribuciones, valora la sobrecarga mediante penalizaciones explícitas por congestión —los mismos efectos económicos que aparecen como cargos por espera, sobreestadías, horas extra o primas por franjas prioritarias— y deja que el motor de decisión aplace o adelante pedidos hasta que el rendimiento esperado y ajustado al riesgo del siguiente lote supere el coste sombra del capital de la empresa más el valor de opción de esperar. La cadencia se convierte en un resultado de la economía, no en una entrada del calendario; el muelle no está «siempre ocupado», pero dejan de perderse unidades monetarias.

Aguas abajo, la asignación prematura es otra fuente discreta de fragilidad. Enviar pronto unidades escasas a tiendas débiles las congela donde rotan despacio e impide atender a las ganadoras que aparecen unos días después. Una rutina pragmática asigna un precio sombra visible a las existencias del centro de distribución sometidas a presión —unidades monetarias por unidad y día que representan la opción de atender una petición mejor mañana— y libera una unidad para una tienda solo cuando el rendimiento marginal de esta supera el precio de retención del centro de distribución. El caudal suele aumentar allí donde más importa, aunque más unidades permanezcan algo más de tiempo en el centro. La apariencia de «actividad» mejora con políticas frágiles; los resultados económicos mejoran con políticas robustas.

La fragilidad también impone un coste laboral que escapa a los cuadros de mando. Las políticas frágiles chocan con la realidad, generan largas colas de excepciones y reclutan a los planificadores como coprocesadores humanos. La organización normaliza las urgencias crónicas, la resecuenciación manual y las correcciones a posteriori. Este trabajo de apagar incendios absorbe la atención necesaria para construir el bien de capital que tenemos entre manos: un motor de decisión pequeño y legible que codifique marcos, precios y visiones probabilísticas, funcione sin intervención humana y acumule mejoras. Las políticas frágiles no solo pierden unidades monetarias en los días malos; también impiden que la empresa invierta el tiempo que haría esos días menos frecuentes y menos costosos.

Diseñar decisiones no frágiles no exige heroicidades, sino un cambio de postura. La visión pragmática trata la incertidumbre como la materia prima del beneficio. En la práctica, esto significa (i) admitir distribuciones —de demanda, plazos operativos, fiabilidades, devoluciones y, a veces, precios— como entradas de pleno derecho; (ii) expresar todas las fricciones en unidades monetarias —perjuicio de los faltantes de stock, congestión, envejecimiento, recargos por retraso, valor de opción de esperar— y asignar responsabilidades sobre esos precios para toda la empresa; y (iii) dejar que un optimizador estocástico ordene los compromisos marginales por su tasa de rendimiento aperiódica esperada y ajustada al riesgo. De ello surge de forma natural una pequeña holgura valorada: algo de inventario agrupado en el centro de distribución, unas pocas alternativas de transporte conservadas, un margen de capacidad medido en los recursos críticos y un modesto sobredimensionamiento de los kits donde las penalizaciones de cola son elevadas. No son talismanes contra la mala suerte; son opciones compradas porque el pago esperado supera la prima.

Una prueba sencilla pone de manifiesto la fragilidad en la práctica. Si una recomendación se derrumba ante pequeñas perturbaciones realistas de las entradas; se apoya en rituales de calendario en vez de cadencias valoradas económicamente; expresa la «excelencia» en artefactos —porcentajes de precisión, objetivos de servicio, puntuaciones de utilización— en lugar de unidades monetarias; y exige «excepciones» humanas constantes para seguir siendo tolerable, es frágil. A la inversa, si una rutina puede articular su marco, mostrar sus distribuciones, identificar sus precios, defender su umbral entre actuar y esperar y producir expedientes que resistan el contacto con los resultados observados, probablemente sea robusta, aunque a ojos de alguien no formado parezca algo «derrochadora».

Una vez admitida la incertidumbre, un último ingrediente resulta inevitable: no puede garantizarse el cumplimiento de muchos límites en todas las tiradas de dados. Las franjas de muelle, los turnos de conductores, las ubicaciones de preparación de pedidos y los ciclos de carga de baterías se verán ocasionalmente sometidos a presión por coincidencias desafortunadas, incluso cuando las decisiones sean sensatas. El tratamiento correcto no consiste en negar el azar, sino en ponerle precio. La siguiente sección aborda estas restricciones cuyo cumplimiento no puede garantizarse y muestra cómo manejarlas con límites probabilísticos o, mejor aún, con penalizaciones explícitas expresadas en la misma unidad monetaria que gobierna todas las demás disyuntivas.

8.4.2 Restricciones cuyo cumplimiento no puede garantizarse

En un mundo estocástico, la mayoría de las «restricciones» no son leyes de la física, sino preferencias respaldadas por penalizaciones. Tratarlas como mandatos que deben cumplirse en cada tirada de dados produce planes frágiles y costosas intervenciones de urgencia. El marco presentado antes ya sugiere la separación adecuada. Unos pocos límites son realmente infranqueables —prohibiciones legales, imposibilidades físicas, barreras de seguridad— y pertenecen a las pruebas de viabilidad que rechazan de plano las acciones candidatas. Todo lo demás es flexible: puede incumplirse a cambio de un precio o una demora y, por tanto, debe figurar en el objetivo como un perjuicio explícito, expresado en unidades monetarias.

Consideremos, por ejemplo, una empresa que cursa pedidos de reposición para un almacén. El almacén tiene una capacidad máxima de recepción. Si llegan demasiados camiones el mismo día, el personal debe rechazar algunos para que vuelvan más tarde. Esto resulta costoso y perturbador, e inmoviliza camiones previstos para entregas posteriores. Por ello, los pedidos de reposición se espacian deliberadamente para evitar un exceso de entradas en un mismo día. Sin embargo, los proveedores pueden encontrarse con dificultades. En ocasiones, los retrasos imprevistos pueden hacer que entregas inicialmente previstas para fechas distintas coincidan el mismo día. Como los retrasos de los proveedores son aleatorios —y a menudo presentan colas pesadas—, nunca se pueden descartar esas coincidencias. Para ello habría que dejar intervalos impracticablemente largos entre pedidos sucesivos. Espaciar los pedidos reduce el riesgo de superar la capacidad de recepción, pero no puede eliminarlo.

En términos más generales, la mayoría de las restricciones de la supply chain conllevan un riesgo real de incumplimiento, incluso cuando se gestionan con cuidado. Por definición, la empresa no controla a sus clientes ni a sus proveedores. Tampoco controla por completo a sus propios empleados, que pueden faltar por diversos motivos. No obstante, aunque la perfección no es de este mundo, la empresa puede orientar su toma de decisiones para respetar esas restricciones. Consideremos dos enfoques.

Las restricciones probabilísticas ofrecen un criterio menos exigente. En lugar de insistir en que una restricción se cumpla para todos los resultados, una restricción probabilística exige que se cumpla con una probabilidad mínima. Un enfoque pragmático consiste en permitir un pequeño riesgo, cuantificado explícitamente, de infringir una regla; por ejemplo, mantener por debajo del 5% la probabilidad de sobrecarga de los muelles. Así, los incumplimientos siguen siendo infrecuentes y controlados.

Sin embargo, la principal debilidad de las restricciones probabilísticas es que son fundamentalmente ajenas a la economía; o, más bien, que la disyuntiva económica queda oculta en un porcentaje arbitrario considerado aceptable: un número adimensional. Aunque se puede ajustar ese porcentaje para reflejar la economía de la situación, hacerlo crea un nuevo problema que resolver.

Las restricciones penalizadas son una alternativa más sencilla: trasladar las restricciones al objetivo mediante penalizaciones. Tratan cada incumplimiento como un perjuicio costoso y dejan que el optimizador sopese esa penalización frente al beneficio esperado de la decisión. Cada incumplimiento acarrea un coste elevado. La optimización minimiza entonces el coste total esperado, favoreciendo de manera natural las soluciones viables o casi viables. Una penalización suficientemente alta desincentiva los incumplimientos y orienta el optimizador hacia soluciones casi viables.

Las restricciones penalizadas se adaptan a la optimización de la supply chain porque expresan los límites operativos en los mismos términos monetarios que rigen el modelo. En principio, casi cualquier cuello de botella puede relajarse a cambio de un precio, y el término de penalización recoge ese precio explícitamente. El optimizador busca, por tanto, planes que eviten desembolsos ruinosos sin quedar encajonados entre reglas rígidas. Lo crucial es que, al expresarse cada penalización en dinero, decenas de límites heterogéneos se suman sin dificultad en un único objetivo, lo que permite al modelo escalar de forma eficiente en entornos de gran complejidad.

8.4.3 Exploración frente a explotación

Las decisiones se repiten. Cada ciclo actualiza nuestras creencias, y esas creencias orientan el siguiente ciclo. Por tanto, los datos históricos no son neutrales: son un subproducto de las elecciones de ayer. Si un minorista nunca ha fijado el precio de una SKU por encima de 9,99, el registro no contiene ninguna evidencia sobre la demanda a 10,99. Un solver que solo «explota» —que hoy siempre elige lo que parece mejor según el modelo actual— consolida silenciosamente los puntos ciegos del modelo. Los beneficios se estancan entonces, no porque se hayan agotado las posibilidades del mundo, sino porque la empresa deja de aprender dónde podrían ser mayores los rendimientos.

La visión pragmática (capítulo El futuro) trata esta endogeneidad como una restricción de diseño. A veces debemos elegir una acción ligeramente inferior en el registro de hoy porque la observación que genera mejorará el registro de mañana en una cuantía superior al dinero al que renunciamos. En términos económicos, la empresa compra una pequeña opción sobre el conocimiento. La pregunta práctica no es filosófica —si «probar cosas nuevas»—, sino cuantitativa: ¿cuándo supera el valor esperado de la información el coste de oportunidad del experimento?

Importan dos tipos de incertidumbre. La incertidumbre aleatoria es azar intrínseco: ningún esfuerzo la eliminará. La incertidumbre epistémica es ignorancia: puede reducirse reuniendo las observaciones adecuadas (véase el capítulo El futuro). La exploración es la reducción deliberada de la incertidumbre epistémica cuando su dividendo esperado —mejores decisiones a lo largo del horizonte pertinente— supera la pérdida inmediata que supone la prueba.

Un pequeño ejemplo concreto aclara la endogeneidad. Consideremos una línea de bebidas deportivas que se vende en cien tiendas. La empresa mantiene desde hace tiempo una doctrina informal según la cual «diez unidades monetarias» es el precio ideal para las compras por impulso; como resultado, la base de datos de precios es abundante en torno a 9,99 y está casi vacía por encima de 10,49. El modelo de demanda hereda este sesgo y, cuando se le consulta, vuelve a aconsejar mantenerse cerca de 9,99. Una receta pragmática contrarresta esta inercia sin jugarse la marca. Designa un grupo de prueba diminuto —por ejemplo, ocho tiendas con una afluencia habitual— durante dos semanas, eleva allí el precio a 10,49 y vuelve a estimar la respuesta local al precio. El coste es el margen que se estima perder —o los clientes a los que se disuade de comprar— respecto al precio del statu quo durante el periodo de prueba; el dividendo es la mejora que permite obtener la nueva respuesta al aplicarla a las otras noventa y dos tiendas. Si el dividendo esperado, expresado en unidades monetarias, supera el coste del experimento, la prueba de precio es racional, aunque las ocho tiendas obtengan peores resultados durante ella.

La exploración no se limita a los precios. Un comprador que se enfrenta a un nuevo proveedor de fiabilidad incierta puede cursar unos pocos pedidos deliberadamente pequeños y anticipados para conocer la cola de la distribución de los tiempos de entrega antes de comprometer un volumen elevado. Un planificador de la red puede probar un modesto esquema de cross-docking en una región para medir las penalizaciones por congestión en lugar de darlas por supuestas. Un responsable de surtido puede dejar que unos pocos artículos con baja tasa de venta se agoten deliberadamente —a una escala segura— para conocer las verdaderas tasas de sustitución en lugar de extrapolarlas a partir de datos censurados. En cada caso, el motor valora la prueba como cualquier otra acción: las opciones admisibles se explicitan, los futuros son probabilísticos y todos los efectos —perjuicio de los faltantes, envejecimiento, congestión, coste del capital por unidad de tiempo— se expresan en el mismo registro monetario.

Esta disyuntiva se conoce en la bibliografía como «exploración frente a explotación».¹⁴² La imagen clásica del bandido resulta útil, siempre que no perdamos de vista la economía. El objetivo no es perseguir «cotas de arrepentimiento» abstractas, sino decidir, al ritmo de las operaciones, si una prueba marginal supera el mismo umbral que rige cada compromiso: la tasa de rendimiento aperiódica esperada y ajustada al riesgo. Tres hábitos de diseño mantienen el proceso comprensible y auditable:

Primero, mantener las pruebas pequeñas y acotadas. La ventana de responsabilidad limita la atribución; el alcance —número de tiendas, rutas, SKU— limita las pérdidas posibles. Un tamaño reducido no es timidez: es la forma de valorar las opciones de aprendizaje y compararlas con claridad frente a sus dividendos.

Segundo, explicitar el dividendo del aprendizaje: la mejora esperada —durante la ventana en que estará vigente la regla revisada—, descontados el envejecimiento, las rebajas, la congestión y el coste del capital. Los «beneficios» ocultos cuentan como cero; solo cuenta el dinero que figura en el registro.

Tercero, integrar la exploración en el mismo motor que funciona sin intervención humana. Una prueba no es un proyecto especial: es otra acción admisible con su expediente, que incluye la distribución a priori, la perturbación propuesta, la ventana, los precios y la regla para adoptarla o revertirla cuando lleguen los resultados. Si baja la confianza del motor, las heurísticas de parada suspenden la prueba exactamente igual que suspenden la emisión ordinaria de decisiones.

Esta postura también aclara por qué la visión teleológica no puede dar cabida a la exploración. Bajo el esquema de prever, planificar y cumplir, las decisiones no son más que la última línea de un programa determinista; las previsiones viven separadas de las acciones, y la «precisión» se vigila como un porcentaje desvinculado del dinero. En ese mundo no hay presupuesto para comprar información porque el procedimiento presume que ya sabe lo que importa. En el mundo pragmático, en cambio, las pruebas rápidas y valoradas en dinero son una fuente de ventaja: reducen la incertidumbre epistémica allí donde compensa y permiten que la empresa actúe primero donde una pequeña comprensión adicional produce beneficios acumulativos.

Pasamos ahora de comprar información a comprar protección. La exploración financia observaciones que cambian el modelo; cultivar opciones financia capacidades que hoy no son rentables, pero que lo serían —y mucho— bajo determinadas condiciones. La gramática sigue siendo la misma: acciones admisibles, futuros probabilísticos y un único registro monetario.

8.4.4 Cultivar opciones

La resiliencia consiste en financiar opciones que hoy no son rentables, pero que podrían preservar los beneficios futuros si cambian las condiciones. En efecto, que una determinada gama de opciones —ofrecida por un proveedor, un transportista o una línea de montaje— tenga valor para el negocio depende de las condiciones de mercado vigentes. Si esas condiciones cambian, ciertas opciones pueden aumentar o disminuir bruscamente de valor. La empresa puede cubrir esos riesgos cultivando las opciones adecuadas.

Por ejemplo, una empresa radicada en Westonia puede estar comprando actualmente una pieza a un proveedor de Ruritania. Por desgracia, las alternativas locales de Westonia no son competitivas frente al proveedor de Ruritania. Además, sus piezas no cumplen por completo las especificaciones de la empresa. La empresa está plenamente satisfecha con su proveedor de Ruritania. Sin embargo, el Gobierno de Westonia podría imponer un arancel muy elevado a las importaciones de Ruritania. De hecho, varias figuras políticas en ascenso se han pronunciado abiertamente a favor de esos aranceles. Si se aprobaran, reducirían gravemente los beneficios, y la empresa no podría recurrir a los proveedores locales porque sus piezas incumplen las especificaciones. Por ello, para protegerse frente a este riesgo, la empresa selecciona un proveedor local y le ayuda a mejorar su producción para que las piezas cumplan las especificaciones. La mayoría de los pedidos sigue destinada al proveedor de Ruritania, pero la empresa cultiva la alternativa local, que podría salvar sus beneficios si se impone el arancel.

Cultivar opciones adopta muchas formas. La empresa puede financiar capacidad que no utiliza: mano de obra, almacenamiento, producción o transporte. Puede pagar tarifas de servicio elevadas a cambio de cláusulas de rescisión favorables —para poner fin al arrendamiento de un vehículo, un edificio o un equipo industrial—. Puede reducir la eficiencia de una línea de montaje para facilitar su reconfiguración y ampliar la gama de diseños que puede producir.

La finalidad de cultivar opciones es preparar a la empresa para condiciones poco probables, pero en absoluto imposibles. A diferencia de la disyuntiva entre exploración y explotación expuesta antes, el objetivo de la inversión no es descubrir. Desde el principio se sabe que la opción no es viable mientras persistan las condiciones actuales del mercado. La inversión es una cobertura.

Evaluar su viabilidad exige cuantificar tres elementos: (1) la probabilidad del desencadenante, (2) el ahorro que aportaría la opción en esas condiciones y (3) el coste de cultivarla. Si el ahorro ponderado por la probabilidad supera los costes de cultivar la opción, la cobertura es rentable.

De nuevo, cultivar opciones solo tiene sentido bajo la visión pragmática. Bajo la visión teleológica, el futuro se trata como una cantidad conocida. Como resultado, se descartan las opciones que no son económicamente viables de inmediato. En efecto, sin un razonamiento que las respalde, a la dirección le cuesta justificar gastos «innecesarios», especialmente los vinculados a condiciones muy pesimistas que invalidarían el rumbo actual defendido por el equipo directivo.

8.5 Decisiones secuenciales

Muchas elecciones de la supply chain son secuenciales: el rendimiento de una acción tomada hoy depende de las acciones que la empresa elija mañana. Los compromisos actuales eliminan alternativas y modifican el conjunto de opciones del siguiente ciclo: un efecto trinquete señalado en «Asimetría del tiempo» (capítulo El futuro). La aparente paradoja —«¿cómo puedo optimizar ahora si la decisión de mañana aún no está tomada?»— es cotidiana: compras en el extranjero que deben llenar un contenedor, envíos a tiendas que impiden asignaciones posteriores, lotes de producción que inmovilizan capacidad hasta el siguiente cambio de serie.

En este capítulo no tratamos esas situaciones como optimizaciones aisladas que se realizan una sola vez, sino como reglas para actuar a lo largo del tiempo. El objeto formal que las expresa con claridad es una política de decisión.

Materializar una política de decisión hace dos cosas. Primero, pone a la vista el marco: las acciones admisibles y las pruebas de viabilidad; los precios expresados en dinero —penalizaciones y recompensas— que la empresa está dispuesta a defender; y la visión probabilística de los futuros que informa cada elección. Segundo, permite evaluar en bucle cerrado mediante una previsión funcional: un simulador que responde a «si seguimos esta política, ¿qué distribución de resultados deberíamos esperar?». Esta pareja —política de decisión y previsión funcional— permite comparar conjuntos de reglas candidatos con el mismo criterio que se emplea para decisiones aisladas: la tasa de rendimiento esperada ajustada al riesgo.

Dicho esto, convertir cada problema secuencial en una búsqueda de políticas de decisión completa rara vez justifica la opacidad y el cómputo que conlleva. El espacio de reglas posibles es inmenso; puntuarlas únicamente al nivel de trayectorias completas oscurece las atribuciones marginales, y una exploración ingenua de los pasos futuros resulta demasiado cara para las operaciones diarias. En la práctica mantenemos la postura marginalista —ordenar compromisos pequeños y auditables por unidades monetarias por unidad de tiempo— y utilizamos unos pocos instrumentos rigurosos que captan el acoplamiento secuencial sin materializar una política completa.

Un ejemplo que iremos retomando concreta las ideas. Supongamos que un comprador debe cursar un pedido al extranjero que solo resulta económico si se redondea a un contenedor completo. La mezcla puede combinar muchas SKU, pero cada unidad cargada hoy debe cubrir la demanda hasta que llegue el siguiente contenedor del mismo proveedor. Sin embargo, esa fecha de llegada depende de una decisión que la empresa aún no ha tomado. Una optimización literalmente aislada no puede valorar el pedido de hoy sin presuponer el de mañana. Una política de decisión resuelve la dependencia —«pedir cuando el precio sombra del siguiente contenedor supere \(S\); asignar unidades según su rendimiento marginal, sujeto a restricciones de peso y volumen»—, y una previsión funcional proyecta las distribuciones de tiempos de entrega, demandas y capacidades de los muelles bajo esa regla.

El resto de esta sección muestra cómo gestionar la mayor parte de este acoplamiento con medios más ligeros: una ventana de responsabilidad que acota el horizonte durante el cual se atribuyen consecuencias al pedido de hoy (siguiente subsección); la economía de esperar, que valora la opción de aplazar y establece un umbral de tasa de rendimiento para actuar; la invariancia ante permutaciones, que justifica la acumulación voraz de asignaciones agrupadas en lotes, con salvedades cuando el orden sí importa —rutas de vehículos, programación de talleres—; y el principio de aplazamiento, que favorece el compromiso tardío para mantener abiertas las opciones futuras. Solo cuando la latencia o la escala lo exigen realizamos una búsqueda de políticas de decisión explícita y parametrizada.

8.5.1 Ventana de responsabilidad

Las decisiones secuenciales crean un problema de atribución: la acción de hoy modifica las opciones de mañana y la acción de mañana, a su vez, corregirá o amplificará las consecuencias de hoy. Un motor que debe funcionar a diario necesita una regla que asigne consecuencias a cada compromiso sin simular todo el futuro. El instrumento práctico es una ventana de responsabilidad: un horizonte acotado durante el cual la decisión actual responde de las consecuencias, mientras que las decisiones posteriores heredan el resto.

La ventana no es un intervalo de planificación: es un principio contable. Responde a dos preguntas: ¿desde cuándo empezamos a atribuir resultados al compromiso de hoy y hasta cuándo dura esa responsabilidad antes de pasar a la siguiente decisión de la misma clase?

Para un pedido al extranjero que debe llenar un contenedor, el inicio natural no es el día del calendario en que se registra el pedido, sino el día en que la mercancía puede utilizarse —tras la producción y el transporte—, porque solo entonces la decisión puede empezar a ganar o perder dinero. El final es el primer momento posterior a partir del cual un pedido ulterior puede asumir razonablemente la responsabilidad. En la práctica, una convención robusta consiste en cerrar la ventana con la llegada del contenedor posterior al siguiente de la misma procedencia. El contenedor inmediatamente «siguiente» todavía corrige o amplifica en parte la elección de hoy; tras el «posterior al siguiente», la responsabilidad se ha trasladado de verdad. En cambio, para la reposición diaria de las tiendas, la ventana suele abarcar desde la entrega de esta noche hasta la de mañana por la noche: la propia cadencia proporciona el límite.

Dentro de la ventana, la decisión se puntúa en términos monetarios coherentes con el objetivo de la empresa. Se le abonan las ventas —o el consumo— realizadas durante ella; los faltantes que se producen dentro de la ventana se le cargan según una penalización explícita, expresada en unidades monetarias, que refleja el margen perdido, la buena disposición y cualquier efecto en cascada sobre los artículos relacionados. El inventario que queda al final de la ventana no debe esconderse bajo la alfombra. Hay dos tratamientos prácticos y, según el caso, equivalentes en espíritu. El primero es una valoración terminal: tratar el stock residual como si se liquidara inmediatamente por su valor de recuperación esperado, menos los costes previstos de mantenimiento y manipulación hasta llegar a esa liquidación. El segundo —a menudo más sencillo y conservador para las colas largas— consiste en cargar toda la secuencia esperada de costes futuros de almacenamiento y obsolescencia a la decisión que creó el stock. Este tratamiento de «trinquete» reconoce que las elecciones posteriores no pueden deshacer una compra excesiva sin pagar rebajas, almacenamiento y bajas de inventario: la carga permanece, como corresponde, con quien la originó.

Definir los límites de la ventana es un ejercicio probabilístico. Suelen bastar dos distribuciones. Primero, una distribución del plazo operativo asigna masa a las fechas en que el compromiso empieza a tener efecto. Segundo, una distribución de la siguiente oportunidad de volver a decidir señala la fecha del traspaso. Esta segunda previsión es «impura» en el sentido de que proyecta nuestro propio comportamiento futuro; sin embargo, en las escalas de agrupación en lotes que importan —salidas de contenedores, cambios de serie en fábrica, franjas semanales de expedición—, la cadencia está regida en gran medida por factores externos —horas límite, horarios de los buques, MOQ— y resulta lo bastante estable como para preverla con una precisión útil. Cuando los ciclos son rígidos —expediciones nocturnas a tiendas, liberaciones de producción al final del turno—, el propio calendario proporciona el final.

Truncar el horizonte nos obliga a valorar lo que queda más allá. La penalización por faltantes de stock ya mencionada es un ejemplo: representa la erosión de las compras repetidas y las dinámicas de sustitución que decidimos no simular a lo largo de varias temporadas. En ocasiones hacen falta valoraciones sombra similares en otros ámbitos. Una marca de moda que aplica fuertes descuentos al final de la temporada puede descubrir que las grandes rebajas enseñan a los clientes a esperar; el daño a la demanda a largo plazo es real, pero difícil de modelizar a lo largo de colecciones futuras que ni siquiera están diseñadas. Una pequeña penalización por descuento y por unidad —expresada en unidades monetarias y aplicada dentro de la ventana— mantiene la honestidad del motor sin convertir el simulador en una saga de varios años. Como siempre, los precios deben ser explícitos, tener responsables, estar versionados y ser visibles; las penalizaciones ocultas no se vuelven neutrales, sino caprichosas.

Un breve ejemplo concreta las ideas. Supongamos que un importador pide hoy un contenedor completo. La ventana de evaluación empieza cuando el contenedor ha pasado los trámites y la mercancía está disponible; termina con la llegada del contenedor posterior al siguiente por la misma ruta. Todas las ventas realizadas entre ambos momentos se abonan al pedido de hoy; todos los faltantes de stock del mismo periodo se le cargan según la penalización por escasez. Las unidades residuales al final de la ventana reciben una valoración terminal o, con el enfoque del trinquete, los costes futuros esperados de almacenamiento y rebajas se cargan íntegramente al pedido de hoy. El contenedor siguiente se evalúa dentro de su propia ventana, con las mismas reglas; la responsabilidad no se contabiliza dos veces. Esta convención hace que el motor diario sea tratable y auditable, a la vez que conserva el realismo económico donde importa: en las colas y en los costes irreversibles que las decisiones posteriores no pueden borrar.

La ventana de responsabilidad concuerda con la postura marginalista desarrollada antes. Permite al solver razonar un paso por delante con entradas probabilísticas, atribuir las consecuencias con claridad y continuar. Su validez es empírica, no teórica: se eligen los límites, se ejecuta en paralelo frente a los métodos vigentes, se miden las diferencias en dinero y se ajusta. En la práctica, este instrumento funciona en una amplia gama de situaciones secuenciales —compras en el extranjero, regularización de las entradas al almacén, expediciones a tiendas— porque mantiene el foco allí donde reside la economía: en las opciones valoradas y los futuros de colas pesadas, no en relatos especulativos de varios años.

8.5.1.1 La economía de esperar

Todo problema secuencial contiene una opción tácita: no hacer nada todavía. Esperar conserva opciones y deja que se acumule información; actuar ahora fija una tasa de rendimiento y elimina alternativas. El motor debe valorar explícitamente la demora y adoptar una regla de umbral. Actuar solo cuando la tasa de rendimiento aperiódica esperada y ajustada al riesgo de la mejor acción admisible supere el coste sombra del capital más el valor de la opción de esperar. Por debajo de ese umbral, aplazar.

En las operaciones, esto se convierte en una disciplina sencilla y repetible. Volver a calcular, a diario o con una cadencia dictada por la realidad, la mejor acción siguiente dentro de la ventana de responsabilidad actual; si su tasa de rendimiento supera el umbral, ejecutarla y registrar el compromiso; si no, esperar. Justo después de pedir un contenedor, el del día siguiente no suele ser rentable: la demanda aún no se ha acumulado, hay pocas oportunidades de consolidación y se perfilan penalizaciones por congestión en la recepción. A medida que pasan los días, se agregan volúmenes, mejora la carga conjunta y aumenta el rendimiento esperado; cuando supera el umbral, se cursa el pedido. La política no es «ciclos semanales por tradición», sino «cuando lo justifique la economía».

La misma lógica rige las expediciones aguas abajo. Consideremos un centro de distribución de moda que conserva unas pocas unidades de un éxito de ventas arrollador. Asignar hoy una unidad a una tienda de ventas débiles puede parecer inocuo bajo una previsión puntual; mañana se convierte en un costoso trinquete cuando una tienda de ventas fuertes la solicita y ya no queda ninguna. En lugar de intentar escribir el guion de toda la temporada, asignemos un precio sombra al stock disputado del centro de distribución: un coste de oportunidad en unidades monetarias por unidad y por día que representa la opción de atender después una solicitud mejor. Se envía la unidad a una tienda solo cuando el rendimiento marginal de esta —calculado según la visión probabilística actual de la tasa de venta y la penalización por escasez— supera el precio sombra del centro de distribución. Lejos de perjudicar el caudal, esta paciencia tiende a aumentarlo allí donde más rinde; la asignación prematura suele reducir el caudal efectivo al inmovilizar stock donde rotará despacio.

Esperar no es vacilar: es una decisión valorada como cualquier otra. El umbral incorpora tanto el coste de capital de la empresa como su tolerancia al riesgo de cola. También incorpora las heurísticas de parada expuestas antes: cuando baja la confianza del motor —colas mal calibradas, restricciones que se vuelven vinculantes de forma inusual—, se pausa la emisión de decisiones hasta corregir el marco, los precios o la semántica. Así, la ventana de responsabilidad y la economía de esperar se combinan para convertir muchos problemas secuenciales en una acumulación voraz de un solo paso que sigue alineada con el beneficio. La siguiente subsección, sobre la invariancia ante permutaciones, muestra por qué esa acumulación voraz funciona a menudo y dónde el orden sí importa.

8.5.2 Invariancia ante permutaciones

Muchas asignaciones de la supply chain se ejecutan en lotes: se llena un contenedor con una mezcla de SKU, una línea produce una serie de unidades, un camión sale del centro de distribución cargado para varias tiendas. En estos casos, lo que importa económicamente es el multiconjunto final de compromisos marginales del lote y las restricciones que satisface —peso, volumen, franjas, horas límite—, no el orden teórico en que se eligieron los compromisos atómicos. Cuando las pruebas de viabilidad dependen solo de los totales y las penalizaciones y recompensas se valoran de forma simétrica para los artículos del lote, la función objetivo es —salvo efectos de registro insignificantes— invariante ante cualquier permutación de las microasignaciones que componen el lote.

Esta observación es poderosa cuando se combina con los instrumentos presentados antes. La ventana de responsabilidad acota el horizonte durante el cual se atribuyen consecuencias a un lote; la economía de esperar proporciona un umbral: actuar solo cuando la mejor acción admisible supere el coste sombra del capital más el valor de la opción de aplazar. Con ambos, el lote puede formarse de manera voraz: en cada paso, se recalculan los precios sombra de los recursos escasos y se elige la siguiente unidad admisible con la mayor tasa de rendimiento aperiódica esperada y ajustada al riesgo; se detiene el proceso cuando la capacidad limita o no se supera el umbral. Como la valoración del lote es insensible a la permutación de sus componentes, esta construcción paso a paso apunta al conjunto que importa —el contenido del lote—, no a una secuencia ceremonial sin fundamento económico.

Dos salvedades aclaran qué se afirma y qué no. Primero, aunque el valor final de un lote es insensible al orden, el valor marginal de una unidad concreta sí depende de la trayectoria: las primeras elecciones afrontan restricciones más laxas que las últimas. Precisamente por eso, la acumulación voraz debe recalcular los precios sombra después de cada incorporación; la dependencia de la trayectoria se gestiona revisando los precios, mientras que el conjunto resultante sigue siendo el objetivo. Segundo, la invariancia ante permutaciones no demuestra la optimalidad global: es la justificación de ingeniería para una búsqueda que asciende rápidamente hacia cotas altas en problemas dominados por rendimientos decrecientes y penalizaciones valoradas, exactamente la geometría expuesta antes en Sobre la optimalidad. El motor repite el proceso con una cadencia operativa; la ejecución de mañana parte de una solución previa más afinada y de un espacio de búsqueda más acotado, y el mecanismo de ventanas atribuye consecuencias sin simular todo el futuro.

Los casos concretos aclaran la idea. Al llenar un contenedor para transporte internacional, la viabilidad atiende a los totales —peso y volumen— y a las fechas límite, mientras que el valor procede de la mezcla que se venderá dentro de la ventana de evaluación. Tiene sentido añadir unidades —posiblemente de muchas SKU— en orden decreciente de rendimiento marginal, hacer una pausa cuando la economía de esperar diga «todavía no» y reanudar el proceso a medida que se acumulan demanda y oportunidades de carga conjunta. En las expediciones del centro de distribución a las tiendas, el stock del centro de distribución tiene un precio sombra que refleja la opción de atender mañana una solicitud mejor (véase La economía de esperar). Una tienda recibe una unidad solo cuando su rendimiento marginal supera ese precio sombra; dentro de una oleada de salidas, se añaden entonces unidades de manera voraz hasta que las penalizaciones valoradas y las capacidades del camión aconsejan detenerse. El resultado suele ser un caudal efectivo mayor allí donde más importa. Las asignaciones prematuras inmovilizan stock en ubicaciones de bajo rendimiento: una actividad frenética que reduce el caudal cuando la temporada revela cuáles son los verdaderos ganadores.

La invariancia ante permutaciones también ayuda a mantener los modelos pequeños y auditables. Las restricciones de los lotes —MOQ, incentivos por camión completo, congestión de muelles— se expresan mejor como pruebas de viabilidad y penalizaciones valoradas sobre el conjunto que se envía que como reglas de procedimiento que dictan un orden de selección. Las primeras producen precios claros y paradas nítidas; las segundas engendran artefactos y gestión de excepciones. Como el valor del lote no depende de una secuencia ceremonial, el solver puede proponer el siguiente mejor compromiso marginal, registrar su expediente y repetir hasta que el umbral obligue a detenerse.

8.5.2.1 Asignaciones sensibles al orden

No todos los problemas secuenciales admiten invariancia ante permutaciones. Algunas clases son intrínsecamente sensibles al orden: la ruta de un vehículo, la secuencia de trabajos en un taller con tiempos de cambio de serie y competencias escasas, el recorrido de un preparador de pedidos por un almacén automático. En esos casos, la distancia recorrida, las colas y los bloqueos, o las pérdidas por cambio de serie dependen directamente del orden de las tareas. Intercambiar dos paradas en una ruta de recogida puede añadir una hora de conducción; permutar dos pasos en un programa de trabajos MRO puede prolongar un día el tiempo total hasta la vuelta al servicio. En esos casos, la secuencia tiene una realidad económica, y el modelo debe reconocerla.

Sin embargo, la metodología sigue siendo coherente con este capítulo. Mantenemos explícito el marco —acciones admisibles y pruebas de viabilidad—, mantenemos visible la economía —penalizaciones valoradas por retrasos, horas extra, incumplimiento de franjas y envejecimiento— e incorporamos visiones probabilísticas de la demanda, los tiempos de recorrido, las duraciones de reparación y las fiabilidades. La tarea del solver consiste entonces en proponer una secuencia, no solo un conjunto. Las ventanas de responsabilidad siguen acotando la atribución —final del turno, final del día, regreso al depósito—, y las penalizaciones valoradas incorporan al objetivo los límites cuyo cumplimiento no puede garantizarse. El principio permanece: explicitar el orden solo donde cambie el resultado monetario; en los demás casos, tratarlo como un artefacto y dejar que la invariancia ante permutaciones justifique la acumulación voraz.

Consideradas conjuntamente, la invariancia ante permutaciones y la economía de esperar favorecen el compromiso tardío. Cuando la valoración de un lote depende de su contenido, pero no del ceremonial de su selección, resulta prudente aplazar los compromisos hasta que los rendimientos marginales superen el umbral y formar entonces el lote rápidamente mediante acumulación voraz. La siguiente sección, el principio de aplazamiento, formaliza esta postura y muestra cómo diseñar los flujos para que las elecciones vinculantes se tomen tan tarde como sea factible, conservando opciones y mejorando los rendimientos bajo incertidumbre.

8.5.3 Principio de aplazamiento

La invariancia ante permutaciones y la economía de esperar apuntan a una regla general para el trabajo secuencial: comprometerse tarde. La empresa obtiene su ventaja al aplazar las elecciones irreversibles hasta que llega información que modifica sustancialmente la clasificación de las opciones, atribuyendo al mismo tiempo un precio justo a la demora. Bajo la visión teleológica (capítulo El futuro), aplazar es un inconveniente que complica el cumplimiento del plan. Bajo la visión pragmática, aplazar es una opción valorada: conserva alternativas y se ejerce solo cuando su rendimiento esperado ajustado al riesgo supera el umbral pertinente.

El aplazamiento —también llamado compromiso tardío— consiste en organizar el flujo para que las elecciones vinculantes no se tomen antes de que la economía lo justifique. Se mantienen los bienes, las capacidades y los compromisos en estados genéricos y reasignables hasta que la tasa de rendimiento aperiódica esperada y ajustada al riesgo de comprometerse supere (i) el coste sombra del capital, (ii) el valor de la opción de esperar y (iii) la prima de aplazamiento: los costes incrementales que se pagan por mantener abiertas las opciones.

La prima es tangible: mantener inventario semielaborado que puede especializarse más adelante; pagar por conservar la disponibilidad de proveedores alternativos; reservar capacidad de tintorería o de preparación de kits; pagar manipulación adicional para mantener el stock agrupado en el centro de distribución; e invertir en una coordinación más sofisticada. Aplazar no es «flexibilidad gratuita»: es apostar a que el valor de la información y la opcionalidad compensará con creces la prima y cualquier riesgo de envejecimiento dentro de la ventana de responsabilidad. Bien aplicado, el aplazamiento tiende a acortar la semivida de las decisiones (véase Cambiar de rumbo, más adelante), al acercar los compromisos al momento en que empiezan a rendir y reducir asignaciones erróneas costosas que, de otro modo, perdurarían.

El compromiso tardío adopta varias formas recurrentes, todas regidas por la misma prueba económica.

Aplazamiento de la forma. Un importador de moda puede comprometerse pronto con tejidos en crudo y avíos —insumos baratos y genéricos— y aplazar las especializaciones caras —tinte, lavado, etiquetado, mezcla de tallas, reparto geográfico— hasta que las primeras ventas revelen qué artículos y colores presentan colas pesadas. Las opciones admisibles se vuelven explícitas: acabar ahora y enviar a muchos destinos, o esperar unas semanas y acabar lo que realmente absorberán los ganadores. El motor de decisiones valora el valor de recuperación de los rezagados, la penalización por escasez de los ganadores, los costes de especialización y la prima pagada por mantener disponible la tintorería; después, solo se compromete cuando la tasa de rendimiento aperiódica esperada supera el umbral.

Aplazamiento de la asignación. Enviar demasiado pronto unidades escasas a las tiendas las inmoviliza allí donde rotan despacio. Retenerlas en el centro de distribución con un precio sombra visible —unidades monetarias por unidad y por día— conserva la opción de atender mañana una solicitud mejor. Una tienda recibe una unidad solo cuando su rendimiento marginal —calculado según la visión probabilística actual de la tasa de venta y la penalización por escasez— supera el precio de retención del centro de distribución (véase La economía de esperar). El caudal suele aumentar donde más importa, porque se abastece primero a los ganadores y los rezagados no acaparan.

Aplazamiento del acabado o la preparación de kits. Dar color, preparar kits, envasar o adaptar variantes regionales con antelación compromete a la empresa con un reparto de la demanda aún desconocido. Mantener genéricos los productos en curso y acabarlos tarde deja que los pedidos revelen la mezcla. La prima consiste en la manipulación adicional y el pago por reservar capacidad en la fase de acabado; el beneficio es reducir las bajas de inventario de variantes equivocadas y acortar la semivida de la decisión, al especializar el stock solo cuando hay quien lo necesita.

Aplazamiento temporal. En las rutas de entrada, un contenedor pedido «porque es martes» no supera la prueba económica la mayoría de las veces. A medida que pasan los días, se acumulan volúmenes, mejora la carga conjunta y evolucionan las penalizaciones por congestión de la recepción. Hay que recalcular a diario y cursar el pedido el día en que el mejor lote admisible supere el umbral definido por el coste sombra del capital, el valor de la opción de esperar y la prima de aplazamiento. La cadencia pasa a ser un resultado de la economía, no del calendario.

Aplazamiento del precio. Los precios moldean la demanda; aplazar las rebajas o las promociones hasta que se haya reducido la incertidumbre puede superar una trayectoria de precios preestablecida. Las previsiones funcionales (capítulo El futuro) explicitan la política de precios y permiten al motor comparar «rebajar ahora» con «esperar una semana más» bajo el mismo registro monetario. Aquí la prima es el riesgo de quedarse con stock envejecido si se cierra la ventana; el beneficio es obtener más de los ganadores sin enseñar a los clientes a esperar.

Operativamente, aplazar es el arte de desagregar compromisos en decisiones que pueden volverse vinculantes tarde. Se divide el bloque monolítico —«todos los artículos, cantidades, destinos y fechas decididos con nueve meses de antelación»— en microdecisiones escalonadas que se ajustan a la física del flujo. Se comprometen pronto los insumos con poca información y largos plazos operativos; se aplazan las especializaciones con mucha información y plazos cortos; se mantiene el stock agrupado hasta que su asignación compense; y se contratan volúmenes flexibles y especificaciones tardías cuando la prima es tolerable. Los directivos suelen «simplificar» los problemas secuenciales rigidizándolos: fijan los surtidos, prohíben reasignaciones a mitad de temporada, bloquean las trayectorias de precios. No lo hacen porque lo exija la física, sino porque los procesos con intervención humana no dan abasto. Con sistemas de inteligencia que funcionan sin intervención humana, el cuello de botella debería estar en los átomos y las horas, no en el conjunto de mecanismos de decisión; el compromiso tardío se vuelve entonces no solo viable, sino rutinario.

Como cualquier heurística, el aplazamiento tiene límites de aplicación. Allí donde el orden tiene consecuencias intrínsecas —rutas de vehículos, secuenciación de trabajos en talleres, recorridos de preparación de pedidos—, comprometerse pronto es el problema, y la secuencia debe optimizarse en lugar de aplazarse. Las autorizaciones regulatorias previas, la escasez de competencias para los cambios de serie o los bienes perecederos también pueden fijar fronteras infranqueables a partir de las cuales esperar deja de compensar. El remedio no es abandonar el aplazamiento, sino desplazar su frontera aguas arriba hasta donde permitan la economía y la viabilidad, y valorar explícitamente el resto en el objetivo: penalizaciones por retrasos, envejecimiento, horas extra o incumplimiento de franjas.

En la práctica, la regla es sencilla y repetible. Con la cadencia que dicte la realidad, se recalcula la mejor acción vinculante admisible dentro de la ventana de responsabilidad actual. Solo se asume el compromiso cuando su tasa de rendimiento aperiódica esperada y ajustada al riesgo supera la suma del coste sombra del capital, el valor de la opción de esperar y la prima de aplazamiento. De lo contrario, se espera. Cuando no se puede diseñar un compromiso tardío o la latencia debe mantenerse en decenas de milisegundos, se justifican las reglas precalculadas y parametrizadas: el tema de la siguiente subsección, la búsqueda de políticas de decisión.

8.5.4 Búsqueda de políticas de decisión

Las páginas anteriores abordaron las decisiones secuenciales sin materializar una «política». Una ventana de responsabilidad acotaba la atribución; la economía de esperar valoraba la inacción; la invariancia ante permutaciones justificaba la acumulación voraz; el compromiso tardío preservaba las opciones. En muchos flujos esto basta y es superior: mantiene la granularidad marginal, los precios explícitos y el razonamiento comprensible. Sin embargo, hay casos en que debemos condensar el cómputo en una regla que pueda aplicarse a una cadencia de milisegundos, o en que la física del problema hace que el orden sea intrínseco en lugar de ceremonial. En esos casos no abandonamos la postura económica: la codificamos en una política de decisión y exploramos su espacio.

Una política de decisión, tal como se definió antes, es un algoritmo que relaciona estados con acciones admisibles bajo precios explícitos y previsiones probabilísticas. Llevar esa definición a la práctica tiene una sola finalidad: trasladar el cómputo pesado aguas arriba, a una búsqueda estocástica fuera de línea, para que la inferencia en el momento de decidir sea rápida y fiable. Cuando la latencia permite márgenes amplios —de minutos a horas—, recalcular el mejor compromiso marginal con previsiones actualizadas suele ser mejor que mantener una política. Cuando la latencia es estricta —decenas de milisegundos—, o miles de agentes independientes deben actuar simultáneamente con información local —flotas de preparadores de pedidos en un almacén automatizado, asignación dinámica de ubicaciones dentro de un almacén con lanzaderas, secuencias de trabajos sensibles al orden con escasas competencias para cambiar de serie—, una política bien diseñada se convierte en el vehículo adecuado para la economía ya desarrollada en este capítulo.

Cuidado con el atractivo de las «demostraciones estacionarias». La bibliografía abunda en políticas analíticas que son «óptimas» solo en mundos de juguete: demanda estacionaria, colas ligeras, costes aditivos, ausencia de trinquetes. Nuestro mundo tiene un terreno accidentado: las distribuciones cambian, las colas dominan y los compromisos eliminan opciones. La optimalidad expresada en símbolos nunca debería pesar más que la mejora medida con un simulador fiel y, después, en una ejecución en paralelo en producción.

¿Cuándo se justifica, entonces, la búsqueda de políticas de decisión? Siempre que el orden cambie realmente el resultado monetario y no pueda recalcularse con suficiente rapidez; siempre que haya que sacar el cómputo de la ruta crítica sin sacrificar la economía; siempre que miles de pequeños agentes deban actuar de forma coherente desde perspectivas locales; y siempre que una regla sencilla y parametrizada pueda conservar el espíritu del aplazamiento, la valoración marginal y las restricciones valoradas con una latencia varios órdenes de magnitud menor. Cuando no se dan esas condiciones, siguen siendo preferibles los instrumentos más ligeros ya presentados —atribución por ventanas, economía de esperar, invariancia ante permutaciones y compromiso tardío—: devuelven el cuello de botella a los átomos, mantienen abiertas las opciones hasta que comprometerse compensa y evitan encerrar las creencias de ayer en reglas que envejecerán.

Situada donde corresponde, la búsqueda de políticas de decisión completa el panorama en lugar de sustituirlo por entero. Es la forma en que una empresa convierte un cómputo profundo y lento en acciones rápidas y repetidas, conservando la misma base económica: las decisiones siguen siendo apuestas marginales, valoradas en dinero, justificadas bajo futuros probabilísticos y revisadas a medida que se revela la realidad. La siguiente sección pasa de las reglas a la inercia y cuantifica cuánto pesa realmente un compromiso —su carga y su semivida— para que, entre dos acciones igualmente rentables, la empresa prefiera la que le permita cambiar de rumbo antes.

8.6 Cambiar de rumbo

En un mercado libre, la única constante es el cambio. Poder cambiar de rumbo es una cuestión de supervivencia para cualquier empresa. Sin embargo, toda decisión de supply chain conlleva un efecto trinquete: una vez asignados los recursos, dejan de estar disponibles de inmediato para otros usos. Algunas decisiones parecen definitivas, como un proceso de fabricación que consume materias primas, mientras que otras parecen reversibles, como trasladar stock entre almacenes. En cualquier caso, desde una perspectiva económica esas decisiones pueden deshacerse, aunque varían el tiempo y el dinero necesarios.

Al considerar decisiones con las mismas tasas de rendimiento previstas, una empresa debería favorecer las que implican menores compromisos subyacentes, en tiempo o en dinero. Evitar compromisos innecesariamente grandes es esencial para mantener ágil a la empresa y, gracias a esa agilidad, soportar las sacudidas del mercado que llegarán inevitablemente.

Bajo la visión teleológica —prever, planificar, cumplir— no existe ninguna noción operativa de agilidad. El futuro se trata como un calendario que hay que hacer cumplir, y los instrumentos gravitan hacia indicadores de vigilancia del plan: precisión de las previsiones, porcentajes de nivel de servicio, utilización, rotación de inventario. Tales indicadores dicen poco sobre la capacidad de la empresa para cambiar de rumbo; recompensan la adhesión a una trayectoria supuesta e ignoran el tiempo necesario para deshacer los compromisos. Sin embargo, la agilidad es la capacidad de desprenderse de los compromisos o reasignarlos rápidamente cuando llega nueva información, a un coste tolerable.

Para hablar de agilidad en términos económicos, debemos sustituir los indicadores indirectos de cumplimiento del plan por medidas que valoren los compromisos a lo largo del tiempo. El trío clásico —plazo operativo, capital circulante y rotación de inventario— sigue presente, pero lo reformulamos mediante dos magnitudes operativas que explicitan la duración: la carga que impone una decisión —dinero \(\times\) tiempo— y la semivida de esa carga —el tiempo necesario para liberar la mitad de los recursos comprometidos por esa decisión—.

El plazo operativo, en sentido amplio, es el tiempo que transcurre entre una decisión y el momento en que un recurso vuelve a estar disponible. El capital circulante es la diferencia entre el activo corriente y el pasivo corriente¹⁴³. La rotación de inventario mide cuántas veces se vende o se utiliza el inventario durante un año. En conjunto, estos indicadores nos dicen cuánto capital está inmovilizado, pero ignoran en gran medida durante cuánto tiempo; las nociones de carga y semivida que siguen abordan ese punto ciego.

En igualdad de condiciones, un plazo operativo más corto, un menor capital circulante y una mayor rotación de inventario aumentan la capacidad de cambiar de rumbo. En efecto, estos conceptos caracterizan la inercia general de la empresa: su incapacidad para cambiar de rumbo de inmediato, pues primero debe liquidar la masa de activos que fluye actualmente por ella, conservando su valor.

Sin embargo, estos conceptos son de utilidad limitada para comprender la inercia de la empresa. No significa que sean erróneos, ni siquiera desacertados; más bien, el asunto —caracterizar la inercia de la empresa— admite conceptos alternativos superiores desde el punto de vista operativo.

8.6.1 La carga de una decisión

La carga (financiera) de una decisión sobre el flujo cuantifica el compromiso de recursos subyacente como el producto del valor de un recurso por la vida útil de los bienes que crea, en unidades de dinero \(\times\) tiempo.

Consideremos un ejemplo sencillo. Si la empresa compra un lote por valor de 10 unidades monetarias y lo revende 5 días después, la carga es \(L = 10 \times 5 = 50\). En cambio, si vendiera la mitad del lote 5 días después y la otra mitad 20 días después, la carga sería \(L = \frac{10}{2} \times 5 + \frac{10}{2} \times 20 = 125\).

La segunda situación produce una carga más del doble de la primera porque la empresa mantiene inventario durante más del doble de tiempo.

Supongamos ahora que el pago del lote se aplaza 12 días. La carga de la primera situación es, a efectos prácticos, cero, porque no se necesita financiación: se paga al proveedor después de vender la mercancía. La carga de la segunda situación es \(L = \frac{10}{2} \times (20 - 12) = 40\).

El pago aplazado puede reducir sustancialmente la presión financiera necesaria para sostener el flujo.

La carga mide el capital circulante inmovilizado a lo largo de toda la vida de una decisión, no solo en una fecha de presentación de informes. Mientras que las cifras habituales de capital circulante ofrecen una instantánea, la carga asocia una duración a cada unidad monetaria comprometida. Para una empresa sometida a presión financiera, esta métrica ponderada por el tiempo —leída junto con el rendimiento esperado— es una guía más precisa para clasificar opciones y orientar el capital escaso hacia sus mejores usos.

Muchas empresas exigen aprobación de un responsable cuando un pedido de compra supera un umbral. La regla comprueba el tamaño y el posible efecto sobre la liquidez, pero pasa por alto el ciclo de vida de la mercancía. Un pedido pequeño puede inmovilizar capital durante meses, mientras que un gran pedido pendiente puede resolverse de la noche a la mañana. La carga capta directamente este peso oculto ligado al tiempo.

Las empresas suelen representar el valor del inventario frente a su rotación para detectar trampas de capital, pero la carga ya combina ambas cosas en una sola métrica.

8.6.2 La semivida de una decisión

La semivida de una decisión es el tiempo transcurrido —normalmente medido en días— hasta que su carga se reduce a la mitad mediante ventas, consumo o servicio.

Consideremos un pedido al extranjero cuya entrega tarda 10 semanas y cuyo contenedor completo dura 20 semanas antes de que se venda la mitad del stock. Por tanto, la semivida es \(7\,(10+20)=210\,\text{días}\).

Tomada de la física, la semivida mide el tiempo necesario para que la carga de una decisión se reduzca a la mitad; aporta una dimensión temporal que el plazo operativo por sí solo oculta. En efecto, el plazo operativo subestima la duración de las consecuencias de una decisión siempre que interviene la agrupación en lotes. Una crítica similar se aplica al tiempo de ciclo y a la rotación de inventario. Naturalmente, el umbral de la «mitad» es arbitrario: podría utilizarse cualquier cuantil. Volviendo al ejemplo, la vida al 75% de la compra sería de \(280\) días, suponiendo una demanda constante.

La semivida mide la rapidez con que puede deshacerse una decisión; las semividas largas atrapan a la empresa en su rumbo actual y erosionan su agilidad.

Además, la semivida resiste mejor la manipulación que el plazo operativo: manipular un indicador —hacer que la cifra parezca buena sin mejorar la realidad— resulta más fácil cuando la métrica ignora cuánto tiempo permanece inmovilizado el capital. Esto suele deberse a incentivos mal alineados que recompensan el propio indicador en lugar de los resultados que pretende representar. De hecho, las empresas que buscan agilidad suelen abordar el problema acortando los plazos operativos. Sin embargo, una trampa frecuente consiste en reducirlos a costa de las semividas.

9 Ingeniería

La práctica moderna de la supply chain opera con al menos un grado de intermediación: las personas diseñan procesos de toma de decisiones, y esos procesos emiten innumerables decisiones rutinarias que dirigen el flujo. Los artefactos que las emiten son recetas numéricas: programas que incorporan registros de referencia, contienen fundamentos económicos explícitos y emiten compromisos que pueden ejecutarse y auditarse¹⁴⁴. En los capítulos anteriores —Información, Inteligencia y Decisiones— argumentamos que estos motores deben funcionar sin intervención humana para que la empresa convierta el criterio en un activo productivo, en lugar de una carga administrativa interminable. Este capítulo aborda los principios de ingeniería que permiten que esos motores existan y acumulen mejoras.

El alcance es deliberadamente limitado. No repasaremos temas genéricos de software: marcos de interfaz de usuario —UI—¹⁴⁵, autenticación, infraestructura de CI/CD¹⁴⁶, planos de control, buses de mensajes o conexiones de entrada y salida con los sistemas de registro. Existe abundante bibliografía sobre esas ciencias auxiliares. Nos interesa el punto de encuentro entre el razonamiento económico y el código: cómo enmarcar las opciones admisibles, incorporar la incertidumbre sin aplanarla, valorar las disyuntivas en dinero y preservar la auditabilidad para que la genealogía de una decisión siga siendo comprensible meses después. El tono se mantiene deliberadamente no técnico —sin álgebra ni listados de código— para exponer con claridad las elecciones fundamentales que permiten a un sistema de inteligencia emitir decisiones sin intervención humana de forma segura, repetida y rentable.

Dos aclaraciones sustentan lo que sigue. Primero, «receta numérica» designa todo el conjunto de mecanismos que importa en la práctica: no solo los predictores y optimizadores, sino también la instrumentación que revela por qué una recomendación es sensata, las condiciones de parada que detienen la emisión cuando cae la confianza y los expedientes que permiten a los profesionales entender, en términos monetarios, qué creía el motor en aquel momento. Segundo, aunque el panorama de aplicaciones de cada empresa tiene sus peculiaridades, la postura de ingeniería que aquí se defiende es general: preferir los marcos explícitos a las convenciones tácitas, las visiones probabilísticas a los sustitutos puntuales, las penalizaciones valoradas a los decretos rígidos cuyo cumplimiento no puede garantizarse y la reproducibilidad a las heroicidades.

Los LLM merecen un breve comentario. Su papel está creciendo y se volverá decisivo a medida que reduzcan el coste de redactar, refactorizar, probar y documentar recetas numéricas. Sin embargo, no sustituyen a la competencia técnica. Los LLM no proporcionan un marco económico, no resuelven la semántica de los datos ni garantizan el determinismo y la auditabilidad; tan solo aceleran las manos que realizan el trabajo. Tratados como escribas capaces —con instrumentación, revisión y límites—, acortan el ciclo de iteración que exige el trabajo experimental. Tratados como oráculos, propician errores sutiles y costosos.

Por último, una llamada a la acción: la ventaja competitiva ya no reside en una pila más gruesa de cuadros de mando —suponiendo que alguna vez lo hiciera—, sino en disponer de una pequeña capacidad propia, orientada a la ingeniería, que escriba la economía de la empresa en software y lo deje funcionar sin intervención humana. La siguiente sección explica por qué esta capacidad no puede comprarse como una capa de «planificación» empaquetada y por qué, para los sistemas de inteligencia, la programabilidad no es una cuestión de gustos, sino una necesidad para la seguridad y el beneficio.

9.1 Por qué programar

Antes de continuar, una precisión sobre el alcance. En el capítulo Información distinguimos entre sistemas de registro, sistemas de informes y sistemas de inteligencia. Lo que sigue concierne a la última clase. Los registros y los motores de flujos de trabajo —ERP, WMS, CRM— se empaquetan con éxito porque registran acontecimientos discretos y hacen cumplir recorridos basados en reglas; sus entidades están desacopladas en gran medida por construcción. La configuración permite expresar los modestos acoplamientos que introducen los flujos de trabajo, y basta con software comercial estándar —COTS, Commercial off-the-shelf—. Lo que se resiste a empaquetarse es el motor que combina esos registros para producir decisiones sin intervención humana y valoradas económicamente.

La aparición del software empresarial a finales de la década de 1970 prolongó la esperanza de posguerra —alimentada por la investigación operativa— de que los problemas cuantitativos de la supply chain admitieran una formulación cerrada y permanente. Proveedores y académicos aspiraban a cristalizar esas soluciones en marcos reutilizables para que usuarios no técnicos pudieran «configurar» la toma de decisiones de una vez por todas. Esta ambición, razonable para los registros, se trasplantó íntegramente a los sistemas de inteligencia.

Medio siglo después, esta promesa no se ha materializado en los sistemas de inteligencia. Las plataformas COTS de «planificación» tardan meses o años en instalarse, movilizan ejércitos de especialistas y aun así degeneran en apaños con hojas de cálculo cuando se encuentran con las particularidades de un flujo vivo. El fracaso es estructural: un desajuste entre las plantillas genéricas y los acoplamientos específicos de cada negocio.

Las soluciones analíticas cerradas son frágiles porque presuponen que todo lo que debe decidirse puede enumerarse de antemano. La realidad se niega a obedecer. La única ventaja duradera de las hojas de cálculo —pese a sus muchos defectos— es precisamente su programabilidad. Permiten a los profesionales codificar las peculiaridades en cuanto estas adquieren importancia económica. La programabilidad no es una comodidad: es la propiedad esencial de un sistema de inteligencia.

Cantidades de apariencia inocente revelan esa fragilidad. Pensemos en el cable a granel. Un registro que dice «10.000 metros de existencias físicamente presentes» oculta lo que realmente gobierna la viabilidad y el valor: la composición y el corte. Diez bobinas de un kilómetro y mil bobinas de diez metros suman ambas 10.000, pero son activos económicos opuestos una vez valorados los perfiles de longitudes que piden los clientes, los desperdicios de corte y los restos. La unidad —el metro— oculta el estado sobre el que deben razonar las decisiones.

El cable no tiene nada de exótico. Peculiaridades similares y perfectamente corrientes impregnan todos los sectores. En aviación, los componentes rotables y reparables presentan compatibilidades asimétricas: piezas que sustituyen a otras en un sentido, pero no en el inverso, una vez tenidas en cuenta las revisiones por número de serie y los componentes de vida limitada. En moda, las sustituciones explícitas e implícitas cambian con el calendario comercial y las gamas de tallas y colores. En bricolaje, los artículos están unidos por dependencias a escala de proyecto: un grifo sin el kit de sifón o los conectores correspondientes es stock inmovilizado. En alimentación, las vidas útiles cortas se combinan con políticas agresivas de rebajas, canales secundarios y bonificaciones de proveedores que cambian la valoración del inventario en cuestión de días. El e-commerce acopla las SKU en la expedición mediante el embalaje, las reglas de los transportistas y las horas límite de entrega. Los «cables» de cada sector son corrientes dentro del oficio y fatales para las plantillas genéricas.

Como las supply chains son sistemas, estas peculiaridades no permanecen en los márgenes. Se acoplan al resto del flujo a través de capacidades compartidas, cestas de compra y expectativas de los clientes. Aislarlas para tratarlas manualmente no hace más que desplazar el coste y el riesgo. Si pudieran ponerse en cuarentena, bastaría con un pequeño proceso semiautónomo; no pueden. Una restricción descubierta en un rincón —longitudes de bobina, compatibilidades por número de serie, gamas de tallas y colores— modifica el surtido viable, cambia el precio de las opciones, desplaza la cadencia de las entradas y transforma la preparación de pedidos y la promesa de servicio.

Los proveedores de software se enfrentan a una ley de ingeniería implacable cuando intentan absorber estos acoplamientos en un producto empaquetado: las interacciones crecen más deprisa que las capacidades. Cada nueva capacidad «básica» que interactúa realmente con las demás multiplica los ámbitos que hay que probar y los casos límite; una modesta ampliación del 25% de esas capacidades puede duplicar fácilmente la carga de ingeniería. La curva de costes es superlineal porque el producto debe cubrir las peculiaridades de muchas empresas a la vez, mientras que cada empresa solo necesita las suyas.

En cambio, los rudimentarios instrumentos programables disponibles —sobre todo las hojas de cálculo— permiten a los profesionales centrarse en las pocas complicaciones que realmente existen en su contexto. Al limitar el alcance a su propia economía, eluden las deseconomías que hunden las soluciones genéricas. Esto, más que la costumbre, explica por qué los equipos vuelven a las hojas de cálculo después de costosas implantaciones de «planificación».

Nada de esto acusa a los sistemas de registro. Las aplicaciones CRUD que almacenan acontecimientos de referencia y hacen cumplir flujos de trabajo basados en reglas pueden empaquetarse; sus entidades están desacopladas en gran medida por diseño, y sus acoplamientos son explícitos, locales y auditables. Los problemas empiezan únicamente cuando esa misma lógica de empaquetado se extiende a un sistema de inteligencia, cuyo propósito es precisamente gestionar los acoplamientos específicos de cada empresa bajo incertidumbre.

Los motores de decisión empaquetados serían una perspectiva reconfortante para los directivos no técnicos; relegarían la programación a una competencia de segunda categoría. Por desgracia, la naturaleza de los sistemas de inteligencia lo impide. Salvo que se disponga de inteligencia artificial general, ningún catálogo finito de plantillas puede anticipar los acoplamientos que importan a una empresa concreta en un momento dado. Buscar configurabilidad en lugar de programabilidad es confundir los deseos con la realidad.

Así pues, nos queda la perspectiva de aprovechar soluciones programadas ad hoc para la supply chain. La tarea es menos intimidante de lo que parece, pues las hojas de cálculo son programables y eso no les ha impedido cosechar un éxito considerable en los círculos de supply chain. Sin embargo, esto plantea la cuestión de si las herramientas disponibles son adecuadas para esta labor, empezando por la elección de paradigmas de programación. Desde la década de 1950 se han ideado miles de lenguajes de programación. No es razonable suponer que todos son igualmente adecuados para abordar los desafíos de la supply chain. En particular, la popularidad de un lenguaje o una herramienta fuera de esos círculos tiene poco que ver con su idoneidad para resolver dichos desafíos.

9.2 Optimización experimental

Los desafíos de la supply chain son, como mínimo, opacos y, en ocasiones, también intrincados. Un desafío opaco se caracteriza por una elevada incertidumbre epistémica: nos enfrentamos a incógnitas conocidas y, a menudo, a incógnitas que ni siquiera sabemos que existen. Un desafío intrincado es peor: cambia cuando se intenta abordarlo, incluso cuando quien actúa es un tercero, normalmente un competidor. Los desafíos intrincados no se ajustan a ninguna solución formal estática.

La opacidad es una propiedad inherente a los sistemas de registro que sustentan la ejecución del flujo. Como se expuso en el capítulo Información, el mero hecho de establecer una semántica correcta para todos los datos pertinentes constituye una tarea enorme y propensa a errores. En la práctica, incluso una receta numérica modesta selecciona cientos de campos entre decenas de miles repartidos en cientos de tablas.

El carácter intrincado aparece siempre que la idoneidad de la respuesta depende de lo que los competidores hacen o dejan de hacer. Por ejemplo, una posición de precios elevados y alta disponibilidad puede prosperar cuando la mayoría de los rivales persigue precios bajos y existencias escasas; puede flaquear en cuanto convergen hacia esa misma posición de precios elevados y alto servicio.

La optimización experimental¹⁴⁷ es la piedra angular de la ingeniería numérica para la supply chain. Aborda de frente tanto la opacidad como el carácter ocasionalmente intrincado de sus desafíos. La optimización experimental aprovecha la respuesta del «mundo real» para mejorar iterativamente la receta numérica. Primero, elimina los errores corrientes de programación con consecuencias económicas. Estos errores son variados y frecuentes, y no pueden evitarse con solo examinar minuciosamente el código. Segundo, abre el camino para descubrir los criterios de optimización adecuados. Sin optimización experimental, los intentos de implantar tecnologías de software superiores para la supply chain fracasan invariablemente, y los profesionales terminan volviendo a sus hojas de cálculo.

9.2.1 Cartesianismo

Los autores de supply chain —y, por extensión, la mayoría de los proveedores de software empresarial— tratan las recetas numéricas como una labor puramente intelectual que procede de arriba abajo. Empiezan postulando la situación: número de SKU, topología de la red, restricciones, métricas que optimizar y otros detalles similares. A partir de este bagaje, el experto deduce una solución. Esta suele adoptar la forma de un marco para componer las recetas numéricas definitivas. El marco se introduce para admitir variaciones y poder reutilizarse en muchas situaciones.

Este enfoque se conoce como perspectiva cartesiana, por el filósofo francés del siglo XVII René Descartes. El cartesianismo concede gran importancia a la razón pura y al poder de la mente. Sostiene que llegar a la verdad es, en el fondo, un ejercicio estrictamente intelectual. A partir de un reducido conjunto de verdades evidentes, un razonamiento cuidadoso y metódico debería alcanzar conclusiones más profundas y complejas.

Aunque la razón es sin duda preferible¹⁴⁸ a las autoridades, el misticismo, los incentivos corruptos o las visiones inducidas por drogas, el cartesianismo no carece de defectos, especialmente en supply chain. En efecto, nada tiene de evidente el bagaje inicial que supuestamente caracteriza una situación determinada de supply chain. En la práctica, ese bagaje es un surtido desordenado y desmesurado de elementos de validez cuestionable.

Los autores suelen saber que un marco puramente intelectual es una propuesta insatisfactoria. Por ello, lo implementan y realizan numerosos experimentos in silico. Estos adoptan la forma de pruebas comparativas, pruebas retrospectivas y otras simulaciones. Tales «experimentos» pretenden demostrar la solidez y el rendimiento del marco en condiciones plausibles.

Por desgracia, someter un marco a una batería «plausible» de pruebas demuestra poco, y desde luego no su solidez para operar una supply chain real. En el mejor de los casos, esas pruebas detectan problemas graves —de escalabilidad, por ejemplo— que, de otro modo, perjudicarían las operaciones. Sin embargo, estas validaciones in silico están muy lejos de la prueba que buscamos. Buscamos garantías sólidas de que implantar la receta numérica resultante será beneficioso en términos netos para la empresa.

Estas garantías no proceden de añadir formalismo, sino de la falsabilidad en el sentido popperiano (véase el capítulo Epistemología). Cada receta numérica es una conjetura sobre cómo debe comprometer la empresa sus recursos escasos; sus premisas deben exponerse al fracaso en el mundo que pretende dirigir. Las pruebas comparativas y retrospectivas son comprobaciones previas útiles —examinan la coherencia interna y la escalabilidad—, pero no confrontan los incentivos adversos, la deriva semántica y los acontecimientos de colas pesadas que gobiernan el flujo real. Por tanto, el remedio adecuado para la postura cartesiana es metodológico, no algebraico: diseñar el entorno para que la receta se encuentre con la realidad pronto y con frecuencia, y hacer de la refutación la principal fuente de progreso.

9.2.2 Problemas corrientes

Cuando un profesional de supply chain implementa una receta numérica, el primer lote de decisiones generado será insatisfactorio con una certeza casi absoluta. Muchas cifras producidas por la receta serán «disparatadas», un término al que volveremos enseguida. Las causas de fondo de esas decisiones disparatadas suelen ser sencillas. Cinco clases de problemas suelen socavar las recetas numéricas: errores corrientes de programación, semántica de los datos, restricciones, factores económicos y estrategia.

Primero, los errores corrientes de programación. Una receta numérica digna de una supply chain real abarca miles de líneas de código, por no hablar de los millones de líneas de sus dependencias genéricas. Siete décadas de ingeniería de software han enseñado una lección: el único código sin errores es el que no se ha escrito. Los paradigmas adecuados pueden mejorar las cosas, pero la eliminación completa de errores no está ni remotamente a la vista, especialmente cuando se combina software escrito por muchas manos y los problemas aparecen en las fronteras.

Segundo, los problemas de semántica de los datos. Esta clase ya se ha tratado en el capítulo Información. En el fondo, la semántica de cualquier columna de una base de datos —por ejemplo, «Fecha del pedido»— depende de la interpretación del operador. Si este entiende que «Fecha del pedido» significa la fecha en que el proveedor confirmó su disposición a servirlo, esa es su semántica, diga lo que diga la documentación del sistema de registro. Dado que un sistema de registro moderno tiene decenas de miles de columnas, muchas de ellas interpretables de varias maneras, los malentendidos son inevitables. Estas interpretaciones erróneas pueden distorsionar gravemente las decisiones generadas.

Tercero, las restricciones suelen ser tácitas o inventadas. Una restricción tácita es la que no está debidamente documentada. Por ejemplo, Bob, que gestiona la reposición del almacén, sabe que, por encima de 5.000 unidades de entrada diarias, el equipo tiene dificultades y debe recurrir a costosas horas extra para mantener el ritmo. Bob lo aprendió hace un año, cuando pasó unos meses en el equipo del almacén. Sin embargo, ese límite de caudal nunca se documentó, por lo que una receta numérica lo ignora por completo. A la inversa, las restricciones inventadas aparecen siempre que la restricción real se considera demasiado enrevesada para resolverla de forma semimanual. Por ejemplo, los descuentos por tramos de cantidad que ofrece un proveedor suelen sustituirse por una MOQ —cantidad mínima de pedido— que refleja el precio por unidad que el equipo de compras considera aceptable. Sin embargo, la restricción es ficticia: se puede pedir por debajo de la supuesta MOQ si la empresa acepta un precio unitario mayor. Una receta que pase por alto este matiz generará a menudo un exceso de stock al forzar que se alcance la MOQ.

Cuarto, los factores económicos pueden evaluarse incorrectamente. Como se vio en el capítulo Economía, valorar es difícil. Analizar el flujo desde el punto de vista económico exige numerosas heurísticas para atribuir gastos e ingresos. Además, muchos efectos a largo plazo solo pueden estimarse de forma aproximada. Por ejemplo, es probable que los descuentos erosionen la disposición a pagar del cliente y lo vuelvan cada vez más oportunista a la hora de esperar la siguiente promoción. Cuantificar este efecto es difícil, pues los periodos pertinentes se miden en años. Una receta regida por fundamentos económicos incorrectos genera decisiones con apariencia de prudencia que, con el tiempo, no proporcionan los rendimientos esperados.

Quinto, la estrategia de la empresa puede parecer buena sobre el papel, pero no al ejecutarla. Por ejemplo, la dirección puede dar prioridad a la «máxima satisfacción del cliente», para luego descubrir que agentes malintencionados abusan de las facilidades ofrecidas: devoluciones permisivas o envíos de un día para otro. En términos más generales, la estrategia suele reflejar, en gran medida, una comprensión intuitiva de la economía subyacente de la empresa. Por tanto, esa comprensión puede apuntar en la dirección correcta y, aun así, pasar por alto la letra pequeña, que quizá exija recurrir selectivamente a estrategias alternativas. Más ampliamente, la naturaleza de los mercados —y su cambio incesante— garantiza que, con el tiempo, los competidores socavarán cualquier estrategia.

Las probabilidades de obtener decisiones adecuadas a partir de una receta numérica recién redactada son ínfimas. Perseguir el ideal de «hacerlo bien a la primera» —una perspectiva habitual en fabricación— es confundir los deseos con la realidad en supply chain. La complejidad y la opacidad del entorno son demasiado elevadas para ello. Sin embargo, es perfectamente posible mejorar ese primer borrador. Todo se reduce a identificar y después eliminar las decisiones «disparatadas».

9.2.3 Decisiones disparatadas

Una decisión de supply chain es «disparatada» cuando lo más probable es que genere pérdidas no deseadas para la empresa. Una receta numérica recién redactada produce invariablemente numerosas decisiones disparatadas. Más allá del daño financiero inmediato, estas decisiones socavan con razón la confianza de los profesionales en la propia automatización. Si no se corrigen, su mera presencia en los resultados garantiza que los profesionales abandonarán la receta y volverán a las hojas de cálculo.

Conviene señalar primero que, aunque identificar decisiones disparatadas es un problema de inteligencia general (véase el capítulo Inteligencia), no es un problema que exija una gran inteligencia. Una revisión manual cuidadosa, cifra por cifra, realizada por un profesional basta para detectar la mayoría de ellas. El principal obstáculo no es su capacidad, sino la enorme cantidad de tiempo que exige efectuar esa revisión a gran escala.

La dificultad se parece a la de identificar giros argumentales inverosímiles en una novela. Unas pautas pueden acelerar la tarea, pero no cabe esperar resolver por completo este desafío dentro de los límites de una formalización estrecha. Sin embargo, la mayoría de los lectores distingue fácilmente cuándo una historia rebasa lo que puede considerarse «plausible».

Aunque resulte contrario a la intuición, las decisiones disparatadas suelen ser la única manera de sacar a la luz los defectos de la receta numérica. Ante una decisión disparatada, hay que reconstruir mediante ingeniería inversa la secuencia de cálculos que la produjo. En software, un defecto refleja casi invariablemente una creencia errónea. Se cree que algo es cierto cuando, en realidad, no lo es. Por su mera existencia, la decisión disparatada ayuda al profesional a identificar qué creencia es incorrecta.

9.2.4 Refutación iterativa

La optimización experimental es una metodología que busca refutar la receta numérica en su estado actual. Reconoce que las decisiones de supply chain deben someterse a pruebas repetidas frente a la realidad, y que estas pruebas desempeñan un papel fundamental para revelar errores ocultos incluso en la solución más cuidadosamente concebida. En lugar de fingir que el problema está completamente definido de antemano, la optimización experimental busca descubrir y corregir los problemas mediante un ciclo iterativo y práctico.

El proceso se desarrolla así:

1. Proponer una receta numérica —una rutina de software o un script— que convierta los datos disponibles —previsiones, costes, restricciones— en decisiones explícitas de supply chain: órdenes de compra, series de producción, asignaciones.

2. Ejecutar la receta en un entorno lo bastante estable como para generar decisiones reales o próximas a las reales, obligándola a afrontar la complejidad sin filtrar de un conjunto de datos operativo, sin fingir que los productos o centros «difíciles» pueden excluirse por conveniencia.

3. Identificar las decisiones «disparatadas»; esta tarea suele exigir examen humano: los directivos o analistas inspeccionan valores atípicos, asignaciones sospechosas o pedidos chocantemente grandes hasta localizar la causa de fondo. Esta puede residir en una semántica de datos incorrecta, un factor de coste pasado por alto o una restricción recién aparecida.

4. Afinar la instrumentación y revisar la receta: los datos o características que faltan —por ejemplo, la varianza de los plazos operativos o nuevas categorías de restricciones de proveedores— orientan la siguiente revisión. La estructura explícita de costes también puede ajustarse si la iteración revela que la penalización por faltantes de stock es irrealmente baja o induce un exceso de stock derrochador.

5. Repetir hasta que cada ciclo deje de generar nuevos resultados «disparatados»; con el tiempo, los defectos flagrantes disminuyen y las soluciones se vuelven más robustas y más acordes con la realidad económica de la supply chain.

Una fortaleza distintiva de este enfoque iterativo es que invita a la refutación directa. Si las decisiones propuestas por la receta parecen problemáticas, aunque solo sea para unas pocas SKU o centros, hay que cuestionar y corregir alguna premisa. Esto contrasta con la visión puramente matemática de la optimización, en la que las pruebas de optimalidad ofrecen poco remedio cuando el mundo real no coincide con el modelo original. La optimización experimental acoge estos desajustes: cada defecto o recomendación «disparatada» es una oportunidad para descubrir errores más profundos.

9.2.5 Instrumentación

La optimización experimental depende en gran medida de la instrumentación. El flujo de procesamiento de datos debe permitir preparar y ejecutar rápidamente cada nueva iteración. Si desplegar cada revisión lleva semanas, el proceso no puede seguir el ritmo de su entorno. De ahí la necesidad de datos cuidadosamente versionados, flujos de trabajo reproducibles y capacidad de «viajar en el tiempo» para inspeccionar estados y resultados pasados.

Cabría esperar que las métricas —rotación de inventario, fill rates, precisión de las previsiones— fueran los árbitros definitivos del éxito o el fracaso. Estas medidas importan, pero llegan con retraso respecto a los acontecimientos y pueden distorsionarse cuando cambian las condiciones. Además, las métricas pueden manipularse. Por ejemplo, las empresas presionadas para elevar los niveles de servicio pueden limitarse a acumular exceso de stock de forma generalizada. Unos meses después, el stock inflado provoca sobrecostes. Como respuesta, se superponen nuevas restricciones al sistema original. Este vaivén entre métricas y comportamientos puede degenerar en una maraña de reglas cambiantes que oscurecen el rendimiento.

En la optimización experimental, la señal más clara de progreso es la ausencia de errores flagrantes. Cada día, las decisiones propuestas por el software parecen sensatas sin correcciones manuales ni intervenciones de última hora. Si los equipos de supply chain ya no necesitan «apagar incendios» durante la mitad de su jornada, la empresa ya está obteniendo mejores resultados: menos perturbaciones, menos reenvíos frenéticos, menos apaños extraños en el almacén. Con el tiempo, estas mejoras operativas reflejan una mayor adecuación de las decisiones a estructuras de costes correctas y a una semántica de datos más fiable, mejoras que acabarán reflejándose también en las métricas habituales. Aunque las cifras de ingresos tarden en ajustarse, la desaparición de decisiones «disparatadas» es una señal inequívoca de éxito.

9.2.6 Mejora continua

A diferencia de un enfoque basado en fórmulas cerradas que pretende «resolver» la supply chain de una vez por todas, la optimización experimental no afirma converger hacia un óptimo estable. Las supply chains evolucionan, las restricciones cambian, la mezcla de productos varía, se abren nuevas fábricas y estallan promociones o guerras de precios. Por tanto, el ciclo nunca se cierra. Una receta bien ajustada que hoy apenas produce disparates puede necesitar actualizaciones sustanciales mañana si surge una pandemia mundial, un nuevo competidor o un cambio de postura estratégica de la empresa. Incluso sin perturbaciones externas, nuevos conocimientos —como factores de coste recién descubiertos— justifican nuevos ajustes.

Este cambio perpetuo no es un defecto. Al contrario, pone de relieve que dominar la supply chain consiste en coordinar los cambios antes de que se propaguen sin control. Al estructurar cada cambio como un experimento pequeño y verificable, la organización gana tanto resiliencia como claridad de propósito. En lugar de proclamar una fórmula definitiva, los especialistas en supply chain se convierten en guardianes de un proceso vivo, que reconoce las perturbaciones inevitables como nuevas rondas de datos de entrada.

La optimización experimental une dos ideas que a menudo se mantienen separadas. Primero, abraza la ambición cuantitativa: la mejor manera de orientar una supply chain es mediante cifras que los algoritmos manejan y recombinan sistemáticamente. Segundo, reconoce la falsabilidad: la forma más segura de confirmar o refutar un método es someter sus resultados a condiciones reales. Solo se sabe si un plan determinado «tiene sentido» cuando se confronta con los datos sin filtrar de la fábrica, el almacén o la estantería de la tienda.

Al exigir que toda propuesta se someta a la prueba de la realidad, la optimización experimental transforma los errores en catalizadores del aprendizaje. El proceso cíclico —instrumentar, decidir, detectar disparates, corregir y volver a ejecutar— no garantiza que todas las restricciones y factores de coste ocultos se descubran de una vez. Lo que asegura es que el enfoque completo, por incompleto o provisional que sea, permanezca anclado en la misión de la supply chain: las mejores decisiones posibles dentro de flujos de complejidad irreducible. Mediante pruebas repetidas, la riqueza —y la indocilidad— del ámbito se convierte en un motor de progreso gradual, en lugar de una barrera insuperable.

9.3 Conversión en caja blanca

Una receta numérica opaca produce resultados —precios, cantidades de reaprovisionamiento, planes de reposición—, pero sigue siendo impenetrable para los propios profesionales que dependen de ellos. En las supply chains modernas, cualquier flujo de procesamiento de datos que no sea trivial tiende a mostrar este comportamiento de «caja negra», en el que la receta numérica incorpora capas de automatización o modelos matemáticos oscuros. Incluso las soluciones basadas en fórmulas sencillas —como las existencias de seguridad derivadas de supuestos de «demanda normal»— se convierten en cajas negras en la práctica cuando manejan miles de artículos, cada uno con sus matices y restricciones.

La conversión en caja blanca contrarresta esta opacidad. Reconoce que ningún flujo avanzado de procesamiento de datos es intrínsecamente transparente. Sin un esfuerzo deliberado, la lógica de una receta numérica permanece enterrada en el código y obliga a los profesionales a elegir entre dos opciones insatisfactorias: confiar ciegamente en el sistema o volver a hojas de cálculo que pueden controlar por completo, pero que carecen de la potencia o escalabilidad necesarias para afrontar la complejidad real del flujo. La conversión en caja blanca ofrece una tercera vía: preservar una automatización potente y revelar al mismo tiempo el «porqué» de cada recomendación.

Un principio central de la conversión en caja blanca es que la claridad debe servir a quienes están en primera línea de las decisiones de supply chain. La ofuscación puede adoptar muchas formas: tablas de datos enormes, restricciones sin verificar o algoritmos avanzados de aprendizaje automático que solo unos pocos científicos de datos pueden interpretar. La respuesta no consiste en simplificar todos los cálculos hasta convertirlos en fórmulas de juguete, lo que desperdiciaría las capacidades de cómputo necesarias para gestionar flujos intrincados. La conversión en caja blanca toma, en cambio, el camino más difícil de exponer los principales factores económicos de cada decisión. Además de las cifras brutas de asignación, la receta debe mostrar una lista breve de indicadores económicos de máxima relevancia. Para una recomendación de pedido, estos podrían incluir las existencias actuales, el plazo operativo, el riesgo previsto de faltantes de stock —en términos monetarios— y el coste del excedente si la cantidad propuesta resulta excesiva. Este puñado de columnas ofrece dos beneficios esenciales: primero, permite al profesional comprobar rápidamente que la decisión es sensata; segundo, señala dónde podría torcerse si alguna premisa o dato resultara incorrecto.

Esta transparencia depende de acercar el flujo de procesamiento de datos al usuario. Los profesionales deben poder añadir, retirar o ajustar métricas explicativas sin lanzar un proyecto informático de varios meses. Del mismo modo que la optimización experimental exige iteraciones rápidas para revelar y eliminar decisiones «disparatadas», la conversión en caja blanca exige iteraciones rápidas en los propios cuadros de mando. Si una decisión parece equivocada, el equipo afina o añade un indicador explicativo, vuelve a ejecutar el flujo con reproducibilidad mediante viaje en el tiempo y estudia si el factor recién revelado explica la decisión o pone de manifiesto un error. Con este enfoque, cada indicador nuevo —ya sea una penalización por ventas perdidas o un coste de llenado de contenedores— puede probarse y ajustarse rápidamente. Con el tiempo, estos indicadores forman un conjunto compacto de medidas de costes y riesgos que aclara cada recomendación sin inundar a los usuarios con métricas triviales.

Lo crucial es que la conversión en caja blanca no garantiza ni el consenso universal ni una modelización perfecta de todas las restricciones. Busca, en cambio, que las decisiones no provoquen una incredulidad repentina ni «intervenciones de pánico» entre profesionales que no ven la lógica que las sustenta. La transparencia reduce el umbral de confianza necesario para adoptar la automatización. Cuando los equipos de supply chain pueden vincular una serie de producción o una cantidad de reaprovisionamiento propuesta con una disyuntiva visible —por ejemplo, el coste de una posible parada de línea frente al coste de mantener piezas adicionales—, aceptan con más facilidad el resultado numérico, aunque contradiga las reglas prácticas anteriores. A la inversa, cuando un resultado no supera las comprobaciones intuitivas, la conversión en caja blanca dirige la atención al factor que quizá falte o esté mal etiquetado, orientando la siguiente mejora.

Otra dimensión fundamental de la conversión en caja blanca es su capacidad para reducir la fricción organizativa. En muchas empresas, las previsiones o los planes de reposición pasan de los equipos de ciencia de datos a los responsables de supply chain y, después, a finanzas o a las operaciones del almacén; cada grupo tiene sus propias métricas, definiciones de datos y restricciones. Este complejo traspaso suele multiplicar la confusión: un responsable que ve «comprar 1.200 unidades» en un sistema puede no saber que en otro lugar se tuvo en cuenta un descuento por cantidad. Al revelar los principales costes y restricciones directamente en las decisiones finales, la conversión en caja blanca conecta esos traspasos. Los interesados pueden ver, en términos monetarios, cómo se ponderó cada factor. Pueden corregir o afinar esos valores sin desmontar todo el flujo de procesamiento.

Lejos de ser una tarea puntual, la conversión en caja blanca es un principio de diseño permanente. En cuanto evoluciona una supply chain —con nuevos proveedores, cambios en los plazos operativos o ajustes de los objetivos estratégicos—, también deben evolucionar sus mecanismos de transparencia. De lo contrario, reaparecen premisas ocultas u obsoletas y crean nuevas zonas de caja negra. Mantener la conversión en caja blanca exige una colaboración regular entre los expertos del ámbito y los equipos encargados de la ingeniería de las recetas numéricas, para que, cuando cambie un aspecto del flujo, cambien también las métricas explicativas.

La conversión en caja blanca se sitúa así en la intersección entre fiabilidad y credibilidad. Atiende a la realidad práctica de las supply chains modernas, en las que los métodos numéricos avanzados son indispensables, pero también lo es la confianza de quienes los ponen en funcionamiento. Sin conversión en caja blanca, incluso el sistema mejor diseñado sigue siendo inutilizable; con ella, hasta los procesos sofisticados se vuelven lo bastante comprensibles como para que los profesionales los adopten, perfeccionen y operen día tras día.

9.4 Estimar lo esquivo al estilo de Fermi

Sea cual sea el enfoque de la receta numérica, los equipos de supply chain encuentran inevitablemente parámetros esquivos. Son cantidades o fuerzas que no aparecen fácilmente en ningún sistema de registro y que, por tanto, escapan a la medición directa. Pueden ser estratégicos: por ejemplo, la fecha prevista de lanzamiento de una tecnología prometedora, aún en desarrollo, de la que depende implícitamente la hoja de ruta de un producto. O pueden ser operativos, como la probabilidad de que un proveedor grande, pero sometido a presión financiera, se declare en quiebra durante los próximos trimestres. Ante estos factores, el enfoque tradicional consiste en eludir el problema. Los profesionales pueden excluir por completo esos parámetros de la automatización y volver a un proceso semimanual guiado por una mezcla de opiniones, conjeturas y coberturas preventivas. Ese apaño condena la receta numérica a depender de la intervención humana continua, lo que socava cualquier perspectiva de automatización auténtica.

Un enfoque mejor trata estos «inmensurables» como candidatos prioritarios para un análisis al estilo de Fermi, similar al que describen Philip E. Tetlock y Dan Gardner en «Superforecasting: The Art and Science of Prediction» (2015). La idea clave, popularizada por el físico Enrico Fermi, es que una cantidad aparentemente imposible de estimar puede descomponerse en una serie de estimaciones más abordables que, al multiplicarse o sumarse, producen una estimación creíble de la incógnita original. Es célebre que Fermi pedía a sus estudiantes que estimaran cuántos afinadores de piano trabajaban en Chicago, una cifra que la mayoría consideraría imposible de conocer sin un registro oficial. Sin embargo, al dividir el problema en pequeñas partes separadas —como la población aproximada de la ciudad, la proporción de hogares con piano y la frecuencia con que se afina un piano—, la estimación final puede acercarse sorprendentemente a la verdad.

En la práctica de la supply chain, un ejemplo más revelador es la probabilidad de que los aranceles de importación sobre los bienes de Ruritania se dupliquen durante los próximos cinco años. Esta cantidad no figura en ningún registro, pero gobierna directamente la cadencia de compra, la combinación de fuentes de aprovisionamiento y los precios. Una descomposición de Fermi vuelve abordable la estimación. Se empieza con una perspectiva externa: contar, a lo largo del último siglo de relaciones entre Westonia y Ruritania, con qué frecuencia se subieron o bajaron aranceles de magnitud comparable y en qué horizontes. Esta frecuencia histórica de referencia ancla firmemente la probabilidad a priori. Después se incorpora la perspectiva interna: leer el discurso político actual de Westonia, juzgar si el partido gobernante defiende aranceles más altos o más bajos y si el asunto es central o periférico en su programa, y ajustar en consecuencia la probabilidad a priori. A continuación se ponderan resultados electorales plausibles durante el horizonte pertinente —por ejemplo, de aquí a dos años— mediante encuestas o probabilidades de mercado. Para cada resultado, se evalúa la probabilidad de que el partido vencedor intente duplicar los aranceles. Por último, se consideran las vías de represalia: un arancel iniciado por Ruritania puede desencadenar medidas recíprocas de Westonia. Se reproduce el mismo razonamiento desde el lado de Ruritania —su política interna, su propensión histórica a utilizar aranceles y la relevancia de las tensiones comerciales— para valorar la posibilidad de que la medida de Westonia sea reactiva en vez de proactiva. El resultado final no es una estimación puntual, sino una probabilidad calibrada que puede revisarse a medida que se acumula información.

Una vez que existe esta probabilidad, puede traducirse en decisiones valoradas en dinero: el aumento esperado de los aranceles sobre las SKU afectadas; el valor de opción de acelerar o aplazar importaciones antes de las fechas límite; la prima justificada por orígenes alternativos menos expuestos; y el interés del aplazamiento —compromiso tardío— para mantener en el extranjero las transformaciones sensibles a los aranceles. La estimación puede ser aproximada; lo que importa es que sea explícita, auditable y esté al mismo nivel que los costes de compra y mantenimiento de existencias, para que un software pueda ponderarla sin intervención humana junto con los demás factores.

Lo crucial es que esta descomposición del parámetro esquivo no debe detenerse una vez codificada la conjetura inicial. Bajo la optimización experimental, los parámetros recién introducidos siguen sujetos a los mismos ciclos de refutación que todo lo demás. Que la «probabilidad de duplicación de los aranceles» no estuviera en el sistema de registro no la exime del examen; al contrario, su novedad exige una vigilancia atenta. Si aparece una decisión disparatada —por ejemplo, una que acelera sistemáticamente pedidos de entrada sobredimensionados y asfixia el capital circulante para anticiparse a una perturbación que nunca se materializa—, esto indica que la probabilidad, o su traducción económica, está inflada. A la inversa, si los aranceles sí suben bruscamente y la receta numérica no muestra ningún indicio de cobertura previa —sin envíos adelantados, sin diversificación de orígenes, sin aplazamiento—, la probabilidad estaba infravalorada. El perfeccionamiento es iterativo: cada pasada, guiada por resultados reales o incidentes evitados por poco, afina la lógica hasta que dejan de aparecer decisiones manifiestamente disparatadas.

En la práctica, el enfoque de Fermi también se convierte en una poderosa protección contra los sesgos cognitivos que acompañan a cualquier conjetura. Estas conjeturas no se extraen de una impresión vaga, sino que se anclan en una cadena de estimaciones menores y más tangibles. El proceso fomenta una «apertura mental activa», un rasgo documentado entre los superpronosticadores de Tetlock, que descomponen metódicamente un problema y después ponderan perspectivas externas para calibrar cada pieza. Todo el equipo de supply chain puede ver —directamente en el código o en un cuadro de mando convertido en caja blanca— cómo se calculó esa probabilidad de duplicación de los aranceles, lo que favorece la coordinación e invita a afinarla en colaboración, en lugar de recurrir a intervenciones unilaterales. Si un responsable de importaciones considera incorrectas las ponderaciones electorales o la relevancia de la política comercial en un programa, el equipo puede revisar esa única estimación parcial en vez de desmontar el método.

Aunque resulte laboriosa, la estimación al estilo de Fermi es una extensión sencilla de las técnicas que ya se necesitan para mantener una receta numérica completamente automatizada. En cuanto los profesionales de supply chain aceptan que ningún parámetro es demasiado intangible para descomponerlo —aunque deba hacerse con heurísticas aproximadas—, queda claro el camino para incluir esos elementos esquivos en el sistema. Como ocurre con los parámetros «normales», conviene introducir la conjetura con una instrumentación rigurosa, de modo que cada ejecución en producción pueda confirmar o cuestionar la lógica inicial. El dominio de la supply chain prospera mediante la iteración, no mediante determinaciones puntuales. Ante lo intangible, el mayor error no es equivocarse en la estimación inicial, sino negarse a producir estimación alguna y condenar así la receta a un funcionamiento parcialmente manual.

Al adoptar plenamente el principio de Fermi, los profesionales de supply chain pueden abordar precisamente los ámbitos que antes se consideraban «fuera del alcance de la medición»¹⁴⁹. En lugar de rendirse ante elementos intangibles que incapacitan la automatización, los transforman en un conjunto de piezas menores y más abordables que pueden probarse y perfeccionarse. Como ocurre con todas las partes de una receta numérica viva, cada aproximación se vincula a los resultados que produce en el mundo real, permitiendo a la supply chain integrar lo aprendido con el tiempo. La alternativa —descartar silenciosamente esos parámetros esquivos por considerarlos imposibles— garantiza que la automatización siga siendo poco más que una aspiración. La estimación al estilo de Fermi ofrece una vía decididamente práctica para explicitar incluso los parámetros más esquivos y asegurar que todos los factores críticos del flujo, intangibles o no, puedan incorporarse a un sistema automatizado integral.

9.5 Sobre la programabilidad

En los capítulos anteriores argumentamos que las supply chains modernas deben estar dirigidas por software que emita sin intervención humana compromisos auditables y valorados económicamente. Una vez que aceptamos resolver los problemas de supply chain mediante programación, surge una pregunta de apariencia corriente, pero en realidad fundamental: ¿en qué lenguaje deben expresarse esas decisiones? No es un capricho sobre herramientas. Un lenguaje fija qué ideas pueden hacerse explícitas, qué opciones pueden enumerarse sin contorsiones, cómo se valora la incertidumbre y cómo se auditan años después los compromisos resultantes.

El ámbito ha esquivado en gran medida esta pregunta desde el final del episodio de los 4GL.¹⁵⁰ El vacío lo han llenado las hojas de cálculo, los motores de reglas pegados a los ERP y los scripts en lenguajes de propósito general. Cada uno de estos instrumentos tiene su lugar, pero ninguno es adecuado como medio nativo para tomar decisiones sin intervención humana a la escala de una supply chain.

Los sistemas de registro hablan SQL porque deben conservar hechos, no inventarlos. SQL destaca al expresar lo que hay en un registro —filas y sus relaciones—, no qué debe hacerse a continuación ante la variabilidad y las disyuntivas. Los motores de reglas montados sobre sistemas transaccionales intentan salvar la distancia con un goteo de cláusulas «si-entonces»; con el tiempo, se convierten en acumulaciones frágiles que nadie entiende por completo, y menos aún cuando cambian los incentivos. Los lenguajes de scripting —hoy, sobre todo Python; ayer, VBA¹⁵¹; antes aún, macros propietarias— son prótesis potentes para los analistas, pero su propia libertad socava las propiedades que más necesitamos en producción: determinismo, reproducibilidad y control estricto de los efectos secundarios. Producen herramientas artesanales; los motores de decisión que funcionan sin intervención humana deben ser industriales.

Un lenguaje adecuado para automatizar las decisiones de supply chain debe ajustarse a la economía del flujo y a la física de los ordenadores. Sus objetos deberían ser los que los profesionales realmente manipulan: tablas tipadas con claves de SKU, ubicaciones y fechas; arrays sobre esas tablas; y, de manera crucial, variables aleatorias que contengan distribuciones de demanda, plazos operativos y devoluciones. La incertidumbre debe ser un elemento de pleno derecho, junto con un álgebra que convierta distribuciones en resultados monetarios, de modo que el rendimiento esperado y ajustado al riesgo de cualquier acción pueda escribirse como una fórmula breve, en lugar de una simulación añadida después. Los precios deben ser explícitos: conversiones de divisas y redondeos como funciones integradas. El tiempo también debe ser un elemento de pleno derecho: calendarios y álgebra de calendarios. Cuando existen estas primitivas, el motor expresa la decisión directamente; cuando faltan, los profesionales las introducen a escondidas y por partes, y la base de código degenera en apaños.

Como la viabilidad de los motores que funcionan sin intervención humana depende de la auditabilidad, la ejecución debe ser determinista. Las mismas entradas deben producir las mismas salidas, hasta el último céntimo, incluso cuando el cálculo se paraleliza. La aleatoriedad, cuando se necesita para una simulación estocástica, debe ser explícita y reproducible. Los efectos secundarios deben quedar aislados en la frontera: leer registros de referencia, calcular decisiones en un núcleo puro y escribir después los compromisos resultantes en el registro. Esta separación de responsabilidades no es un afán de pulcritud académica: es la única manera de dar sentido a las auditorías ex post y a las comparaciones mediante ejecución en paralelo.

La lógica de decisión sobre millones de SKU, centros y fechas no puede escribirse como una sucesión de bucles fila por fila sin derrumbarse bajo su propio peso. Por tanto, el lenguaje necesita una semántica de arrays o de tablas —operaciones vectorizadas sobre grandes colecciones tipadas— para que la mayoría de los programas se lea como álgebra sobre conjuntos, en lugar de coreografía sobre iteradores. Estos diseños favorecen la sintonía mecánica: se adaptan bien a las cachés y a las unidades paralelas, y abaratan lo suficiente los grandes problemas como para resolverlos con frecuencia.

La pregunta ¿declarativo o imperativo? está mal planteada en abstracto. Necesitamos una envoltura imperativa para organizar el flujo —incorporar, calcular, emitir— y un núcleo mayoritariamente declarativo para expresar valoraciones y restricciones como fórmulas sobre tablas y distribuciones. En la práctica, esto significa escribir las pruebas de viabilidad, las penalizaciones y los precios como expresiones que el motor pueda analizar, reordenar y recalcular parcialmente. La transparencia resultante hace posibles las heurísticas de parada: cuando cae la confianza, el motor se detiene según sus propios criterios en lugar de importunar a las personas con excepciones que no puede resolver.

Nada de lo anterior es una cuestión de gustos sintácticos. Llaves frente a sangría es una cuestión trivial. Lo que importa es la semántica: incertidumbre de pleno derecho, dinero y tiempo como elementos nativos en vez de añadidos tardíos, aislamiento de efectos secundarios, determinismo, evaluación vectorizada y un entorno de ejecución que produzca expedientes aptos para auditoría. Los lenguajes de propósito general pueden adaptarse a estos fines mediante convenciones y disciplina; la experiencia muestra que, a gran escala y con el tiempo, las convenciones se degradan. Un lenguaje de supply chain digno de ese nombre incorpora estas propiedades en su propia gramática.

El resto de esta sección lleva los criterios de selección a la práctica. Examinamos cómo influye la semántica del lenguaje en la ejecución sin intervención humana —determinismo y reproducibilidad—, en la economía —dinero, precios y penalizaciones nativos—, en la incertidumbre —primitivas probabilísticas y simulación estocástica— y en la mantenibilidad —núcleos pequeños, programas legibles, artefactos cuyas diferencias entre versiones sean fáciles de comparar—. El objetivo es sencillo: elegir un lenguaje que permita a la empresa poner por escrito su economía una sola vez, ejecutarla a velocidad de máquina y defender cada compromiso ex post en unidades monetarias.

9.5.1 Paradigmas de programación

Un paradigma de programación es el marco que determina cómo se concibe, estructura y ejecuta el software. Fija los principios para organizar los datos, definir las operaciones y determinar el flujo de control, orientando tanto el diseño como la ejecución.

Cabe sostener que desarrollar paradigmas de programación adecuados para la supply chain es la contribución técnica más importante de todas a este ámbito. En efecto, un paradigma de programación adecuado facilita resolver la mayoría de los desafíos de supply chain —si no todos—, con independencia de sus complicaciones específicas. En este sentido, los paradigmas de programación son completamente distintos de los «modelos» o de cualquier otro tipo de solución analítica cerrada, que por diseño resulta frágil ante complicaciones imprevistas. Aunque muchas técnicas tienen un interés amplio —el descenso de gradiente estocástico sería un ejemplo perfecto—, los paradigmas de programación no tienen rival en este aspecto. La breve lista siguiente presenta algunos de los más relevantes para la supply chain.

La integración vertical designa un entorno que proporciona toda la pila tecnológica —desde el almacenamiento de datos, pasando por el procesamiento y la lógica, hasta la presentación— dentro de un único medio coherente. El ejemplo canónico es la hoja de cálculo: una aplicación monolítica en la que la cuadrícula es a la vez el almacén de datos, el motor de fórmulas y la interfaz de usuario, con un recálculo en tiempo real que une los tres. En ese entorno no hay desajuste de impedancia entre «dónde residen los hechos», «cómo se transforman» y «cómo se inspeccionan»; un único artefacto contiene todo ello.

La integración vertical importa porque elimina traspasos. Permite que un pequeño número de profesionales que no son especialistas en software redacten, ejecuten y auditen recetas numéricas de principio a fin. La misma persona puede incorporar registros, expresar la lógica de decisión y visualizar los compromisos resultantes sin esperar a que otro equipo exponga una API o conecte un cuadro de mando. Sin integración vertical, componer la receta se convierte en un proyecto técnico que solo puede dejarse en manos de expertos en software. El trabajo se propaga como una metástasis en la procesión habitual —expertos en supply chain, consultores, jefes de proyecto, administradores de bases de datos, ingenieros de software, analistas de datos—, cuya coordinación crea un problema de diseño de interfaces mayor que el problema económico original. Las hojas de cálculo demuestran tanto el atractivo como los límites de este patrón: hacen inmediatamente tangible la integración vertical, pero también revelan por qué, más allá de una escala trivial, se necesita otro sustrato (véase más adelante la sección «Hojas de cálculo»).

La reproducibilidad con viaje en el tiempo significa que el entorno conserva el código y los datos exactos tal como existían en cualquier momento del pasado. Los usuarios pueden retroceder en el tiempo y volver a ejecutar los cálculos tal como eran. Este tipo de control de versiones de extremo a extremo —código + datos— garantiza que los resultados no solo sean reproducibles en principio, sino también verificables automáticamente en cualquier momento histórico.

En efecto, al tomar decisiones de supply chain, incluso los fallos pequeños pueden resultar extremadamente costosos si generan malas decisiones¹⁵². Con demasiada frecuencia no puede reproducirse el comportamiento problemático porque, cuando se identifica el problema, los datos de entrada ya han cambiado. En consecuencia, los fallos permanecen sin resolver mucho más tiempo del deseable. La reproducibilidad con viaje en el tiempo es crucial para eliminar estos defectos antes de que los equipos de supply chain pierdan la fe en la viabilidad de la receta numérica y vuelvan a sus hojas de cálculo.

El álgebra relacional opera sobre datos tabulares —normalmente almacenados en varias tablas— mediante un conjunto conciso de operaciones combinables, como selección, proyección, combinación de tablas y agregación. Estas operaciones, formalizadas en la década de 1970,¹⁵³ dieron lugar a la familia de tecnologías SQL —Structured Query Language— que sigue siendo ubicua en los sistemas empresariales modernos. La principal virtud del álgebra relacional es su naturaleza declarativa: en lugar de detallar cómo realizar las operaciones paso a paso, los desarrolladores y analistas especifican qué resultados desean y dejan que el motor de ejecución se encargue de los mecanismos.

El álgebra relacional es primordial para la supply chain porque la inmensa mayoría de los datos operativos —transacciones de venta, órdenes de compra, niveles de stock, acontecimientos de transporte— reside en bases de datos relacionales. El modelo relacional ofrece una manera sistemática de conectar estas piezas y garantizar que las combinaciones mediante claves comunes produzcan un conjunto coherente. Sin álgebra relacional que unifique elegantemente estas fuentes dispares, los profesionales recurren a una maraña de apaños ad hoc —normalmente macros inmanejables en hojas de cálculo— que no solo son propensos a errores, sino también lentos desde el punto de vista del cálculo. En la práctica, un álgebra relacional es indispensable para cualquier receta numérica que sustente una supply chain moderna, dada la complejidad inherente de esta.

La programación con arrays es un paradigma en el que las operaciones se aplican uniformemente a colecciones completas de datos —llamadas arrays—, en vez de exigir a los desarrolladores que escriban bucles sobre elementos individuales¹⁵⁴. Al tratar los datos conjuntamente, los lenguajes y bibliotecas de arrays¹⁵⁵ permiten expresiones concisas que reflejan la formulación matemática del problema. En lugar de escribir bucles propensos a errores, el profesional especifica transformaciones de nivel superior —como operaciones aritméticas, lógicas o estadísticas— que se propagan automáticamente a cada elemento del array. Al eliminar la necesidad de indexación explícita, la programación con arrays reduce sustancialmente los errores de desfase de una posición y otros defectos sutiles. Además, como los motores de ejecución subyacentes pueden optimizar operaciones masivas, el código con arrays supera con frecuencia en rendimiento a rutinas equivalentes basadas en bucles, especialmente sobre grandes conjuntos de datos.

Desde la perspectiva de la supply chain, la programación con arrays es crucial porque casi todas las decisiones relevantes deben calcularse a la vez para miles —si no millones— de SKU, ubicaciones de tiendas o pasos temporales. Los enfoques iterativos o basados en bucles hacen que este proceso sea más lento de escribir, más difícil de depurar y más propenso a errores silenciosos, especialmente al tratar casos límite o restricciones intrincadas. En cambio, el estilo vectorizado de la programación con arrays produce código compacto y expresivo, no solo más fácil de revisar, sino también de ampliar cuando aparecen nuevas líneas de producto, ubicaciones o complejidades de supply chain. Esta mayor claridad reduce el riesgo de que pasen inadvertidos errores lógicos sutiles, mientras que las mejoras de rendimiento de las operaciones vectorizadas permiten iterar más deprisa. En la práctica, estos dos atributos —corrección y agilidad— mejoran mucho la capacidad de la empresa para crear prototipos, perfeccionar y desplegar con confianza sus procesos de toma de decisiones.

El flujo de datos distribuido es un paradigma de programación que reparte automáticamente los cálculos entre varias máquinas, dividiendo y paralelizando eficazmente las cargas de trabajo para dar cabida a enormes volúmenes de datos. En lugar de obligar a los desarrolladores a coordinar la concurrencia paso a paso, los sistemas de flujo de datos distribuido suelen representar las transformaciones de datos como grafos acíclicos dirigidos —DAG—, que después pueden ejecutarse en paralelo en un clúster de máquinas¹⁵⁶. Este enfoque favorece la resiliencia ante fallos parciales —los nodos defectuosos pueden evitarse o sustituirse sin detener todo el trabajo— y aprovecha de forma natural las infraestructuras modernas de la nube. Al abstraer la mayoría de los detalles de bajo nivel de la comunicación por red y la sincronización de procesos, el flujo de datos distribuido permite a los profesionales centrarse en el flujo lógico de sus cálculos, en lugar de pelearse con primitivas de concurrencia.

Para la supply chain, la importancia del flujo de datos distribuido es doble. Primero, la enorme escala de muchas operaciones —que abarcan SKU, almacenes y rutas de transporte— exige incorporar y transformar conjuntos de datos masivos. Un sistema centralizado o secuencial sería prohibitivamente lento y dejaría a los responsables de decidir con resultados obsoletos, o los obligaría a limitar el alcance de sus análisis. Segundo, facilita compartir recursos de cómputo que solo se necesitan de forma intermitente. Por ejemplo, si una previsión solo necesita actualizarse una vez al día, los recursos de cómputo correspondientes pueden obtenerse y liberarse bajo demanda, reduciendo enormemente los costes de infraestructura. En términos más generales, los flujos de datos distribuidos son cruciales para mantener un rendimiento estable con cargas de trabajo muy variables.

La ejecución diferencial es un paradigma de programación en el que el sistema sigue automáticamente las dependencias entre cálculos y vuelve a ejecutar solo las partes del flujo de trabajo afectadas por un cambio determinado. En lugar de ejecutar de nuevo todo el flujo de procesamiento desde cero, el motor inspecciona un grafo de cálculo —que representa las transformaciones de datos mediante nodos y aristas— y evalúa las diferencias, o «diff», entre el grafo actual y el ejecutado anteriormente. Se conservan los resultados intermedios que siguen siendo válidos y solo se recalculan los nodos nuevos o modificados. Además, el sistema puede almacenar en caché de forma inteligente resultados intermedios costosos o lentos de calcular cuyo tamaño es relativamente pequeño. Así acelera las ejecuciones posteriores que incluyen los mismos cálculos parciales. Este paradigma se distingue tanto del procesamiento por lotes habitual como de los enfoques puramente incrementales, pues combina la amplitud de un motor completo de flujo de datos con la selectividad de actualizaciones de granularidad fina.

Desde la perspectiva de la supply chain, la ejecución diferencial es crucial porque las recetas numéricas son intrínsecamente iterativas. Los profesionales suelen modificar unas pocas líneas y volver a ejecutar la receta, comprobando que los resultados calculados hasta entonces sean sensatos. Como la receta definitiva suele abarcar miles de líneas, su desarrollo implica cientos de pequeñas iteraciones. Sin ejecución diferencial, cada pequeño retoque del script exigiría volver a procesar íntegramente todos los conjuntos de datos. Esto resulta prohibitivamente caro y desalienta la iteración rápida, especialmente cuando se manejan conjuntos de varios gigabytes procedentes de sistemas empresariales. Al centrarse en el conjunto mínimo de cálculos que debe actualizarse, la ejecución diferencial conserva recursos, acorta el tiempo hasta obtener resultados y favorece ciclos rápidos de retroalimentación.

El álgebra de variables aleatorias es un paradigma de programación en el que las cantidades inciertas se modelizan y manipulan como variables aleatorias, no solo como escalares numéricos o estimaciones puntuales. En este entorno, la suma, la multiplicación y otras operaciones aritméticas o lógicas pueden aplicarse directamente a variables aleatorias y producir otras nuevas. En lugar de amontonar toda la incertidumbre en simulaciones ad hoc propensas a errores o en tablas de datos sin estructura, los profesionales pueden definir cada factor incierto —demanda, plazo operativo, precios de compra, rendimientos de producción o devoluciones— como una distribución propia. Cuando estos factores interactúan, el lenguaje combina sus distribuciones sin fricciones mediante un conjunto coherente de operaciones probabilísticas. El código resultante refleja de cerca los fenómenos estocásticos subyacentes y evita bucles complejos o pasos separados de Monte Carlo. Al tratar las variables aleatorias como elementos de pleno derecho, este paradigma permite transformar la incertidumbre de forma precisa y transparente a lo largo de todo el flujo de toma de decisiones.

Este tratamiento algebraico de la incertidumbre resulta vital para la supply chain, dada la presencia generalizada de las previsiones probabilísticas en el análisis de riesgos. En las operaciones reales nunca basta con seguir una única conjetura considerada la mejor: la demanda suele dispararse sin previo aviso, las piezas llegan tarde por motivos que nadie entiende por completo y los tipos de cambio fluctúan de maneras que se burlan de las predicciones simples. Sin un «álgebra» explícita que combine estas distribuciones, casi invariablemente se recurre a análisis simplistas basados en puntos, que después descartan información silenciosamente en cuanto se toman promedios o supuestos de peor caso. Por el contrario, un álgebra de variables aleatorias conserva la distribución de probabilidad completa desde aguas arriba —por ejemplo, el plazo del proveedor— hasta aguas abajo —por ejemplo, la ubicación del inventario— y garantiza que las incertidumbres sigan siendo visibles, coherentes y matemáticamente fundamentadas. Este enfoque no solo reduce la probabilidad de errores de cálculo costosos —en los que una pequeña subestimación puede provocar faltantes de stock o una ligera sobreestimación dispara los costes de mantenimiento—, sino que también acelera la experimentación.

La programación diferenciable es un paradigma que combina la flexibilidad de la programación de propósito general con las técnicas computacionales de diferenciación automática y optimización basada en gradientes. En esencia, este enfoque trata cada paso de un flujo de transformación de datos como una función susceptible de diferenciación, lo que permite ajustar parámetros mediante descenso de gradiente estocástico —u optimizadores relacionados— directamente dentro del código que implementa la lógica. En lugar de relegar el aprendizaje a un entorno aislado —por ejemplo, exportando los datos a herramientas especializadas de aprendizaje automático—, la programación diferenciable convierte el «código entrenable» en un elemento de pleno derecho. Cada transformación, desde el análisis de las entradas hasta la previsión final, puede diseñarse, anotarse con parámetros y actualizarse automáticamente para minimizar una función de pérdida elegida. Este paradigma va más allá de los procedimientos puramente numéricos: incorpora conocimientos del ámbito directamente en la estructura paramétrica de los modelos, asegurando que esas estructuras sigan siendo interpretables y acordes con los procesos empresariales subyacentes.

En supply chain, la programación diferenciable es especialmente potente porque salva varias brechas críticas a la vez. Primero, los datos de supply chain presentan una marcada escasez de observaciones no nulas y son heterogéneos; muchas SKU, ubicaciones o segmentos temporales solo ofrecen un número limitado de observaciones, pero comparten patrones de nivel superior —por ejemplo, ciclos semanales o aumentos debidos a promociones—. Un programa diferenciable puede modelizar explícitamente estos patrones mediante parámetros compartidos, mejorando así la eficiencia estadística frente a los enfoques estándar de caja negra. Segundo, la propia forma del problema de supply chain —su mezcla de consultas relacionales, transformaciones de arrays y variables aleatorias— puede codificarse directamente en un script paramétrico capaz de aprender, en lugar de obligar a los profesionales a ensamblar un diseño de «lenguaje dentro del lenguaje» mediante parches. Esta adecuación no solo agiliza la iteración, sino que también produce modelos más transparentes cuyos parámetros con nombre —por ejemplo, «amplitud estacional», «desplazamiento por congestión portuaria», «aumento por Black Friday»— resultan familiares a los expertos del ámbito. Sobre todo, al integrar los ciclos de aprendizaje en el flujo normal de datos y decisiones, la programación diferenciable ofrece un entorno unificado en el que la elaboración de previsiones y la optimización pueden evolucionar junto con las restricciones reales del negocio, en vez de permanecer separadas como un ejercicio puntual o puramente académico.

La generación distribuida y determinista de números aleatorios —RNG— es un paradigma de programación diseñado para conciliar dos objetivos aparentemente contradictorios: aprovechar simulaciones de Monte Carlo a gran escala en varias máquinas y garantizar a la vez que cada ejecución —incluso en un clúster distribuido— produzca resultados idénticos bit a bit a partir de las mismas entradas. Dicho de otro modo, el enfoque garantiza que los sorteos aleatorios, una vez fijada su semilla, sigan un patrón predecible a lo largo del grafo de flujo de datos, con independencia de cambios en las cargas de trabajo o de asignaciones dinámicas de máquinas. Las técnicas de Monte Carlo suelen superar a un álgebra directa de variables aleatorias cuando el fenómeno en cuestión se resiste a la descomposición analítica; sin embargo, una paralelización ingenua puede volver fácilmente no determinista el proceso e impedir la reproducción exacta de los resultados entre ejecuciones. La generación distribuida y determinista de números aleatorios evita este escollo mediante un mecanismo cuidadosamente coordinado de gestión de semillas pseudoaleatorias y partición, combinando así la flexibilidad de los enfoques basados en simulación con la reproducibilidad indispensable para una ingeniería rigurosa.

Este paradigma es indispensable en supply chain por dos motivos principales. Primero, el ámbito ya está repleto de incertidumbre real: perturbaciones de demanda, retrasos de proveedores, oscilaciones de divisas y mucho más. Si la propia capa de software introduce su aleatoriedad —generando resultados distintos en cada nueva ejecución pese a no cambiar las entradas—, los directivos no pueden diagnosticar los problemas con fiabilidad ni confiar en el flujo de toma de decisiones. Segundo, las iniciativas de supply chain dependen para su supervivencia de la iteración continua, pues los profesionales afinan con frecuencia sus recetas numéricas, reproducen escenarios históricos y comparan resultados nuevos con referencias antiguas. El determinismo estricto les evita perseguir «heisenbugs» que desaparecen al volver a probarlos y garantiza que cualquier anomalía descubierta una semana o un año después pueda rastrearse hasta la combinación exacta de datos y código que la causó. Al preservar la reproducibilidad exacta de sus simulaciones y previsiones, los equipos de supply chain obtienen la auditabilidad y la confianza necesarias para automatizar decisiones con seguridad.

9.5.2 Hojas de cálculo

El éxito duradero de las hojas de cálculo en supply chain no es casual. Dentro de una única cuadrícula ofrecen una forma de programación funcional reactiva estrechamente unida a la integración vertical: el almacenamiento de datos, la lógica regida por fórmulas y una interfaz visual de usuario coexisten en un entorno unificado. El resultado es un ciclo de retroalimentación casi perfecto —semejante a un REPL rápido¹⁵⁷— que favorece una curva de aprendizaje suave. Los profesionales de supply chain pueden empezar con unas pocas celdas, retocar una fórmula y ver al instante el resultado de sus ajustes. Esta inmediatez contrasta fuertemente con los flujos clásicos de ingeniería de software, que exigen escribir, empaquetar y desplegar el código antes de poder observar ningún resultado.

No debe subestimarse la versatilidad de programación de las hojas de cálculo. En cuestión de minutos, un usuario puede montar lógica ad hoc para elaborar previsiones, consolidar inventario o analizar escenarios hipotéticos. La barrera de entrada es baja: los responsables de supply chain no necesitan convertirse en administradores de bases de datos o ingenieros de software para manejar muchos cálculos cotidianos. Aunque los proveedores han intentado repetidamente encapsular la elaboración de previsiones o la optimización en módulos analíticos «listos para usar», las hojas de cálculo han conservado su popularidad. Este fenómeno se debe a que su cuadrícula funcional reactiva puede dar cabida a casos límite y a complicaciones «como las del cable»¹⁵⁸ con mayor flexibilidad que las rígidas soluciones estándar.

Pese a estas fortalezas, las hojas de cálculo se oponen fundamentalmente a una auténtica automatización de la toma de decisiones de supply chain. Los profesionales suelen citar una «falta de escalabilidad» como motivo por el que las hojas de cálculo fallan a partir de cierto volumen de datos, especialmente cuando se comparte un libro alojado localmente en una sola máquina. Aunque alojarlas de forma remota puede aliviar algunas cargas de rendimiento, no resuelve sus limitaciones estructurales más profundas. Dos de ellas, en particular, frustran la perspectiva de una automatización robusta de la supply chain.

Primero, con el tiempo, las hojas de cálculo quedan plagadas de lógica ampliamente duplicada y dispersa entre decenas —a veces cientos— de pestañas y libros. Cada vez que un usuario copia una fórmula o recrea una hoja similar para una SKU o ubicación ligeramente distinta, la estructura diverge un poco más. Al final, nadie puede rastrear con confianza qué celdas gobiernan el resultado definitivo. Incluso las modificaciones menores se vuelven peligrosas, pues pueden romper dependencias ocultas en las referencias a celdas. Cuando colaboran varias personas, estos problemas se multiplican. Peor aún, las hojas de cálculo suelen carecer de las funciones sólidas de control de versiones, modularidad y auditoría necesarias para seguir una base de código que evoluciona rápidamente.

Segundo, las complejidades de la supply chain —aprovisionamiento con múltiples proveedores, restricciones de llenado de contenedores, variabilidad de los plazos operativos, listas de materiales parciales, jerarquías multiescalón— rara vez se reducen a ordenadas cuadrículas bidimensionales. Las hojas de cálculo «cortan» a la fuerza cada dimensión para convertirla en filas y columnas, complicando incluso combinaciones de tablas o referencias cruzadas de dificultad moderada. Por ejemplo, una sola SKU que depende de dos proveedores con estructuras de costes y plazos operativos distintos puede exigir expansiones artificiosas de celdas y numerosas pestañas «auxiliares» que intentan simular un modelo relacional. Cuanto más necesite una supply chain lógica con ramificaciones o consultas entre varias tablas, más inmanejable se vuelve la hoja de cálculo.

Más allá de estas barreras inmediatas, las hojas de cálculo también salen mal paradas frente a los paradigmas de programación más favorables para la ingeniería moderna de supply chain:

• La reproducibilidad con viaje en el tiempo se vuelve casi imposible con hojas de cálculo grandes: aunque pueden guardarse versiones de los archivos, cada acción del usuario modifica el documento compartido, a menudo sin un control preciso sobre qué celdas cambiaron y por qué. Depurar «heisenbugs» a posteriori es una tarea casi desesperada.

• El álgebra de variables aleatorias, la programación diferenciable o la generación distribuida y determinista de números aleatorios no pueden incorporarse de forma práctica a las fórmulas habituales de una cuadrícula. En el mejor de los casos, los profesionales añaden macros externas o complementos de terceros, pero estos parches rara vez logran flujos de trabajo robustos y aptos para producción.

• La instrumentación con LLM —que permite a los grandes modelos de lenguaje generar o refactorizar código automáticamente— tropieza con la dispersión bidimensional inherente de la lógica. La mayoría de los enfoques basados en LLM presupone un entorno textual más estructurado, donde las relaciones lógicas sean explícitas y no estén enterradas en referencias a celdas y macros efímeras.

En principio, las hojas de cálculo podrían intentar remediar algunas de estas carencias, por ejemplo situando motores de cálculo más potentes bajo la cuadrícula. Sin embargo, el propio paradigma permanece inalterado: está diseñado para la interacción humana y la exploración ad hoc, no para gestionar sistemáticamente las complejidades siempre cambiantes de los flujos a gran escala. En cuanto una empresa se compromete con una toma de decisiones continua y sin intervención humana —sobre miles o millones de SKU, repartidas entre cientos de ubicaciones—, aparecen las grietas. Cuanto más se tapan con arreglos a corto plazo, más enrevesado se vuelve el libro, hasta que nadie puede confiar en el frágil edificio que constituye.

En consecuencia, las hojas de cálculo, aunque han sido indiscutiblemente centrales en la práctica de la supply chain durante décadas, representan un callejón sin salida tecnológico. Su fracaso no es simplemente una cuestión de «más software» o «hardware más rápido». Todo su diseño —fórmulas basadas en cuadrículas, duplicación manual de la lógica, apoyo mínimo a la auditoría y un enfoque implícito en las modificaciones locales del usuario— va en contra de los paradigmas necesarios para automatizar a gran escala. Precisamente porque destacan en tareas puntuales o de alcance reducido, las hojas de cálculo no abren el camino hacia procesos de supply chain robustos y completamente automatizados.

9.5.3 Lenguajes genéricos

Pese a todas sus limitaciones, las hojas de cálculo apuntan a una verdad más amplia: la supply chain necesita una programación ad hoc que ningún sistema estático y «empaquetado» puede satisfacer. En principio, cualquier lenguaje de propósito general —«genérico»— podría cubrir esa necesidad, especialmente ahora que los lenguajes modernos son en gran medida multiparadigma. Apilando bibliotecas, un equipo podría reproducir lo esencial para la supply chain: reproducibilidad con viaje en el tiempo, programación con arrays, ejecución diferencial y mucho más. Sin embargo, en la práctica, este camino consume más esfuerzo del que devuelve.

Primero, los lenguajes genéricos engendran complejidad accidental. Los patrones orientados a objetos, por ejemplo, se vuelven innecesariamente elaborados al modelizar datos de supply chain que son principalmente tabulares. Si no se restringen, las llamadas de red o de sistema propician problemas de seguridad y los llamados «ataques a la supply chain»: infiltraciones que no se producen en el código de la empresa, sino en un paquete de terceros del que depende. Incluso las operaciones puramente matemáticas se fragmentan en una maraña de módulos diminutos. Cuanto más se sumerge un equipo en este ecosistema, más tiempo dedica a complejidades que poco tienen que ver con asignar recursos escasos de supply chain.

Segundo, recurrir a un entorno genérico compromete de hecho a la empresa con un proyecto de software completo. Hay que seleccionar o construir e integrar la capa de almacenamiento; la capa de cómputo debe escalar para grandes volúmenes o SKU; la capa de presentación debe programarse o adaptarse al público de supply chain. Esta sucesión de elecciones, cada una anclada en una tecnología distinta, dificulta el mantenimiento de la solución. Cualquier pequeño cambio —una nueva versión de la base de datos, una biblioteca que deja de mantenerse— puede desencadenar incompatibilidades en cascada. Al cabo de unos años se instala el «deterioro del software», que absorbe recursos destinados a mejoras reales de la supply chain.

Tercero, la carga adicional de un proyecto así casi siempre fragmenta el conocimiento experto. Un pequeño grupo de especialistas en software, normalmente con poca experiencia en supply chain, termina implementando y manteniendo el código. Mientras tanto, los verdaderos profesionales —quienes comprenden las peculiaridades enrevesadas y las innumerables complicaciones específicas del ámbito— quedan relegados. Deben proponer cambios indirectamente, enviando «tickets» y haciendo pasar sus solicitudes por capas de mediación. La agilidad se evapora a medida que aumenta el retraso entre descubrir algo y desplegarlo. En el extremo, la solución se vuelve tan especializada que solo sus autores originales pueden parchearla o ampliarla: una situación frágil cuando hay cambios de personal o reorganizaciones.

Cuarto, aunque los lenguajes genéricos pueden, en teoría, admitir paradigmas avanzados como la programación diferenciable o Monte Carlo determinista, rara vez lo hacen de forma cohesionada. Las bibliotecas pertinentes se convierten, de hecho, en «lenguajes dentro del lenguaje». Una biblioteca gestiona flujos de datos distribuidos; otra maneja variables aleatorias; otra más intenta versionar los datos con viaje en el tiempo. Cada uno de estos subsistemas exige su propia configuración, estructuras de datos y patrones de uso, acumulando carga cognitiva. Lo que pretendía ser un único flujo de toma de decisiones se fragmenta en cadenas de herramientas separadas, cualquiera de las cuales puede abrirse por las costuras.

Ninguno de estos desafíos es insuperable: con suficiente talento, dinero y tiempo, el equipo adecuado puede construir una solución viable sobre un lenguaje genérico. Algunos de los mayores minoristas y fabricantes hacen precisamente eso. Sin embargo, esta vía exige tantos recursos que solo las empresas de enorme escala pueden sostenerla, e incluso entonces sigue siendo frágil. Las mejoras de los grandes modelos de lenguaje pueden automatizar fragmentos de estos flujos de trabajo —por ejemplo, generando estructuras de código o refactorizando bibliotecas antiguas—, pero no resuelven el desajuste entre un lenguaje de forma libre y las necesidades especializadas de la supply chain. Paradójicamente, unos LLM mejores refuerzan los argumentos a favor de entornos específicos del ámbito: cuanto más hábiles se vuelven para escribir y revisar código, más se beneficia de su ayuda un lenguaje depurado y orientado a la supply chain.

En suma, ninguna barrera técnica absoluta impide que un lenguaje genérico sustente un proceso de supply chain a gran escala y completamente automatizado. Sin embargo, emprender una iniciativa de este modo impone una carga y una complejidad poco adecuadas para la mayoría de las organizaciones. Como la supply chain existe para aprovechar la opcionalidad, no para ahogarse en ella, superponer múltiples paradigmas y bibliotecas —ninguno de los cuales responde de forma nativa a las necesidades apremiantes del ámbito— suele ser un desvío, no un destino.

10 Despliegue

El despliegue en supply chain es el momento en que los capítulos anteriores —economía, información, inteligencia, ingeniería y decisiones— se convierten en una máquina que toma buenas decisiones a diario. La máquina es un sistema de inteligencia que transforma los registros de referencia en compromisos sobre los flujos, emitidos sin intervención humana y auditables. El objetivo no es una «mayor visibilidad» ni una previsión más atractiva: es emitir pedidos de compra, transferencias, programas y cambios de precio que sean económicamente sólidos por diseño, y mejorarlos sobre la marcha.

El entregable es operativo: un despliegue que funciona incorpora extractos sin procesar de los sistemas de registro, mantiene un objetivo expresado en dinero bajo incertidumbre probabilística y escribe las decisiones en los registros. Su presencia se manifiesta en lo que emite —líneas creadas en las tablas de pedidos de compra, transferencias de stock registradas, precios publicados— sin que un planificador guíe cada línea a través de una hoja de cálculo. Todo lo que no llegue a la emisión sin intervención humana es teatro de proyecto.

Tres propiedades hacen que este sistema sea seguro y productivo en la práctica. Primero, la responsabilidad: un equipo pequeño —idealmente, una persona identificada— asume la responsabilidad de principio a fin de la receta numérica, el código que define el marco de opciones, valora las disyuntivas y produce los compromisos diarios. Segundo, la transparencia: cada emisión viene acompañada de un expediente que expone los principales factores económicos, de modo que los profesionales puedan ver por qué la decisión es sensata y finanzas pueda auditarla en unidades monetarias. Tercero, la reversibilidad: el motor no tiene estado y está protegido por heurísticas de parada; puede ejecutarse en paralelo, pasar a ser la versión operativa o revertirse en cuestión de horas, y se detiene cuando cae la confianza.

El camino hasta ese estado no es misterioso, pero no perdona los errores. Empieza con extractos diarios sin procesar: sin filtrar, fieles al esquema y estables. Continúa con una primera receta que se ejecuta a diario junto a la rutina manual hasta que no quede ninguna línea disparatada. Y culmina en una implantación progresiva que retira las hojas de cálculo en lugar de envolver el motor en ellas. El alcance se define para abarcar los flujos que compiten por los mismos recursos escasos; los roles se limitan a lo que exige el trabajo; la gobernanza es económica, no ritual.

La mayoría de los factores que descarrilan los despliegues ya resultan conocidos: pilotos que permanecen en modo de solo lectura y nunca escriben ni un solo compromiso sobre los flujos en los registros; conjuntos de datos parciales que ocultan los efectos de escala; parámetros copiados por imitación ritual de herramientas antiguas; comités que debaten previsiones en vez de decisiones; y rituales de compras que favorecen al proveedor más hábil con el papeleo frente al que mejor decide. Evitar estas trampas exige la misma postura defendida a lo largo del libro: formular el problema en dinero, explicitar las opciones, representar fielmente la incertidumbre y dejar el trabajo administrativo al software desatendido.

Este capítulo es un manual para llevar esa postura a producción: muestra cómo elegir un socio cuando hace falta; cómo definir el alcance para que el motor se enfrente pronto a restricciones reales; cómo estructurar la canalización de datos; cómo escribir la receta, dotarla de instrumentación y robustecerla; cómo ejecutarla en paralelo y pasarla al funcionamiento desatendido; y cómo mantener el sistema en buen estado una vez operativo, mientras se ajustan los roles y los incentivos. El propósito no es añadir otra capa de informes, sino sustituir las rutinas manuales por un activo de capital que emita, audite y mejore las decisiones al ritmo de una máquina.

Como muchas empresas no lo desarrollarán todo internamente, empezamos por los aspectos prácticos de la selección de un proveedor. El método recomendado aquí —la investigación de mercado por confrontación— se adapta mejor a la opacidad y a los incentivos del software que el teatro de las RFP, y concuerda con la postura de primacía económica defendida en capítulos anteriores. Una vez elegido el socio, abordamos la configuración y el alcance, la receta numérica, los efectos de sistema, los roles, el calendario y la mecánica de la implantación y el mantenimiento.

Por brevedad, empleamos de forma coherente la siguiente terminología. Un sistema de inteligencia designa el activo desplegable que transforma los registros de referencia —más unas pocas fuentes externas verificadas— en compromisos sobre los flujos, emitidos sin intervención humana, auditables y escritos en los registros. Su núcleo lógico —el programa que define el marco de opciones, valora las disyuntivas, representa la incertidumbre y emite líneas— es la receta numérica.

10.1 Selección de un proveedor

La complejidad de las supply chains modernas supera con creces lo que puede hacerse sin recurrir al software. La mayoría carece de los medios o de la inclinación para desarrollar esos instrumentos internamente, aunque el panorama del código abierto reduzca mucho la carga financiera de semejante empresa. Por ello abundan los proveedores de software de supply chain, y la mayoría de las empresas, a partir de cierto tamaño, se enfrenta regularmente a la perspectiva de seleccionar uno.

Sin embargo, la industria del software presenta una variedad extraordinaria y sigue siendo relativamente opaca. La opacidad tiene muchas dimensiones: capacidades, rendimiento, tarifas de licencia, costes operativos, fiabilidad, facilidad de mantenimiento, capacidad de evolución, seguridad y otras.

El panorama del código abierto debería, en principio, ser más transparente, puesto que el código fuente puede inspeccionarse libremente, pero en la práctica existen dos grandes salvedades. Primero, rara vez se dispone de la competencia técnica necesaria para evaluar con fiabilidad una tecnología de código abierto determinada. Suponer que una tecnología de código abierto es sólida solo porque procede de una fuente conocida —por ejemplo, un gran proveedor de software— es una receta para el desastre sobradamente probada. Los proveedores abandonan proyectos de código abierto continuamente porque tienen poco que perder. Segundo, el código abierto ofrece principalmente componentes, no soluciones, sobre todo en el software empresarial. Esto obliga a la empresa que quiera aprovechar esos componentes a poner en marcha lo que, en esencia, es un proyecto de software interno.

Así pues, para bien o para mal, las empresas terminan eligiendo proveedores de software en condiciones de gran incertidumbre. Pero el software, como la mayoría de las actividades intelectuales, presenta contribuciones de una desigualdad extrema, desde la estupidez más abismal hasta la cumbre del ingenio humano. Si se combina la opacidad inherente al software con un abanico de proveedores que incluye un nutrido segmento «peligrosamente incompetente, aunque encantador», resulta imperativo que las empresas presten mucha atención a los proveedores que eligen.

Hay que reconocer que la mayoría de las grandes empresas ya admite el problema y dedica esfuerzos considerables a investigar el mercado de proveedores de software. Ningún otro ámbito atrae tanto gasto en investigación de mercado como el software. A modo de indicio anecdótico, basta observar las firmas de investigación de mercado para ver que los sectores del software empequeñecen, literalmente, a todos los demás sectores juntos.

Sí, la mayoría de las investigaciones de mercado de software toma prestados métodos de otros sectores; esos métodos son disfuncionales para el software. Los estudios de caso y las solicitudes de propuestas son los principales culpables. El software exige otro enfoque: la investigación de mercado por confrontación.

Los problemas de los estudios de caso —a menudo presentados como pruebas al seleccionar proveedores— se examinaron en el capítulo Epistemología. Esta sección se centra en las RFP y en una alternativa más fiable: la investigación de mercado por confrontación.

10.1.1 Solicitudes de propuestas

Las solicitudes de propuestas¹⁵⁹ (RFP) son una maniobra burocrática de poder dentro de las grandes organizaciones. En software, las RFP no son racionales, ni veraces, ni informativas. Las RFP encarnan la mentalidad burocrática: fijación con el proceso a costa del resultado. En los sistemas de inteligencia, sus defectos son fatales: las listas de comprobación no pueden certificar la calidad de las decisiones sin intervención humana, el comportamiento de parada ni la capacidad de reescritura bajo presión. Una RFP dirige a la empresa hacia la incompetencia. Con demasiada frecuencia, las RFP se tratan como una plaga inevitable en cualquier organización que supere cierto tamaño. Pero esta plaga autoinfligida no tiene nada de inevitable. Eliminarlas solo exige una dosis modesta de entereza por parte de la alta dirección.

Consideremos una empresa cuya dirección afronta un reto —o una oportunidad— de software que desborda sus recursos internos. Tras unos intercambios informales con uno o dos proveedores, la dirección decide que un tercero abordará el reto.

La mitología de las RFP se desarrolla, supuestamente, en cinco pasos. (1) Primero se pone el reto por escrito. (2) Después, los empleados elaboran una lista de preguntas, supuestamente de gran calidad, destinadas a obtener respuestas adecuadas a ese reto. (3) Se identifican los proveedores pertinentes y se les envía el documento de RFP compilado. (4) Cada proveedor aporta diligentemente respuestas veraces y exhaustivas, que se recopilan y cotejan. (5) Por último, la dirección evalúa las respuestas de forma objetiva y rindiendo cuentas, para elegir al mejor proveedor.

Por desgracia, cada paso de esta mitología es erróneo, cuando no delirante.

(1) Escribir con claridad el problema preciso que el software debe resolver es más difícil que escribir el propio software. Para quien no esté familiarizado con la materia, esto puede resultar desconcertante. Sin embargo, la mayoría de los proyectos de software de éxito no nace de soluciones superiores a problemas conocidos, sino de identificar un problema enteramente nuevo. Formular el problema es una tarea abierta. Los procesos formales rigidizan el pensamiento y reducen la calidad de los hallazgos. Entre las formas casi infinitas de contemplar una situación, hay que escoger el ángulo que se preste a una implementación. Después deben integrarse técnicamente cientos de factores, quizá miles.

Los incentivos empresariales debilitan aún más el esfuerzo. La creciente complacencia de un directivo que envejece podría muy bien ser el núcleo del problema de la empresa, pero nadie lo escribirá en una nota semipública que se compartirá con terceros. Esa nota evitará cuidadosamente cualquier cosa que pueda interpretarse como un insulto a la capacidad profesional de alguien dentro de la empresa. Inevitablemente, la nota se anda por las ramas: protege los egos en lugar de proteger a la empresa. Lejos de ser una mera cuestión de cortesía, esto garantiza que el proveedor seleccionado persiga una solución que tiene poco que ver con el problema real.

(2) Pedir a los empleados que enumeren las preguntas de una RFP produce invariablemente material digno de una comedia de sketches. Los consultores añaden puntos extra de hilaridad. Aunque el objetivo debería ser formular preguntas que susciten respuestas discriminantes, la tarea degenera en algo completamente distinto. Las preguntas se elaboran para impresionar a los compañeros. Quien no tiene preguntas inteligentes lo compensa con cantidad. Las preguntas de RFP anteriores se reciclan ad infinitum.

Las preguntas insustanciales ya son bastante malas; cientos de ellas pueden descarrilar una iniciativa incipiente. Peor aún, deforman las ofertas de los proveedores. La mayoría de esas preguntas son requisitos disfrazados. Lejos de constituir una indagación abierta, encuadran y restringen severamente lo que cuenta como «solución». Suelen rezar así: «¿Puede el proveedor garantizar que los usuarios finales podrán hacer X mientras interactúan con Y?». Responder que no garantiza la descalificación inmediata, incluso cuando puede demostrarse que «hacer X mientras se interactúa con Y» es una pésima idea.

En términos más generales, la mentalidad de que no hay preguntas tontas pertenece a la escuela primaria. Toda pregunta orienta la iniciativa. Las preguntas insustanciales producen respuestas insustanciales. Además, cada pregunta consume una fracción de la capacidad mental que la dirección puede dedicar a la iniciativa. A medida que la atención de los directivos se dispersa, bastan unas pocas preguntas malas para que elijan un proveedor basándose en minucias irrelevantes.

(3) Preseleccionar proveedores permite que alguien —a menudo ni siquiera un empleado, sino, por ejemplo, un consultor— tome la decisión más trascendente de la RFP sin rendir cuenta alguna. En la práctica, quien preselecciona a los proveedores escoge implícitamente al ganador. El resto es mero decoro, dictado por la etiqueta empresarial.

Aunque pueda haber muchos proveedores, la preselección solo parece necesaria porque la lista de preguntas es desmesuradamente larga. En efecto, procesar tantas respuestas de más de un puñado de proveedores es una tarea abrumadora. Esa carga es una consecuencia desbocada de un enfoque disfuncional.

(4) Los proveedores que responden a RFP no tienen ningún incentivo para ser veraces. La inmensa mayoría de las preguntas reclama una respuesta concreta: ¿Puede su solución hacer X? Cualquier proveedor que se precie sabe exactamente qué respuestas se esperan y responde en consecuencia. Esperar que se ciña a «la verdad» es delirante. El software es complejo; el software empresarial lo es aún más. Casi todas las preguntas admiten un número casi infinito de interpretaciones. El proveedor no necesita mentir; basta un poco de imaginación para inventar una interpretación que haga «veraz» cualquier respuesta.

Ni siquiera dar fuerza jurídica vinculante a las respuestas mejorará su veracidad. El software empresarial es lo bastante oscuro como para que casi cualquier afirmación pueda interpretarse como veraz, sobre todo si intervienen abogados competentes.

Tales acuerdos —y otras molestias impuestas a los proveedores de software— empeoran la situación de la empresa. Los buenos proveedores, hasta cierto punto, eligen a sus clientes. Se retiran cuando un cliente potencial plantea exigencias desmedidas. Los malos proveedores —desesperados porque su tecnología no está a la altura— aceptan encantados cualquier locura burocrática que se les imponga; es su única ventaja competitiva. Así pues, las empresas que se toman las RFP «en serio» practican la selección adversa. Los buenos proveedores se retiran; los malos perseveran.

(5) Finalmente, hay que elegir un proveedor de software. Para entonces se ha reunido una enorme pila de respuestas sesgadas a preguntas irrelevantes. Todo ello presupone que el planteamiento original del problema era correcto: una premisa de mérito dudoso. La perspectiva de las RFP supone que la alta dirección puede elegir al mejor proveedor por pura capacidad intelectual. Un disparate. En la práctica, suele ser aún peor.

A menudo, la selección positiva nunca llega a producirse. Los proveedores se van excluyendo por veto, uno tras otro, hasta que solo queda uno viable. Para vetar basta con que un directivo suficientemente influyente se declare «preocupado». Poco importa que la preocupación esté razonada o sea una mera preferencia. Mientras no vete a varios proveedores a la vez —lo que se percibiría como una injerencia abusiva—, su objeción le otorga un poder de veto de facto. Las grandes empresas son aversas al riesgo. Respaldar una iniciativa que un compañero ha señalado como arriesgada pone en peligro la propia carrera si fracasa.

Esta selección final no ofrece ninguna garantía de obtener un buen proveedor. Al contrario, favorece la mediocridad. Un buen proveedor probablemente será transformador. Al fin y al cabo, una rentabilidad sustancial de la inversión exige apartarse del statu quo. Ese alejamiento enemista invariablemente a los barones cuyos feudos se ven cuestionados. Esos barones se opondrán vehementemente a tales proveedores. Un proveedor mediocre es cualquier cosa menos transformador: abraza el statu quo y no molesta a nadie. Por desgracia, esto garantiza que, en el mejor de los casos, aporte una rentabilidad escasa o nula.

Por tanto, las RFP son profundamente disfuncionales. También generan una cantidad considerable de trabajo inútil: cientos de preguntas que redactar y miles de respuestas que examinar. De ahí que se contrate a consultores para dirigirlas¹⁶⁰. Invariablemente, los consultores empeoran las cosas: el exceso de trabajo inútil de la empresa es su fuente de ingresos. Inflarlo se vende como «excelencia de procesos». Se conservan preguntas manifiestamente irrelevantes para garantizar una «cobertura de principio a fin». Se descartan los atajos que acelerarían el proceso por ser «inseguros» o «no probados». Al final, los consultores se inclinan casi invariablemente por el proveedor que ofrece las perspectivas más lucrativas de consultoría.

10.1.2 Investigación de mercado por confrontación

La investigación de mercado por confrontación aborda directamente dos problemas fundamentales de los proyectos de software: los incentivos adversos en la dinámica entre proveedor y cliente, y la enorme asimetría de información a favor de los proveedores. Es menos burocrática —y, por tanto, más ligera— y más racional —y, por tanto, tiene más probabilidades de asociar al proveedor adecuado con el reto adecuado—.

El método funciona así¹⁶¹. Cuando el directivo identifica una oportunidad de software que supera los recursos de la empresa, pide a un proveedor —normalmente, el que desencadenó esa toma de conciencia— que redacte en su nombre un breve planteamiento del problema. Ese planteamiento debe centrarse exclusivamente en definir el reto y las particularidades de la empresa, no en la solución del proveedor.

Si el proveedor no puede resistirse a dejar entrever su oferta, el directivo simplemente debe suprimir esas partes; de todos modos, el documento es corto. Si algunos detalles —como las cifras que caracterizan su supply chain— son demasiado confidenciales, se hacen más vagos, por ejemplo, redondeando los números. El objetivo es conservar la esencia del reto, no su letra pequeña. La nota resultante no nombra al proveedor que la originó ni contiene información excesivamente sensible.

Con este breve documento, el directivo se pone en contacto con algunos competidores del proveedor. Al escogerlos se admiten las conjeturas, siempre que sean alternativas plausibles. A cada competidor le envía la nota, señalando que es un borrador preliminar, que quizá haya planteado mal el reto y que busca orientación experta para reformular el problema. También pide otras dos cosas a los proveedores, incluido el original. Primero, una propuesta informal y aproximada, coherente con el planteamiento revisado del problema que cada proveedor haya elaborado. Segundo, una lista de al menos tres rivales pertinentes, ordenados según la valoración del propio proveedor. Cada rival de la lista debe ir acompañado de unos párrafos que expliquen las fortalezas y debilidades que se le atribuyen.

A medida que las listas de rivales revelan nuevos competidores, estos se añaden a la investigación. Todo proveedor que no entregue estos modestos elementos en dos semanas queda excluido. La investigación termina cuando el directivo vuelve a encontrarse con los mismos proveedores y parece que no queda nada por examinar.

Una vez terminada la investigación, el directivo coteja los resultados y crea un expediente breve para cada proveedor. Cada expediente incluye lo que han dicho sus competidores, junto con el planteamiento del problema del proveedor y la propuesta aproximada correspondiente.

Por último, junto con un máximo de dos compañeros, el directivo examina los resultados para elegir un proveedor. La selección es una cuestión de criterio y no puede formalizarse rígidamente. Como es natural, la opinión de los competidores debe desempeñar un papel importante al evaluar a cada proveedor. Además, la calidad de su planteamiento del problema y de sus descripciones de rivales debe considerarse una señal reveladora de competencia, o de incompetencia si es mala. Las propuestas aproximadas sirven para desempatar. Para permitir la auditoría, los resultados de la investigación se archivan junto con una nota breve que explica el razonamiento de la selección final. Después, la empresa retoma su proceso habitual de compras, que probablemente incluirá obtener una oferta detallada y un contrato completo de ese único proveedor.

Como se ha indicado, la investigación de mercado por confrontación aborda las deficiencias de métodos tradicionales como las RFP, o solicitudes de propuestas. Examinemos esta afirmación, empezando por la asimetría de información.

Dejar que la empresa redacte su propio planteamiento del problema, como ocurre con las RFP, es una receta para conseguir que los proveedores mientan descaradamente a fin de que sus soluciones parezcan encajar en él. Como los proveedores de software empresarial saben mucho más que sus clientes acerca de sus capacidades reales, resulta casi imposible separar la verdad de la apariencia. No es razonable esperar que un proveedor cambie de raíz su tecnología para adaptarse a un cliente. Desarrollar una buena tecnología de software lleva años¹⁶². Con cada cliente, el proveedor puede hacerlo un poco mejor que en iniciativas anteriores, pero el proceso es tediosamente lento e incremental.

Por eso es fundamental dejar que el proveedor redacte el planteamiento del problema. Cuando tiene la pluma, no tiene ningún incentivo para formular un problema que encaje mal con su tecnología. Al contrario, lo amoldará todo lo posible a la solución que posee. Además, los proveedores —salvo quizá los más incompetentes— saben muchísimo más que el cliente sobre cómo formular el problema. De hecho, lo que el cliente ve como un problema puede ser una serie de subproblemas que convenga abordar por separado con tecnologías distintas. A la inversa, ese «único problema» puede ser solo la punta del iceberg y exigir una perspectiva más amplia y un enfoque tecnológico completamente diferente. Un proveedor competente demostrará su dominio presentando argumentos convincentes para contemplar el reto desde las perspectivas adecuadas.

Dejar que los proveedores expongan a sus competidores aborda el sesgo de selección que plaga las RFP. La selección inicial de proveedores es una de las decisiones más importantes de toda la iniciativa. La eliminación temprana de unos pocos prácticamente garantiza que se elija a un proveedor privilegiado. Mientras la investigación incluya media docena de proveedores o más, pocos cuestionarán si la selección es adecuada. Esta fragilidad es un secreto a voces y se explota abundantemente en las RFP reales.

En cambio, resulta mucho más difícil manipular la lista conjunta elaborada por los proveedores. Cada uno tiene sus propios sesgos y puede omitir deliberadamente a un competidor que considere demasiado amenazador. Pero la falta de coordinación dificulta dejar fuera a un proveedor concreto. Además, cada proveedor sabe que está en juego la competencia que proyecta. Se le juzgará por la calidad de los competidores que proponga. Volver al cliente con una lista de pseudorrivales —incompetentes o irrelevantes— señala al propio proveedor como incompetente.

Algunos proveedores darán toda clase de excusas para no proporcionar una lista de competidores, y mucho menos evaluarlos. Pero, en un mercado libre, una empresa no puede afirmar de manera creíble que está «a la vanguardia» mientras ignora por completo lo que hacen sus rivales. Esto es doblemente cierto en software, donde el progreso es extremadamente incremental. Los proveedores que desconocen a sus competidores son frecuentes; es una señal reveladora de absoluta incompetencia y debe tratarse como tal.

Saltarse todo ese juego de preguntas y respuestas es una virtud, no un defecto. Esos cuestionarios degeneran invariablemente en un monstruo burocrático. Las preguntas irrelevantes y los requisitos disfrazados acaban dominando el proceso. Frustran a los buenos proveedores y fortalecen a los malos. Participar en ese juego sencillamente no aporta valor alguno. Los incentivos son erróneos, y no puede confiarse ni en las entradas —las preguntas del cliente— ni en las salidas —las respuestas del proveedor—.

Del mismo modo, la insistencia en estimaciones aproximadas es deliberada. El software empresarial no es una ciencia exacta. Un proveedor competente no necesita una auditoría prolongada para elaborar una estimación razonable del coste total de propiedad de una solución que él mismo ha creado. La incapacidad de proporcionarla debe verse como una señal reveladora de incompetencia. Como mínimo, la estimación debe cubrir las tarifas del proveedor, los honorarios de terceros de apoyo y el coste de los recursos internos dedicados a la solución. Una de las tretas más frecuentes al estimar mal los costes consiste en hacer la vista gorda ante los costes accesorios que van más allá de la tarifa del proveedor. Aunque este proceso no puede impedir que un proveedor omita unas pocas partidas, la falta de cooperación entre proveedores garantiza una cobertura bastante extensa de los gastos previstos.

En cambio, las RFP tradicionales obligan a los proveedores a someterse a listas pasmosas de requisitos insustanciales. Los buenos proveedores saben que eliminar esas tonterías exigirá un esfuerzo considerable y que, la mayoría de las veces, terminarán implementando numerosas capacidades de mérito dudoso. Por ello, los proveedores inflan invariablemente sus tarifas cuando se enfrentan a una RFP tradicional. También harán encantados la vista gorda ante cualquier coste que no les sea directamente atribuible, salvo que se mencione expresamente en la RFP.

Por último, la evaluación de los competidores es el único dato que realmente separa el grano de la paja. Todo software tiene fortalezas y debilidades, pero ningún proveedor —salvo quizá los más incompetentes— expondrá voluntariamente los peores defectos de su propia solución. Si se le presiona, presenta preocupaciones menores como muestra de falsa humildad. Desviar la atención es sencillo cuando se trata de algo tan complejo y opaco como el software empresarial. Los rivales, en cambio, no dudarán en señalar lo malo y lo feo. Dada la naturaleza del software empresarial, no hacen falta acusaciones ni afirmaciones despectivas. Un proveedor puede limitarse a animar al cliente a examinar unos aspectos bien escogidos de la oferta de un rival. Además, llamar la atención del cliente sobre cuestiones pertinentes es, en sí mismo, una demostración de competencia.

La investigación de mercado por confrontación fortalece a los buenos proveedores. Pueden formar al cliente en el arte de evaluar proveedores. Pueden formular el reto para maximizar la rentabilidad al desplegar la solución. Pueden ofrecer precios más bajos, pues no tienen que abrirse paso entre una locura burocrática asfixiante. La única desventaja es que a menudo exige más entereza de la que poseen los directivos complacientes, poco dispuestos a incomodar a su propio aparato burocrático.

Una vez que un proveedor supera esta investigación por confrontación y resulta seleccionado, el trabajo vuelve al despliegue propiamente dicho: preparar los extractos sin procesar, escribir la primera receta numérica y ejecutarla en paralelo hasta que no quede ninguna línea disparatada.

10.2 Definición del alcance del despliegue

En la práctica, «los mismos recursos escasos» significa un inventario compartido; capacidad compartida aguas arriba —moldes, MOQ, escalas de descuentos, líneas de crédito—; un cuello de botella de transporte compartido —ruta, par de puertos, clase de vehículo—; y, algo que suele olvidarse, una misma reserva de atención directiva. Al emprender una nueva iniciativa de supply chain, la primera tarea es aclarar su finalidad última y los límites dentro de los que operará. Una empresa puede, por ejemplo, querer mejorar la programación de la producción o las cantidades de reposición, o puede desear unificar varios procesos de decisión que históricamente han funcionado en hojas de cálculo fragmentadas. Pero, en todos los casos, la transformación debe hacerse explícita desde el principio: ¿qué decisiones se modificarán, quién asumirá su responsabilidad y cómo se trasladarán a las operaciones diarias?

Una idea fundamental: una iniciativa destinada únicamente a mejorar la «visibilidad» o a producir métricas accesorias no puede, por sí sola, generar una rentabilidad duradera. Todos esos esfuerzos de visibilidad, incluso los cuadros de mando más sofisticados, siguen vacíos de contenido si las personas de la organización continúan tomando las mismas decisiones manuales, paso a paso, que antes de la iniciativa. A la inversa, una vez que el objetivo se formula como un sistema de inteligencia —que produce y ejecuta regularmente acciones tangibles, como pedidos de compra o asignaciones de capacidad—, resulta más sencillo expresar cada requisito. Centrarse en producir una decisión diaria o semanal en un entorno operativo, y en confiar en ella, obliga a la empresa a alinear roles y recursos en torno a un entregable anclado desde el principio en las realidades económicas del negocio.

De ello se desprende una regla práctica: si varias tiendas se abastecen de un mismo centro de distribución, se incluyen todas de una vez; de lo contrario, el motor hará arbitraje entre hojas de cálculo en lugar de entre opciones. Si dos fábricas o dos centros de distribución (DC) están realmente separados —sin inventario común aguas arriba, sin rutas troncales compartidas aguas abajo y sin equipo de compras compartido—, se incorporan en oleadas distintas. Si un molde, una MOQ o una escala de descuentos de un proveedor vincula varios artículos, se incluye toda la familia en el alcance de una vez. Si el cuello de botella es una ruta troncal o un par de puertos, se abarca cada flujo que pase por ellos. Si los mismos planificadores deben arbitrar un mismo presupuesto o una misma línea de crédito, se mantiene unido su ámbito: la atención directiva es tan finita como los palés y las horas.

Decidir la amplitud del alcance no es menos importante. Una iniciativa puede automatizar con éxito la reposición de una sola planta y, sin querer, trasladar los problemas a otro lugar, por ejemplo, creando cuellos de botella aguas abajo o desajustes de precios aguas arriba. Cuando el objetivo son unas buenas decisiones diarias, observar una sola línea de productos o un puñado de almacenes suele resultar engañoso. Aunque empezar por algo pequeño parezca «más seguro», las profundas interdependencias estructurales hacen con frecuencia que estos pilotos localizados no sean representativos. Un proyecto definido de manera estrecha puede quedar tan limitado que la empresa nunca vea cómo se comporta la iniciativa ante la complejidad real de sus operaciones. Por otra parte, un alcance excesivamente amplio puede hundir el proyecto bajo años de retrasos en la integración de datos. En la práctica, el equilibrio adecuado abarca todos los flujos significativos que compiten por los mismos recursos —inventario, transporte o instalaciones de producción—, evitando desvíos opcionales hacia funciones con poca repercusión en las decisiones de supply chain.

Igualmente crucial es establecer un conjunto mínimo de roles bien definidos. Pese a la multitud de cargos que existen en una gran supply chain, solo unos pocos deben responsabilizarse de sostener un proceso de decisión automatizado. El responsable de datos mantiene una extracción regular de datos transaccionales sin procesar —idealmente, un volcado sin filtrar— para que la preparación posterior pueda seguir siendo flexible y transparente. A continuación, un Scientist asume la responsabilidad de todo el conjunto técnico y analítico que va de los datos sin procesar a la decisión final recomendada. Un gestor de flujos encargado del día a día —antes, un planificador en las rutinas previas a la automatización— aporta conocimiento contextual, cuestiona los resultados que parecen sospechosos y aclara las restricciones sobre el terreno. Por último, un directivo de supply chain está preparado para arbitrar cuando la iniciativa encuentra obstáculos, asegurando que, si se introduce un nuevo centro de distribución o una herramienta de software, la modelización que sustenta las decisiones se revise en consecuencia en lugar de dejarla derivar.

Todos estos elementos —foco explícito en las decisiones, alcance bien elegido, roles correctamente definidos y calendario de puesta en marcha acotado pero firme— preparan una iniciativa fluida. También dejan claro que el objeto de interés no es una fórmula ni un óptimo teórico, sino una receta viva, actualizada y ejecutada de nuevo en un entorno cambiante de proveedores, clientes y modificaciones operativas. Una vez asentada esa base, el siguiente paso es examinar su núcleo: la receta numérica situada en el corazón del sistema de inteligencia, que transforma cada dato pertinente en las decisiones concretas y cotidianas que dirigen el flujo de bienes.

Esta sección retoma cómo definir una iniciativa de supply chain para producir las decisiones diarias —o semanales— necesarias para operarla, al tiempo que asegura los elementos «blandos» —roles y liderazgo— que garantizan la alineación con los objetivos empresariales.

10.2.1 La receta numérica

De cara al despliegue —y solo en lo relativo al alcance—, conviene ver la receta numérica como un contrato en la frontera de la iniciativa. Expresa en código tres cuestiones que la definición del alcance debe resolver de antemano: las decisiones que el motor puede emitir —y los registros en los que escribe—, las opciones que puede considerar —y las que se mantienen exógenas— y los recursos compartidos que valora internamente frente a aquellos cuyos precios sombra lee del exterior. Todo lo demás —la postura ante las previsiones, la teoría de la decisión, la depuración de líneas «disparatadas»— se ha tratado en capítulos anteriores y no se repite aquí.

Primero, las decisiones: una receta con alcance definido identifica con precisión lo que emite. Para la reposición: líneas insertadas en las tablas de pedidos de compra o de transferencia. Para la producción: horas de inicio y cantidades de un conjunto finito de órdenes de trabajo. Para los precios: cambios de precio publicados con una cadencia acordada. Las emisiones deben ser idempotentes y sin estado: las mismas entradas producen las mismas salidas. La escritura de vuelta puede conciliarse sin ambigüedad mediante un identificador de decisión y una marca de tiempo. Esta declaración acotada ancla el alcance en la realidad: si una decisión no puede escribirse de vuelta en el sistema de registro, queda fuera del alcance.

Segundo, las opciones: el alcance fija lo que el motor puede variar y lo que debe dar por hecho. Si la iniciativa cubre los envíos del DC a las tiendas mientras los precios quedan fuera del alcance, el precio se lee, no se elige; sus efectos entran en el objetivo a través del registro monetario de la empresa. Si los pedidos de ultramar están incluidos, pero la selección de transportistas no, los modos de transporte llegan como costes y distribuciones de plazos operativos, no como elecciones. Explicitar las acciones admisibles evita recaer en improvisaciones con hojas de cálculo que amplían el alcance informalmente y borran la responsabilidad.

Tercero, los recursos compartidos: el alcance solo es sólido si cada recurso limitante dentro del perímetro se decide o se valora aquí. Los inventarios compartidos, las familias de moldes sujetas a una escala de MOQ, el caudal de los muelles, la capacidad entre pares de puertos, las líneas de crédito de los compradores e incluso la atención directiva son recursos limitantes habituales. Cuando uno de ellos atraviesa la frontera, el perímetro debe incorporar y respetar un precio sombra proporcionado por el ámbito vecino. Sin ese precio, el motor hace arbitraje entre hojas de cálculo en lugar de entre opciones. A la inversa, una vez incorporado el recurso limitante, se retira el precio sombra externo: la interdependencia se internaliza.

Una receta con alcance definido también incorpora la atribución. Su ventana de responsabilidad —desde el instante en que un compromiso inmoviliza un recurso hasta la siguiente oportunidad después de la próxima para reasignarlo o liquidarlo— es explícita, con las valoraciones terminales y los efectos trinquete declarados. Dentro de esa ventana, el motor asume las consecuencias de sus propias emisiones, expresadas en unidades monetarias: penalizaciones por ventas perdidas, costes de excedentes, congestión, rebajas. Más allá, los costes se valoran como valores terminales en lugar de perseguirlos indefinidamente. Esta frontera evita el doble cómputo entre iniciativas y el conocido juego de culpas entre equipos vecinos.

Definir el alcance exige parada y reversibilidad en el perímetro. El motor debe detenerse por sí mismo cuando las entradas estén desactualizadas, falten precios sombra exógenos o fallen las comprobaciones de sensatez de los expedientes. El paso al modo desatendido depende de que esas paradas sean infrecuentes y diagnosticables. La reversibilidad se logra mediante la ausencia de estado y las repeticiones deterministas: la ejecución de ayer puede reconstruirse a partir del código y de los extractos versionados, sin alegar «deriva de datos» ni «modificaciones de usuarios».

La dieta de datos se deriva del alcance. Las tablas se replican íntegramente y respetando su esquema, con una cadencia diaria —o superior si la frecuencia de las decisiones lo exige—. No se permite ningún retoque «bienintencionado» aguas arriba: los filtros, las imputaciones y las combinaciones de tablas que importan para la decisión residen dentro de la receta, donde pueden auditarse junto con la economía. Una conversión mínima en caja blanca —columnas que muestran los principales factores de cada emisión en unidades monetarias y restricciones— también forma parte del contrato. Este expediente permite a finanzas y operaciones ver de un vistazo por qué una línea es sensata.

Dos ejemplos breves concretan la frontera. Una receta de reposición del DC a las tiendas, cuyo alcance se limita a un DC, emite órdenes de transferencia para todas las tiendas abastecidas por él, varía cantidades y momentos de salida, lee precios y planogramas como datos exógenos e internaliza la capacidad de mano de obra y muelles del DC. Si otro DC se abastece del mismo inventario aguas arriba, la receta debe incorporar un precio sombra para ese inventario o ampliar el perímetro para incluir al otro DC; cualquier punto intermedio invita al arbitraje entre DC a través de hojas de cálculo. Una receta de compras de ultramar cuyo alcance cubra una familia de proveedores emite pedidos de compra con formación de lotes, internaliza las escalas de MOQ y descuentos y el molde compartido, lee las elecciones de transportista como entradas valoradas y atribuye los costes aguas abajo mediante un valor terminal al transferir la responsabilidad al DC de importación. Los precios o la asignación a tiendas quedan fuera del alcance hasta una oleada posterior.

Por último, se espera que el alcance evolucione. El contrato proporciona la interfaz: a medida que se incorporan ámbitos vecinos, los precios sombra exógenos se sustituyen por decisiones endógenas sin reescribir el núcleo. En la práctica del despliegue, así «encajan» las piezas del alcance: la frontera no es una diapositiva retórica, sino código ejecutable que identifica emisiones, acciones admisibles, recursos limitantes, precios y paradas. La siguiente subsección examina cómo interactúan esas fronteras con el resto del sistema.

10.2.2 La canalización de datos

El alcance solo se vuelve real al encontrarse con el conjunto de aplicaciones. Las empresas modernas funcionan sobre silos —ERP para las transacciones, WMS para las ubicaciones, TMS para el transporte, CRM para los pedidos—, cada uno con su propio esquema, cadencia y folclore. Definir el alcance de una iniciativa no consiste, por tanto, en dibujar fronteras abstractas; consiste en decidir una interfaz limpia y duradera a través de esos silos y sostenerla con una canalización de datos ligera, fiel y reproducible.

La receta numérica definida en la subsección anterior aporta el perímetro lógico: emisiones, opciones admisibles y recursos limitantes compartidos. La canalización es su equivalente informativo. Debe replicar las tablas que exige ese perímetro con la cadencia que implican las decisiones. En la práctica, un cierre diario —un momento de corte explícito, en UTC, a partir del cual se realizan los extractos— supera a las ambiciones vagas de «casi tiempo real» que difuminan la procedencia. La actualidad de los datos es una elección económica: se acelera solo cuando la mejora esperada, en unidades monetarias, justifica la fricción añadida; en caso contrario, se prefiere una instantánea limpia, una vez al día, que todos puedan reproducir de forma idéntica. Los extractos parciales y las «porciones para el piloto» son contraproducentes: enmascaran los efectos de escala, ocultan peculiaridades semánticas y crean una falsa sensación de corrección sobre subconjuntos de juguete. El perímetro que se pretende optimizar es el que se replica.

Cada extracto debe ser inmutable y autodescriptivo. Las tablas se empaquetan con un pequeño manifiesto que recoge la marca temporal de corte, el número de filas de cada tabla, las marcas temporales de negocio mínimas y máximas y una huella del esquema. Los almacenes de datos solo admiten adiciones: los archivos de ayer nunca se editan; las correcciones retroactivas aparecen como hechos nuevos en el volcado de hoy. Esta disciplina, junto con el viaje en el tiempo, garantiza la reproducibilidad bit a bit: una ejecución puede repetirse meses después sin alegar que «los datos han cambiado».

Las eliminaciones y las correcciones tardías exigen un tratamiento explícito. Conviene preferir las instantáneas completas a los incrementos ingeniosos; cuando no sea viable, cualquier captura de cambios de datos aguas arriba se normaliza en un registro que solo admite adiciones dentro del perímetro: marcas de eliminación para los borrados definitivos y filas versionadas para las actualizaciones. El objetivo es la uniformidad: la receta razona sobre un único historial creciente de acontecimientos, no sobre un blanco móvil de modificaciones sobre los datos existentes.

El acceso sigue el principio de mínimo privilegio: una cuenta de servicio de solo lectura obtiene los extractos; la iniciativa nunca escribe de vuelta en los sistemas de registro a través de la canalización. Se minimizan los datos de identificación personal; la mayoría de las decisiones de supply chain no tiene ninguna necesidad legítima de ellos. La interfaz debe mantenerse ligera: los extractos son hechos, no opiniones; las transformaciones que cambian las decisiones pertenecen al interior de la receta, donde se versionan junto con la economía.

La profundidad histórica debe abarcar al menos un ciclo completo de reposición y, cuando la estacionalidad importe, dos picos estacionales. Cuanto más, mejor, pero basta con «lo suficiente para aprender»: entre tres y seis trimestres fielmente registrados permiten que la receta converja; la incorporación posterior de datos históricos puede ampliar la profundidad sin descarrilar el despliegue. Las fuentes externas —festivos, índices de precios, meteorología para productos perecederos transportados a corta distancia— entran como tablas de pleno derecho, con su propia cadencia y procedencia. Primero se aprovechan los registros internos; los factores externos solo compensan cuando su señal es demostrablemente más fuerte que el ruido que introducen.

Los retoques «bienintencionados» aguas arriba —filtros a medida, imputaciones silenciosas, vistas con tablas ya combinadas— convierten la interfaz en niebla. Las transformaciones que importan para las decisiones deben residir dentro de la receta, donde se versionan junto con la economía y pueden auditarse con las emisiones resultantes. Los registros siguen siendo hipótesis sobre la realidad; mantenerlos sin procesar conserva su procedencia y permite rastrear los defectos hasta su sistema de origen, en lugar de hasta un script de limpieza no documentado.

Como los silos de aplicaciones no se migrarán a nuevas plataformas para adaptarse a la iniciativa, la definición del alcance debe respetar sus interdependencias sin intentar disolverlas de antemano. Cuando un recurso limitante se encuentra dentro del perímetro, sus restricciones se internalizan; cuando atraviesa la frontera, su influencia llega como un precio sombra desde el ámbito vecino. Intentar «simplificar» eliminando datos incómodos —o aislando una fracción que ya no compita por inventario, capacidad, rutas o atención compartidos— reintroduce precisamente el arbitraje entre hojas de cálculo que la iniciativa pretende retirar.

Desde el punto de vista tecnológico, la canalización debería ser aburrida: instantáneas que solo admiten adiciones, archivos inmutables, extractos protegidos por manifiestos y viaje en el tiempo para reproducir bit a bit cualquier ejecución pasada. Esta modesta disciplina hace efectivas en la práctica la parada y la reversibilidad que exige el contrato de la receta. El almacenamiento es barato; resumir prematuramente no lo es. La única complejidad que merece la pena se sitúa donde el dinero cambia de manos: dentro de la receta, no en la infraestructura que la alimenta.

Una vez establecida esta interfaz —réplica fiel por un lado, transformaciones auditables dentro de la receta por el otro—, el alcance puede ampliarse sin trastornos. Los nuevos ámbitos se incorporan sustituyendo precios sombra externos por decisiones endógenas; no hace falta reinventar nada más en la canalización. La siguiente subsección asigna los pocos roles necesarios para mantener esta interfaz viva día tras día.

10.2.3 Roles en la iniciativa

Una vez aclarado el alcance y centrado en la producción diaria de decisiones, el siguiente paso fundamental consiste en definir la responsabilidad de cada parte del proceso. Aunque las empresas suelen mantener muchos roles especializados en supply chain, solo unos pocos son necesarios para sostener un flujo de toma de decisiones automatizado. Un exceso de roles simplemente diluye la responsabilidad sobre el resultado final. En cambio, un conjunto pequeño y bien definido asegura la rendición de cuentas y mantiene claro y trazable el recorrido desde los datos sin procesar hasta las decisiones finales.

El responsable de datos establece y mantiene la canalización de datos. Este rol se sitúa en la intersección entre TI y supply chain, pero sigue firmemente arraigado en la disciplina de TI. Su objetivo principal es entregar extractos sin procesar ni filtrar de los sistemas de registro, como el ERP, el WMS, el CRM u otras aplicaciones heredadas. Entregar estos conjuntos de datos a diario o semanalmente de forma fiable es más difícil de lo que parece: pequeños cambios de esquema, actualizaciones parciales o peculiaridades de uso rompen habitualmente las tareas de extracción. Una vez estabilizada, la canalización exige un esfuerzo continuo mínimo. Es fundamental que este rol se abstenga de intentar «arreglar» o «interpretar» los datos. Cuando aparece una anomalía grave —como existencias físicamente presentes negativas o transacciones ausentes—, debe avisar a los equipos pertinentes, pero no sobrescribir ni retocar los registros subyacentes. Así, la iniciativa se enfrenta a los datos reales, no a una transformación desconocida.

El Supply Chain Scientist es responsable de toda la receta, desde los datos sin procesar hasta las decisiones diarias. Este rol es el núcleo lógico de la iniciativa. Mientras el responsable de datos se concentra en extraerlos, el Scientist se dedica a trasladar cada factor de coste, restricción operativa o preferencia estratégica a la propia receta. A diferencia de un analista de datos típico o de un «científico de datos», el Supply Chain Scientist se compromete personalmente a hacer que el proceso sea apto para producción. Si una recomendación es manifiestamente incorrecta, le corresponde rastrear el origen del error, ya sea un supuesto de modelización equivocado, una restricción de plazo operativo pasada por alto o un desajuste con los objetivos financieros actuales de la empresa. Con el tiempo, el Scientist codifica los nuevos conocimientos directamente en la receta y la mantiene alineada con las realidades operativas cambiantes. Aunque utiliza herramientas estadísticas, motores de optimización o técnicas de simulación, su principio rector es entregar decisiones diarias que puedan llevarse a la práctica. La diferencia de mentalidad es crucial: los cuadros de mando o las métricas de rendimiento pueden perder relevancia; las decisiones diarias automatizadas no pueden permitírselo.

A continuación está el patrocinador ejecutivo, que aporta orientación y arbitraje desde la alta dirección. Las decisiones de supply chain reflejan inevitablemente el cálculo económico más amplio de la empresa, y en ocasiones el Scientist tendrá que adoptar supuestos de modelización —sobre costes, márgenes, disyuntivas o condiciones de proveedores— que solo la alta dirección puede validar. Un almacén concreto puede solicitar, por ejemplo, transporte urgente más caro para reponer antes, pero esto puede entrar en conflicto con el objetivo de reducir los envíos aéreos en toda la empresa. Si hay desacuerdo, el patrocinador aclara cómo deben priorizarse las disyuntivas. También se asegura de que el proyecto disponga del apoyo político y financiero necesario. Si el Scientist descubre un nuevo factor —como garantías de producto aún vigentes o restricciones legales sobre los envíos transfronterizos— que exige un cambio de proceso más profundo, la intervención directa del patrocinador ayuda a despejar con rapidez los obstáculos organizativos.

Por último, el gestor de flujos —antes, planificador o gestor de inventarios en los procesos antiguos— sigue siendo esencial. Aunque las decisiones diarias acaban automatizándose, las complejidades del mundo real nunca desaparecen. El gestor de flujos aporta el conocimiento operativo cotidiano que las tablas de datos no pueden captar: por ejemplo, qué proveedor tiende a entregar envíos parciales o qué líneas de envasado presentan problemas sutiles de calidad durante los meses de mayor actividad. En los primeros meses de ejecución paralela de la antigua hoja de cálculo y la nueva receta, detecta las decisiones que parecen «disparatadas» y transmite esas observaciones. Con el tiempo, a medida que la automatización demuestra su estabilidad, su trabajo se transforma. En lugar de comprobar minuciosamente cada nivel de stock, se concentra en las relaciones más amplias con clientes y proveedores, afronta perturbaciones inesperadas —un almacén inundado o un cambio normativo de un día para otro— y devuelve ese conocimiento al Scientist. Liberado de actualizaciones interminables de hojas de cálculo, actúa como custodio del flujo en toda la red y refuerza la resiliencia y la capacidad de respuesta de la supply chain.

En pocas palabras, la responsabilidad se reduce a cuatro verbos: el responsable de datos obtiene los hechos; el Supply Chain Scientist emite los compromisos diarios y detiene el motor cuando cae la confianza; el patrocinador ejecutivo arbitra las disyuntivas y los conflictos de delimitación; el gestor de flujos vigila el flujo sobre el terreno y eleva las anomalías.

Estos cuatro roles encajan en una estructura sorprendentemente compacta, incluso en grandes corporaciones. Una persona puede actuar como responsable de datos en varios proyectos, y un solo Scientist puede gestionar cientos de miles de SKU. Aclarar desde el principio que cada responsabilidad corresponde a un único ámbito fácilmente identificable reduce la fricción entre departamentos y evita las cesiones interminables y las responsabilidades parciales que suelen paralizar proyectos más ambiciosos y menos centrados.

Una vez asignados estos roles, queda preparado el camino para un ciclo concreto de puesta en marcha de unos seis meses, desde la extracción de datos hasta un proceso estable y apto para producción.

10.3 Puesta en marcha

La puesta en marcha es el paso de una intención con alcance definido a la emisión sin intervención humana. Una vez establecidos el perímetro, los roles y la interfaz de extractos diarios, queda ejecutar con criterios de paso explícitos: dar a la receta numérica una cita diaria con la realidad; avanzar solo cuando se cumplan los criterios de preparación; y retirar las rutinas manuales sin interrumpir el flujo.

Esta sección no vuelve sobre el alcance, los roles o la economía; ya se han resuelto antes. Se ocupa de la cadencia y el control: qué condiciones deben cumplirse, y en qué orden, para que el sistema de inteligencia tome las riendas de forma segura. Las fechas se derivan de los criterios: el calendario es una consecuencia, no un plan.

Las páginas siguientes recorren este camino: un breve calendario que identifica los criterios de paso; la práctica diaria que permite alcanzarlos; la mecánica de la implantación progresiva y la reversibilidad; y la postura necesaria para el mantenimiento a largo plazo. Con estas piezas, pasar de las hojas de cálculo a las decisiones sin intervención humana se convierte en una rutina, no en una hazaña.

10.3.1 Visión general del calendario

Una vez establecidos el alcance y los roles, la puesta en marcha avanza en tres etapas que, en la mayoría de las empresas, caben en unos seis meses. Este horizonte es una expectativa empírica, no una promesa: el calendario refleja más el ritmo de la organización que el cálculo informático, y un retraso de unas semanas suele señalar problemas de gobernanza o de alcance, no límites técnicos «duros».

La primera etapa solo termina cuando la extracción diaria de datos es completa y fiable. El perímetro de tablas que requiere la receta numérica se replica respetando fielmente el esquema, con un corte diario claro; los extractos son inmutables y autodescriptivos; las ejecuciones pasadas pueden reproducirse bit a bit; y las peculiaridades aguas arriba se resuelven sin retoques «bienintencionados» que difuminen la procedencia. Las heurísticas de parada se conectan de modo que el motor se detenga por sí mismo cuando falten entradas o estén desactualizadas. En la práctica, esta etapa se completa cuando la interfaz ha funcionado de forma limpia y reproducible durante un periodo sostenido, con los defectos rastreados y corregidos en ella en lugar de parcheados aguas abajo.

La segunda etapa termina cuando la receta deja de producir decisiones disparatadas. Con la canalización estable, la receta numérica se ejecuta a diario junto a la rutina vigente. Cada emisión va acompañada de un expediente que hace transparentes sus principales factores económicos en unidades monetarias. Día tras día, las sorpresas se traducen en revisiones de la semántica, las restricciones o los precios, hasta que desaparecen los errores flagrantes. El criterio no es la perfección, sino la ausencia de disparates: la ejecución paralela debe mantener cero líneas disparatadas, y cualquier diferencia restante con la rutina manual debe ser una cuestión de economía marginal, no un error lógico.

La tercera etapa termina cuando la confianza basta para el uso en producción. La misma receta escribe ahora de vuelta dentro de un perímetro acotado, protegida por heurísticas de parada y reversible por diseño: las emisiones son sin estado e idempotentes; la reversión y la repetición son rutinarias; y la documentación permite a otro Scientist diagnosticar y revertir en cuestión de horas. La instrumentación resulta lo bastante convincente para que finanzas y operaciones auditen las decisiones sin reuniones: los expedientes son legibles, las atribuciones claras y la ventana de responsabilidad explícita. Tras una breve implantación desatendida sin incidencias en parte del perímetro, el paso a producción deja de ser un acto de fe y se convierte en una formalidad.

Estos criterios existen para evitar el purgatorio de los pilotos. Si una etapa se prolonga, se eleva su causa —extractos sin terminar, ampliación descontrolada del alcance o precios sin responsable— en lugar de estirar el calendario. A la inversa, precipitarse a superar una etapa sin cumplir sus condiciones simplemente traslada el riesgo a producción. Las páginas siguientes detallan el trabajo cotidiano de cada etapa sin repetir el alcance ni los roles ya establecidos.

10.3.2 Despliegue iterativo

El despliegue lleva a la práctica el método de optimización experimental introducido en el capítulo Ingeniería: exponer cada día la receta numérica a la interfaz real; dejar que la refutación dirija las modificaciones; y avanzar solo cuando las decisiones resultantes sean sensatas. El objetivo aquí es práctico: cómo se aplica esta postura en producción, no una repetición de su teoría (véanse el capítulo Ingeniería, Optimización experimental y Conversión en caja blanca).

10.3.2.1 Ejecución diaria en paralelo

Cada día, en el momento del cierre, se ejecuta la receta de principio a fin sobre todo el perímetro, con el mismo corte y las mismas acciones admisibles que tendrá en producción. Se emiten decisiones, pero no se escriben; se archivan tanto las emisiones como sus expedientes; y se comparan con la rutina vigente. La ejecución es sin estado y reproducible: dados el extracto y la versión del código, las salidas son idénticas. Las heurísticas de parada permanecen activas; toda parada se trata como un defecto de la interfaz —tablas ausentes, precios sombra desactualizados, deriva semántica— que debe eliminarse antes de la siguiente ejecución. La ejecución paralela no es una demostración; es el laboratorio diario donde la receta se encuentra con la realidad hasta dejar de producir sorpresas.

10.3.2.2 Cero decisiones disparatadas

«Disparatada» designa cualquier emisión que vulnere una restricción física o legal estricta, contradiga un hecho empresarial elemental o tenga una rentabilidad esperada manifiestamente negativa bajo los precios declarados. La ausencia de disparates, mantenida en todo el perímetro, es el criterio para salir de la ejecución paralela y corresponde a la segunda etapa del calendario anterior. Las discrepancias marginales con la rutina manual no bloquean el paso a producción; las juzga el registro y se resuelven en la implantación descrita en la sección siguiente.

10.3.2.3 Instrumentación en evolución

Para acelerar la refutación, cada emisión lleva un expediente breve que expone sus principales factores económicos —en unidades monetarias— junto con las pocas restricciones que la limitan. El esquema del expediente pertenece a la receta y evoluciona con ella; se versiona, puede reproducirse y lo escribe el mismo código que produce las líneas. Durante la ejecución paralela, los expedientes permiten a los profesionales localizar la causa de una sorpresa en minutos; en producción, esos mismos expedientes permiten a finanzas y operaciones auditar las decisiones sin reuniones. La mecánica de la conversión en caja blanca se desarrolló antes; aquí conservamos solo lo que acelera el despliegue.

Cuando la ejecución paralela se ha mantenido durante un tiempo sin líneas disparatadas y las paradas son infrecuentes y están explicadas, la misma receta puede empezar a escribir de vuelta dentro de un perímetro acotado. La mecánica de esa transición —selección del alcance, válvulas de seguridad y reversibilidad— se aborda a continuación, en Implantación progresiva.

10.3.3 Implantación progresiva

Pasar de las comprobaciones diarias en paralelo a depender activamente del sistema de inteligencia es un ejercicio de gestión del riesgo. La transformación debe ser lo bastante decidida para que la empresa en su conjunto deje de volver a los antiguos métodos manuales al primer indicio de dificultades, pero lo bastante prudente para evitar perturbaciones a gran escala. Muchas organizaciones vacilan en este punto y mantienen el nuevo sistema como un piloto perpetuo, pero una transición ordenada y firme evita que la iniciativa quede en el limbo.

10.3.3.1 El primer alcance

Una forma habitual de empezar consiste en seleccionar un segmento estrechamente interconectado de la supply chain y dejar que las decisiones automatizadas operen solo sobre ese subconjunto. Por ejemplo, un único centro de distribución puede seguir las recomendaciones diarias de una categoría concreta, o una instalación de fabricación puede ejecutar el programa de producción automatizado de una sola línea de productos. Idealmente, esos productos o instalaciones ya disponen de datos estables y restricciones bien comprendidas. Al adoptar los resultados de la receta en las operaciones reales —por ejemplo, enviando los pedidos de compra sugeridos directamente a los proveedores—, la organización puede verificar que no aparecen «líneas disparatadas» en condiciones de funcionamiento auténticas. Esta transición inicial suele durar una o dos semanas, tiempo suficiente para confirmar que los supuestos básicos sobre costes, inventario y plazos operativos se traducen correctamente en acciones diarias.

Una vez estabilizado el funcionamiento, puede incorporarse una parte más amplia de la red. Por ejemplo, si la primera oleada cubría un centro de distribución, la siguiente puede abarcar todos los de la misma región. En cada ampliación, el Scientist y el responsable de datos deben asegurarse de que la misma arquitectura de canalización de datos se amplíe a las nuevas ubicaciones o líneas de productos sin añadir complejidad. En paralelo, el gestor de flujos confirma que no se haya pasado por alto ninguna regla local singular, como la exigencia estricta de un proveedor de servir palés completos. Esta pauta —seleccionar, confirmar la estabilidad y ampliar— se repite hasta cubrir todos los rincones pertinentes del alcance original.

10.3.3.2 Retirada de la alternativa manual

La tarea más difícil es decidir cómo y cuándo retirar los antiguos pasos manuales. Muchas empresas han intentado la «semiautomatización», en la que los planificadores revisan cada recomendación generada por el sistema y ajustan los parámetros a mano ante el primer indicio de escasez. Aunque parezcan prudentes, las comprobaciones duplicadas indefinidas erosionan silenciosamente las ganancias. La automatización nominal degenera en un motor de sugerencias glorificado, ignorado en cuanto las cifras contradicen la intuición. Cada hora dedicada a cuestionar o volver a teclear los pedidos recomendados es una hora que no se invierte en tareas que una máquina no puede afrontar, como forjar relaciones con proveedores o analizar nuevas señales del mercado.

Aprovechar de verdad la automatización exige retirar del uso activo el proceso anterior. Esta decisión puede parecer un acto de fe. Pero, para entonces, las comparaciones diarias deberían haber demostrado que el nuevo método rara vez, o nunca, produce errores flagrantes. Cuando aparecen anomalías —un aumento repentino de los tiempos de entrega de proveedores, un cambio no anunciado en una norma de embalaje—, corregirlas en la receta resulta más sistemático y rápido que recurrir al mosaico de hojas de cálculo. Como la lógica está centralizada en código, una sola corrección resuelve posibles errores en todas las SKU y ubicaciones afectadas. Esta claridad acaba convenciendo a planificadores y mandos intermedios de que la adopción ahorra tiempo sin ceder el control.

10.3.3.3 Gestión de excepciones

Una supply chain dinámica encuentra inevitablemente casos que la receta no había previsto del todo. Un desastre natural puede inundar un almacén, o un proveedor puede incumplir sus obligaciones. La misma automatización que funciona en condiciones normales necesita ahora un ajuste rápido: una intervención temporal o una restricción modelizada. Inmediatamente después de desactivar el antiguo proceso manual, todo lo que falla parece urgente. Los aumentos bruscos de los pedidos de compra recomendados o la imposibilidad de satisfacer grandes tamaños de lote deben resolverse sin el consuelo de las antiguas hojas de cálculo.

La responsabilidad principal recae aquí en el Scientist. Como la receta no tiene estado y recalcula cada día las decisiones desde cero a partir del conjunto de datos completo, pueden introducirse cambios en cuanto los supuestos estén claros. Si una instalación dañada por el agua debe funcionar a media capacidad, el Scientist puede codificar ese límite a la mañana siguiente. La clave es integrar esas excepciones en el código unificado, en lugar de dejar que reaparezcan como modificaciones locales en hojas de cálculo dispersas. Incluso después de que pase la crisis, la receta conserva esa restricción, lista por si se repite.

10.3.3.4 Medición de resultados

A medida que las decisiones mecanizadas se extienden por la red, la instrumentación amplía su alcance. Antes ayudaba a detectar líneas erráticas o incorrectas; ahora también evalúa si se materializan las mejoras previstas en servicio, costes o capacidad de reacción. El Scientist —normalmente junto con los responsables de finanzas y operaciones— compara la demanda real con las previsiones y contrasta los márgenes y plazos operativos realizados con sus equivalentes modelizados. Esa visión de 360 grados muestra hasta qué punto las decisiones diarias resisten la variabilidad del mundo real. Lo crucial es que estos artefactos de rendimiento —como las medidas de precisión o las comparaciones de costes— se destinan principalmente a las mejoras iterativas del Scientist, no a alimentar nuevas capas de supervisión. Una nueva brecha entre previsión y demanda puede señalar un cambio sutil de estacionalidad o de precios de la competencia: un conocimiento que conviene reincorporar al código de la receta. Si esos artefactos se difunden ampliamente entre departamentos, la organización corre el riesgo de volver a los retoques de previsiones por comité y diluir la responsabilidad.

La implantación mecanizada se apoya en dos formas simultáneas de medición. Primero, el umbral de cero disparates: ¿sigue siendo evidentemente correcto para ese día el pedido o programa recomendado? Segundo, las comprobaciones a más largo plazo entre lo realizado y lo proyectado: ¿refleja el enfoque las realidades de costes y los objetivos de ingresos del negocio? Mantener ambas formas de instrumentación en la base de código —visibles y modificables por el Scientist— le permite localizar rápidamente los supuestos defectuosos. La empresa conserva una perspectiva estable de principio a fin, libre de la confusión que provocan los seguimientos parciales o las hojas de cálculo contradictorias de distintos departamentos.

10.3.3.5 Consolidación de la autonomía

Tras varios meses de implantación por fases y refinamiento de la instrumentación, la iniciativa se consolida como rutina diaria. El personal que antes corría de una hoja de cálculo a otra dirige su atención a tareas más matizadas o a las excepciones inmediatas que inevitablemente surgen en mercados fluidos. La confianza en el sistema automatizado crece de forma sostenida. Para cuando todo el alcance funciona con la nueva receta, ya no se echa de menos el enfoque manual. Los empleados ven que no hace falta volver a debatir cada decisión de reposición, mientras los directivos constatan que los cambios de demanda, restricciones de suministro o incluso estructuras de costes pueden incorporarse a la receta con rapidez y coherencia.

Una automatización exitosa desencadena un cambio cultural. Cuando el personal comprende que una parte de la supply chain se ha vuelto verdaderamente mecánica, empieza a identificar nuevos ámbitos donde aplicar un enfoque similar. Aunque esas ampliaciones queden fuera del alcance original, pueden apoyarse en la canalización, la instrumentación y el proceso iterativo que ya han demostrado su valía. Ese impulso evita el estancamiento habitual tras los despliegues convencionales de software, en los que el sistema se «congela» en cuanto entra en funcionamiento. Aquí, las salidas diarias del sistema siguen abiertas al refinamiento precisamente porque la capacidad de iterar con rapidez se incorporó desde el principio a la estructura de la iniciativa.

La transición a la automatización completa no es el punto final. La siguiente cuestión es cómo sostener y mejorar esta nueva normalidad, asegurando que la receta siga el ritmo de los cambios en la estrategia empresarial o en las condiciones del mercado. Aunque nadie quiera volver a las hojas de cálculo una vez establecido un enfoque mecánico bien probado, hace falta vigilancia continua para evitar la complacencia. La sección siguiente explica cómo mantener la relevancia de la iniciativa en una evolución constante, convirtiendo cada acontecimiento —desde los cambios cotidianos hasta las perturbaciones de tipo cisne negro— en una oportunidad para fortalecer el proceso automatizado.

10.3.4 Mantenimiento a largo plazo

Un sistema de inteligencia desplegado nunca es estático; por pulida que parezca su receta numérica, las condiciones del negocio y las realidades operativas siguen evolucionando. Pueden aparecer nuevas normativas, cambiar las estructuras de precios o modificarse los plazos operativos y las restricciones de servicio de formas que la receta automatizada no había previsto. Una iniciativa que deja de adaptarse pronto se vuelve tan obsoleta como el sistema al que sustituyó.

En este contexto, el mantenimiento no se limita a parches de software ni a correcciones en la extracción de datos. Consiste, ante todo, en preservar la corrección y la pertinencia de la lógica económica codificada en la receta. Si la empresa abre un nuevo centro de distribución o negocia un nuevo contrato con un proveedor, los costes y las restricciones que sustentan las decisiones diarias deben revisarse para reflejar esos cambios. En la práctica, no mantener la receta significa volver a una letanía de modificaciones manuales que socavan la automatización o dejar que produzca decisiones cada vez más desligadas de los objetivos de la empresa.

10.3.4.1 Evolución incesante

Una razón fundamental para el mantenimiento sistemático es que cada eslabón evoluciona constantemente: se introducen nuevas SKU, se retiran las antiguas, aparecen campañas de marketing y las perturbaciones inesperadas obligan a utilizar rutas alternativas. Si la receta queda encerrada en los supuestos del año pasado, perderá nuevas oportunidades y no mitigará los riesgos recién surgidos.

Esta variabilidad no es un defecto de la automatización, sino una característica de los mercados reales. Una iniciativa robusta acepta el cambio programando revisiones periódicas de los supuestos de la receta y señalando anomalías cuando la canalización de datos detecta grandes desviaciones respecto a las condiciones normales. Un aumento brusco de los costes de transporte puede exigir una modelización más profunda de las capacidades de los contenedores o una reevaluación del modo de transporte preferido. Del mismo modo, añadir líneas de fabricación avanzadas puede alterar las disyuntivas: tamaños de lote antes optimizados pueden volverse despilfarradores si las nuevas líneas permiten preparaciones más baratas y rápidas.

10.3.4.2 Finanzas y operaciones

Coordinar las actualizaciones de la receta exige un diálogo continuo entre el Scientist y los altos responsables de finanzas y operaciones. El mantenimiento cotidiano puede resolver cuestiones menores —un nuevo código de proveedor o una política de reposición recalibrada—, mientras que los cambios significativos, como una nueva estructura de descuentos o un enfoque distinto del capital circulante, son intrínsecamente estratégicos.

Para que la receta siga alineada con las realidades financieras actuales de la empresa, debe reflejar cualquier cambio en la asignación de costes o en las restricciones presupuestarias. Como finanzas controla cómo se valora el capital, el Scientist busca allí claridad sobre cuán agresiva o conservadoramente dimensionar el inventario, cómo tratar los costes indirectos intangibles —como el daño a la marca por un envío incumplido— y cómo ponderar los retrasos de expedición frente al gasto de horas extra urgentes. Una revisión conjunta anual o semestral asegura que el código siga reflejando la dirección estratégica de la empresa, en lugar de derivar hacia pautas anticuadas. Si la alta dirección quiere priorizar la expansión a nuevos mercados o recortar el transporte aéreo en un porcentaje determinado, el Scientist no puede adivinar esas prioridades: debe recibir información temprana y precisa.

10.3.4.3 Implementación sin estado

Un principio de diseño duradero para un mantenimiento eficaz consiste en mantener la receta sin estado. Cada día o cada semana recalcula todas las recomendaciones a partir de los datos sin procesar, sin arrastrar ningún estado oculto. Este enfoque evita que los errores se acumulen con el tiempo. Si un fallo aguas arriba infla los niveles de stock de hoy, la ejecución de mañana —una vez corregidos los datos— vuelve de forma natural a decisiones normales. El sistema puede «recuperarse de golpe» en cuanto se restablece la canalización de datos, sin los fantasmas persistentes de cálculos antiguos.

Los diseños sin estado también facilitan el mantenimiento a largo plazo. Cada vez que el Scientist actualiza una función de coste o introduce nuevas restricciones, el cambio entra en vigor inmediatamente en la siguiente ejecución y afecta a cada SKU o ubicación que necesite el ajuste. No hace falta eliminar estados antiguos almacenados ni preocuparse por que un modelo entrenado previamente haya interiorizado señales desactualizadas. Recalcular cada decisión puede parecer exigente, pero las infraestructuras modernas manejan estos volúmenes para supply chains de cualquier tamaño, sobre todo una vez controlada la extracción de datos.

Este patrón sin estado demuestra su valor cuando el sistema debe afrontar picos de demanda o cambios bruscos de políticas. Si toda una región experimenta un aumento inusual de pedidos, la siguiente ejecución diaria puede incorporarlo sin quedar anclada en el juicio equivocado del día anterior. La receta es flexible: se adapta en cuanto evolucionan las condiciones y elimina la tentación de recurrir a antiguas reglas manuales de reserva de stock, antes utilizadas para apuntalar un proceso frágil.

10.3.4.4 Sucesos de tipo cisne negro

Más allá de la variabilidad cotidiana existe el riesgo de perturbaciones graves y extremas: incendios de almacenes, inundaciones, pandemias o embargos regulatorios repentinos. Estos sucesos de tipo cisne negro trastocan las estructuras normales de costes, las restricciones de capacidad y los recorridos de distribución. Aunque ninguna receta diaria puede anticipar acontecimientos muy alejados de los parámetros habituales, la organización puede recurrir al enfoque iterativo utilizado al crear la iniciativa. Cuando sobreviene un desastre, el Scientist codifica las restricciones nuevas o temporales directamente en la receta: una instalación puede funcionar a media capacidad o evitarse por completo; a una ruta logística de emergencia puede asignársele diez veces el coste de transporte habitual. Una vez realizados estos ajustes a corto plazo, el sistema vuelve a ejecutarse y ofrece una visión inmediata de cómo las nuevas restricciones reformulan las asignaciones o las líneas de reposición.

Un suceso de tipo cisne negro también puede exigir cambios más profundos: crear flujos alternativos o revisar drásticamente los plazos operativos de toda una región. El principio se mantiene: la receta es el único punto de integración, por lo que las restricciones recién descubiertas o los costes extremos se introducen en ella. Este enfoque es más resiliente que apagar incendios ad hoc mediante modificaciones manuales dispersas entre hojas de cálculo y departamentos. Cada corrección, una vez validada, pasa a formar parte de la base de código y deja de depender de la efímera vigilancia humana.

Lo crucial es que una crisis extraordinaria puede convertirse en una oportunidad para profundizar en la conciencia del riesgo de la empresa. Si el incumplimiento de un proveedor revela que el 90% de un componente clave procedía de una única fuente, la receta puede actualizarse de forma permanente con reglas que eviten una exposición excesiva a un solo proveedor. La misma instrumentación utilizada en las comprobaciones diarias puede revelar esas vulnerabilidades. Con el tiempo, las lecciones de la turbulencia elevan el nivel de partida y aseguran que el sistema salga más robusto.

Por tanto, el mantenimiento a largo plazo no es solo vigilancia frente a la deriva normal, sino también una respuesta estructurada a las perturbaciones repentinas. Tanto las actualizaciones diarias como las correcciones urgentes remiten a una única receta sin estado, que sigue siendo el núcleo de una supply chain automatizada. Cuando la empresa se acostumbra a este ciclo —pequeños incrementos, recalibraciones periódicas y revisiones profundas provocadas por crisis—, descubre que el flujo automatizado se mantiene al día. La iniciativa resulta más estable y flexible que cualquier mosaico de hojas de cálculo porque incorpora un mecanismo de renovación continua.

En este punto, la iniciativa cuenta con una arquitectura estable, las operaciones diarias funcionan con decisiones automatizadas y la empresa está preparada tanto para los cambios rutinarios como para las grandes sorpresas. Queda evaluar cómo esto redefine los roles, las estructuras organizativas y las descripciones de puestos: una receta bien mantenida no solo sustituye procesos antiguos; transforma el personal de supply chain.

10.4 Cambios organizativos

Los cambios organizativos son inevitables cuando las decisiones automatizadas fluyen a diario por la empresa. Aunque la mecánica de un alcance bien definido y una implantación iterativa pueda parecer puramente técnica, las personas de toda la empresa pronto descubren que muchas tareas —antes a cargo de planificadores o mandos intermedios— avanzan ahora con poca intervención humana. Los empleados acostumbrados a recopilar datos, conciliar indicadores contradictorios y hacer malabarismos con modificaciones de última hora descubren que el nuevo proceso deja menos huecos que parchear. Algunos agradecen el alivio y se concentran en problemas de supply chain más espinosos que se resisten a la automatización. Otros perciben una pérdida de relevancia y se oponen al cambio, alegando supuestas «excepciones» o insistiendo en que el sistema «no puede captar todos los detalles».

Sin embargo, una vez explicitados, esos detalles pueden codificarse en la receta. Si, por ejemplo, un planificador retocaba las cantidades de reposición de un proveedor que enviaba sistemáticamente palés parciales, ese matiz pertenece al código. Una vez incorporado, la receta deja de depender de correcciones de última hora. Liberados de apagar incendios continuamente, los empleados pueden ampliar el alcance de la iniciativa o fortalecer las relaciones con los socios. Con el tiempo, la empresa debe reconocer que muchas rutinas cotidianas han cambiado. Los planificadores tradicionales, acostumbrados a examinar cada mañana hojas de cálculo con cientos de SKU, descubren que esas comprobaciones manuales son redundantes. Finanzas, que antes veía las previsiones como vagas «mejores estimaciones» que exigían prudencia al presupuestar, se encuentra ahora con un sistema que compromete capital a diario salvo que se le indique lo contrario. El departamento de TI, históricamente sobrecargado de peticiones pendientes de informes o pequeñas aplicaciones, descubre que una única canalización bien diseñada sustituye a numerosas personalizaciones dispersas.

Superar estas fricciones exige explicar con claridad por qué la iniciativa requiere no solo un cambio de software, sino también una transformación de quién hace qué. Si se confía en las decisiones automatizadas, la empresa ya no obtiene beneficio de emplear a varios equipos para reproducirlas o modificarlas. En lugar de custodiar hojas de cálculo interminables, el personal de planificación debería mejorar cómo se abastece o almacena cada producto, refinar los supuestos de costes y captar nuevas señales que de otro modo permanecerían invisibles para el algoritmo. Del mismo modo, los directivos de finanzas no necesitan revisar una y otra vez los mismos detalles línea por línea si los factores económicos de la receta reflejan fielmente las restricciones deseadas. Su función es ajustar esos factores cuando cambia la estrategia o se aplican nuevos límites de recursos.

Este cambio también exige nuevas formas de cooperación. Un sistema mecánico es transparente e inflexible a la vez: no puede disimular silenciosamente un desajuste entre dos departamentos. Si una regla de control del almacén contradice una campaña reciente de marketing, el conflicto aparece pronto en las salidas diarias. En última instancia, resolver esas contradicciones exige más que una reunión cortés o un arreglo ad hoc. Exige que el Scientist —o el rol que ahora sea responsable de la receta— incorpore las directrices actualizadas y vuelva a ejecutar la lógica. Para que esto ocurra sin caos, la organización debe apoyar un único proceso automatizado, en vez de permitir que cada equipo resucite su hoja de cálculo personal cuando no le guste el resultado. Quienes se aferren a soluciones locales de compromiso diluirán para todos los beneficios de la automatización.

El cambio más visible se produce entre quienes realizan la planificación cotidiana. Antes recorrían las SKU o las ubicaciones, ajustando niveles de inventario, comprobando plazos operativos e interviniendo manualmente cuando la oferta o la demanda cambiaban bruscamente. Ahora pueden participar de forma más estratégica. En lugar de verificar cientos de líneas de reposición, pueden confirmar que los nuevos contratos de proveedores estén correctamente codificados o investigar un aumento inesperado que la receta señale como atípico. Su trabajo diario se centra menos en introducir datos mecánicamente y más en construir relaciones, descubrir nuevos factores de coste y anticipar cambios del mercado. Al principio, esta evolución puede resultar inquietante. Algunos empleados pueden asumir que su función original —manejar manualmente cada paso— sigue siendo insustituible. Pueden intentar mantener vivos procesos manuales parciales. Pero, una vez que el sistema funciona bien para un pequeño subconjunto y se amplía a un alcance mayor, la coherencia de la receta pronto supera a la vigilancia humana dispersa.

Aunque los cambios organizativos pueden generar malestar, preparan a la empresa para ser más ágil y estar mejor alineada con sus verdaderas prioridades. Si una iniciativa estratégica pretende reducir los costes de transporte o los plazos operativos generales, puede implementarse directamente en la receta y luego probarse y medirse sobre pedidos reales, no solo debatirse en una reunión. Los planificadores ganan oportunidades de influir en cómo se modelizan las restricciones, en lugar de ir a remolque cada vez que cambia la demanda. Los directivos ven con mayor claridad la relación de causa y efecto entre las restricciones que aprueban y los resultados posteriores en las métricas de inventario o de cumplimiento de pedidos. A medida que desaparecen las rutinas improductivas, el personal antes absorbido por tareas repetitivas puede concentrarse en estrechar lazos con los proveedores, extraer señales significativas del mercado y asegurar que las introducciones o transiciones de productos encajen con el enfoque mecánico diario.

Estos ajustes organizativos forman la columna vertebral de una supply chain que prospera con decisiones rigurosas y automatizadas. En las secciones siguientes abordamos el efecto más directo sobre los propios planificadores, que evolucionan hacia «gestores de flujos» dentro de este nuevo marco. Después examinamos cómo el rol del Scientist pasa a ser central para sostener y mejorar esas decisiones mucho después del despliegue inicial.

10.4.1 Planificador frente a gestor de flujos

Cuando las decisiones diarias se automatizan por completo, el rol tradicional del planificador —estudiar hojas de cálculo, ajustar cantidades de reposición y conciliar prioridades contrapuestas— pierde gradualmente gran parte de su razón de ser cotidiana. En muchos sentidos, este cambio es liberador. Sin la carga de perseguir pequeñas incoherencias de datos o aplicar heurísticas repetitivas, la misma persona puede asumir el rol de mayor valor de gestor de flujos. En lugar de microgestionar cada SKU, observa ahora toda la red de suministro, identifica excepciones del mundo real y consolida vínculos de colaboración entre proveedores, transportistas e interlocutores internos.

10.4.1.1 Ajustes repetitivos

Los planificadores solían tener la tarea de alinear piezas cambiantes —datos de previsión, tiempos de entrega de proveedores y restricciones locales— conciliando manualmente hojas de cálculo y cifras generadas por los sistemas. Eran el «pegamento» que mantenía unidos los procesos cuando el software formal o la previsión oficial no daban la talla. Sin embargo, en un entorno automatizado, la lógica que antes llenaba esas hojas de cálculo queda integrada en la receta que produce las decisiones de cada día. Esta receta no se limita a generar cifras teóricas: propone o ejecuta líneas de reposición, asignaciones o reservas de capacidad, todas ellas basadas en los costes y restricciones financieros de la empresa. Mientras que antes un planificador podía pasar horas cada semana buscando niveles de stock sospechosos o errores de expedición de última hora, ahora el proceso señala automáticamente los casos atípicos y provoca intervenciones dirigidas, no comprobaciones manuales universales.

Como resultado, el foco del rol se eleva. En vez de revisar cientos o miles de SKU en busca de errores de cálculo en la reposición, el antiguo planificador puede invertir su energía en tareas más estratégicas o relacionales. Puede seguir señales sutiles que los modelos numéricos podrían pasar por alto, como una certificación recién obtenida por un proveedor o indicios tempranos de que un transportista está teniendo dificultades en ciertas regiones. También puede evaluar dónde se beneficiaría la receta de conocimientos más profundos, por ejemplo, incorporando datos de capacidad en tiempo real de una línea de producción crítica o recogiendo nuevas escalas de descuentos de un proveedor principal. Al transmitir estos descubrimientos al Scientist, el gestor de flujos asegura que la receta automatizada evolucione sin conjeturas diarias.

10.4.1.2 El estado del consenso

Esta transformación suele eliminar las sesiones repetitivas de alineación —conocidas habitualmente como planificación de ventas y operaciones, o S&OP— en las que los equipos debatían cómo ajustar las previsiones o gestionar una capacidad incierta. En muchas empresas, estas sesiones degeneran en rondas mensuales o trimestrales de retoque de cifras, que producen una única cifra de consenso aún desconectada de las realidades operativas. En el mejor de los casos, ese proceso repite restricciones conocidas y puntos de vista departamentales; en el peor, oculta conflictos y conduce a compromisos débiles.

Cuando una receta numérica dirige las asignaciones diarias o los programas de producción, desaparece el debate prolongado sobre qué previsión es «correcta». Todas las restricciones pertinentes —plazos operativos, estructuras de costes, penalizaciones por faltantes de stock— están en el sistema o no lo están. Cuando un departamento plantea una preocupación, por ejemplo, un plan de marketing que generará picos de demanda con poco preaviso, la respuesta es concreta: hay que modificar la receta para reflejar lo que realmente está en juego económicamente. Pueden codificarse penalizaciones más altas por faltantes de determinados artículos promocionales o tenerse en cuenta el transporte urgente más caro ante aumentos repentinos. En lugar de negociar una previsión intermedia en reuniones semanales, el gestor de flujos y el Scientist aseguran que las decisiones operativas se alineen automáticamente con modelos actualizados de costes y restricciones. Esto vuelve en gran medida irrelevantes los antiguos debates sobre previsiones: cada «cifra final» que determina los pedidos diarios se ancla en la lógica económica de la empresa, no en un compromiso alcanzado a duras penas en una sala de reuniones.

10.4.1.3 Excepciones reales

Como la receta numérica se corrige a sí misma en respuesta a nuevos datos, las modificaciones manuales diarias de las decisiones para SKU individuales dejan de ser necesarias. La vigilancia del gestor de flujos se centra, en cambio, en acontecimientos realmente anormales: casos tan alejados de las reglas de la receta que producirían decisiones incompatibles con la realidad. Por ejemplo, si un proveedor clave cierra una planta durante dos semanas tras un fallo técnico imprevisto, el gestor identifica una perturbación importante. En lugar de modificar cientos de líneas de reposición, eleva la cuestión: «El tiempo de entrega del proveedor A se duplica en la práctica este mes, y solo habrá envíos parciales». El Scientist codifica el cambio, la receta vuelve a ejecutarse y todo el sistema se reajusta en consecuencia, desde las cantidades de reposición revisadas hasta otros transportistas, si hace falta. En el antiguo enfoque manual, un suceso así provocaría días de cadenas frenéticas de correos y cambios puntuales en hojas de cálculo de varias regiones. Ahora se trata como un único cambio en la lógica.

Este cambio de foco reduce la fricción en toda la organización. El gestor de flujos ya no necesita defender, línea por línea, cómo llegó a ciertas cantidades de reposición. Puede examinar la forma más amplia de los picos de demanda o las restricciones de suministro. Si ciertos artículos incumplen sistemáticamente las expectativas de servicio, la pregunta no es «¿por qué repusiste tan poco la semana pasada?», sino «¿cómo podemos reformular los factores de coste o los supuestos sobre plazos operativos para que la receta capte la volatilidad de este artículo?». Los problemas reales se resuelven rápidamente; las viejas pautas de «basta con subir la previsión» se desvanecen.

10.4.1.4 Estratega, enlace y auditor

Con el tiempo, el rol rebautizado como gestor de flujos se sitúa en la intersección de tres misiones fundamentales. Primero, se convierte en estratega: ya no atrapado en la monotonía diaria de la reposición, refina la lógica financiera subyacente, destaca futuras ampliaciones —nuevos almacenes o líneas de productos— y propone extender el alcance automatizado. Segundo, actúa como enlace: se comunica con ventas, marketing y compras para recoger novedades que el sistema automatizado aún no ha captado. Por último, actúa como auditor: comprueba por muestreo las salidas del sistema en busca de casos atípicos, investiga anomalías y verifica que los supuestos de costes o plazos operativos sigan correspondiendo a las condiciones reales.

Ninguna de estas misiones se parece a la rutina clásica de ajustar cada mañana las existencias de seguridad en una hoja de cálculo. Esa vieja pauta se sustituye por ciclos de mejora continua. Cada ciclo amplía la cobertura de la automatización —incorporando nuevas familias de productos, canales o restricciones— o la profundidad del modelo —introduciendo mejores aproximaciones de los costes de expedición, nuevas reglas de producción por lotes o estructuras de penalización más matizadas para las entregas tardías—. El antiguo planificador, liberado de tareas administrativas, es clave para descubrir qué ampliaciones importan más.

10.4.1.5 El resto del equipo

Cuando el gestor de flujos dedica su energía al trabajo estratégico de enlace, los antiguos roles de «planificadores sénior» o «coordinadores de producción» también deben adaptarse. En las organizaciones que se aferran a estructuras anteriores, varios empleados pueden seguir intentando reproducir las decisiones diarias fuera del sistema. Esta duplicación solo reintroduce confusión: nunca hay dos hojas de cálculo que se reflejen perfectamente. Pero, en las organizaciones que aceptan el cambio, los empleados antes especializados en la reposición manual pueden convertirse en expertos de un ámbito. Pueden concentrarse en complejidades concretas, como asegurar que el transporte de materiales peligrosos cumpla normativas precisas o conseguir acuerdos más sólidos de mejora de los tiempos de entrega con los socios logísticos.

Además, aunque las reuniones de S&OP o de colaboración sobre previsiones puedan desaparecer en su forma tradicional, algunos canales de comunicación permanecen. La diferencia es que ya no giran en torno a «retocar» previsiones. Se centran en conectar la lógica de la receta con la primera línea del negocio: debatir nuevas aperturas de tiendas, próximas retiradas de líneas de productos, recargos inesperados en materias primas o estrategias de protección de marca que, si no se codifican, dan lugar a salidas diarias subóptimas. Cada conversación se apoya en la misma lógica integrada que dirige todas las decisiones, y los participantes hablan de ajustar factores reales en lugar de regatear sobre quién tiene la previsión correcta.

En suma, a medida que la automatización se afianza, el rol del planificador pasa de la microgestión diaria al de un gestor de flujos con capacidad de actuación. Al asumir la responsabilidad de captar las realidades operativas, tanto sutiles como drásticas, el antiguo planificador convertido en gestor asegura que el proceso mecánico de decisión siga siendo preciso, oportuno y cada vez mejor. Libre de las tareas de hojas de cálculo, su conocimiento se amplía para servir a toda la red, desde los socios de suministro hasta la fabricación interna, y forja sinergias más profundas de las que permitían las antiguas rutinas.

10.4.2 El Supply Chain Scientist

El Supply Chain Scientist tiene una responsabilidad singular: trasladar las realidades económicas cambiantes de la organización a una receta numérica que dirija el flujo diario de bienes. Cuando la empresa se compromete a sustituir amplias partes de la planificación manual por decisiones automatizadas, el Scientist se convierte en la pieza central del proceso. Este rol se diferencia de los puestos tradicionales de análisis empresarial o elaboración de previsiones porque exige tanto la responsabilidad de principio a fin de la receta como la rendición de cuentas directa por la rentabilidad. En lugar de limitarse a mejorar la visibilidad o producir artefactos numéricos, el Scientist busca entregar decisiones correctas, que se ajusten por sí mismas y en las que se confíe en producción día tras día.

10.4.2.1 El enlace con TI

Desde el punto de vista técnico, el Scientist se sitúa en la frontera entre los sistemas y los datos de la empresa. Pero sería un error tratarlo como parte de la función de TI. Debe tener libertad para concentrarse en modelizar las decisiones de supply chain, no en pelear con una letanía de tareas de integración de datos en las que TI ya está especializado. El Scientist sí depende de una canalización estable de registros sin procesar: extractos sin filtrar de transacciones, inventarios, condiciones de proveedores y similares. Sin embargo, una vez establecida esa canalización, su misión pasa a codificar nuevos conocimientos y restricciones que reflejen las condiciones de la supply chain. El equipo de TI, por su parte, sigue a cargo de las extracciones de datos y de la infraestructura.

Esta división de responsabilidades beneficia a ambas partes. El Scientist no agrava la lista de tareas pendientes de TI con exigencias interminables de transformaciones especializadas; el responsable de datos de TI entrega instantáneas diarias neutrales de los sistemas de origen y deja que el Scientist se ocupe de todos los refinamientos en la receta. Mientras tanto, el departamento de TI puede concentrarse en su cometido operativo más amplio: mantener la estabilidad de las aplicaciones clave y asegurar que todas las bases de datos y fuentes aguas arriba sigan funcionando correctamente. Cuando surge un problema —un cambio de nombre de tabla en el ERP o una exportación nocturna fallida—, ambas partes cooperan rápidamente: TI resuelve el fallo de la canalización y el Scientist retoma las operaciones normales con los datos actualizados. No hay fricción ni confusión sobre quién «se hace cargo» de la lógica de transformación o qué cambios se introdujeron por el camino.

10.4.2.2 Sobre finanzas

Un corolario del cometido del Scientist es la necesidad de integrar profundamente las restricciones financieras en las decisiones diarias. Los factores de coste —tarifas de transporte, límites de capital circulante u objetivos de margen— no pueden seguir siendo ideas abstractas flotando en presentaciones. Exigen un tratamiento numérico explícito para que cada asignación ancle las disyuntivas en realidades monetarias auténticas. Por tanto, el Scientist coopera con finanzas no por formalidad, sino por necesidad: si las próximas campañas promocionales alteran los márgenes esperados, o si nuevas restricciones de capital impiden ciertos niveles de inventario, la receta debe actualizarse en consecuencia.

Estos intercambios con finanzas ocurren con más regularidad de la que podría suponerse. Durante la implantación de la iniciativa, el Scientist suele mantener una serie de reuniones breves en las que presenta cómo los supuestos actuales de costes —como los gastos indirectos de almacenamiento o las penalizaciones por transporte urgente— se traducen en decisiones diarias. Finanzas puede detectar inexactitudes ocultas, como un cargo de manipulación pasado por alto en entregas en grandes cantidades o una oportunidad desaprovechada de incorporar con mayor precisión los tramos de descuento. Corregir estos detalles puede llevar la solución de un óptimo local ingenuo a decisiones que reflejen mejor el efecto real sobre la cuenta de resultados de la empresa. Así se mantiene la automatización financieramente «afinada»: ninguna partida presupuestaria ni centro de beneficios queda a merced de conjeturas.

Con el tiempo, incluso cuando la receta ya ha madurado, los grandes cambios operativos o estratégicos siguen provocando nuevas rondas de modelización. Una directriz de alto nivel —como reducir el coste de capital o disminuir la exposición a una clase de riesgos— pasa por finanzas hasta el Scientist, que la traduce en funciones de penalización, descuentos o reglas de abastecimiento revisados. El efecto aparece poco después en las salidas diarias, manteniendo armonizadas las finanzas de la empresa y su supply chain cotidiana.

10.4.2.3 Sobre el liderazgo

Aunque el Scientist no es el director general ni el patrocinador ejecutivo, ocupa un lugar decisivo en la mesa cuando la alta dirección modifica las prioridades estratégicas. En cuanto cristaliza el nuevo rumbo —entrar en un nuevo país, relocalizar actividades en países cercanos o favorecer un servicio superior para ciertas líneas de productos—, la receta numérica debe codificar esas prioridades. Sin esta alineación rápida, las decisiones mecanizadas permanecen atrapadas en una lógica anticuada.

Puede bastar una conversación directa y breve con la alta dirección una o dos veces al año. Su finalidad no es examinar cambios minúsculos del código, sino confirmar que el Scientist comprende el panorama general. Si la empresa busca expandirse más rápido, pero usar el capital con mayor rigor, el Scientist puede reflejarlo restringiendo los presupuestos de inventario de artículos de menor rotación o introduciendo penalizaciones más altas por el transporte de emergencia. Las salidas diarias de la receta cambian así donde influirán en el resultado económico. Como el código no tiene estado, no persisten estados que obstaculicen la transición. Una semana después de la nueva directriz de la dirección, la supply chain podría estar produciendo ya pedidos de compra alineados con esos imperativos estratégicos.

Esta pauta de adaptación rápida demuestra cómo surge la coherencia estratégica de la base mecánica de la supply chain: cuando cambian los supuestos del código, también cambia cada decisión pertinente. Donde un proceso manual exigía meses de formación gradual de decenas de planificadores, aquí una única actualización se extiende instantáneamente a toda la gama de productos o red de instalaciones.

10.4.2.4 Más de dos Scientists

En muchas empresas medianas, un solo Supply Chain Scientist —más un segundo por redundancia— puede cubrir flujos completos de decisiones. Pero, a medida que la iniciativa crece —añadiendo líneas de productos o profundizando en problemas avanzados de producción o distribución—, pueden hacer falta más Scientists. Gestionar un equipo mayor exige un enfoque más riguroso de la estructura de la receta.

El primer principio es mantener la mayor cantidad posible de lógica compartida en una base de código unificada. Cada Scientist puede encargarse de subámbitos distintos —uno se centra en las restricciones de compras y otro en la programación de la producción—, pero todos colaboran sobre un único diseño. Igual que los ingenieros de software se apoyan en el control de versiones y las revisiones de código, los Scientists adoptan prácticas similares para coordinar los cambios diarios y asegurar que una mejora en un ámbito no vulnere inadvertidamente las restricciones de otro.

Lo crucial es que los Scientists siguen siendo, ante todo, expertos en supply chain. No se les contrata para perseguir innovaciones abstractas de machine learning. Si organizan revisiones de código, el objetivo no es crear una canalización especializada de TI, sino mantener unas decisiones diarias coherentes y sin errores. Cada Scientist aprende el razonamiento que hay detrás de las principales líneas de código: el «porqué» y el «qué». Un manual de referencia¹⁶³ puede resultar inestimable para registrar las motivaciones estratégicas de cada regla. Cuando un Scientist se marcha o llega una nueva incorporación, la transferencia de conocimiento es más fluida y evita al grupo redescubrir los entresijos de los supuestos de costes o de las restricciones de casos límite.

Al gestionar así las ampliaciones, el equipo de Scientists puede crecer de forma ordenada sin perder el ritmo de iteración diaria. Por mucho que crezca la empresa, cada aspecto —desde nuevas estructuras de descuentos hasta previsiones de plazos operativos más refinadas— puede abordarlo el Scientist correspondiente e integrarse después, ordenadamente, en la receta principal.

10.4.2.5 Un foco estricto

Aunque programan mucho, los Scientists no son desarrolladores de software subordinados. Su éxito se mide por el efecto real de las decisiones diarias: menores desajustes de inventario, márgenes más altos o una adaptación más rápida a condiciones anormales. No desaparecen en la lista de tareas pendientes de TI ni son un equipo genérico de «ciencia de datos» que persigue referencias efímeras de precisión. Mantienen, en cambio, un foco nítido en cambios aplicables que reordenan el flujo de bienes para servir mejor a los objetivos estratégicos y financieros.

Este anclaje en lo tangible los distingue de los departamentos que viven de cuadros de mando o análisis trimestrales. El Scientist debe dar repetidamente pequeños pasos deliberados con el código cada vez que cambia el entorno y verificar en producción los resultados de cada día. La sinergia con TI es esencial, pero queda acotada en la frontera de la extracción de datos. La sinergia con finanzas persiste y garantiza que los factores de coste sigan siendo creíbles incluso cuando cambia el mercado. Y la sinergia con la alta dirección se estrecha, permitiendo que el proceso automatizado refleje con rapidez cualquier nuevo rumbo que adopte la empresa.

Al interiorizar estas realidades, las empresas comprenden que el rol del Scientist no es efímero ni prescindible cuando termina el «proyecto de automatización». Igual que el gestor de flujos sustituye al planificador manual en las tareas cotidianas, el Scientist sustituye una maraña de soluciones parciales por un enfoque codificado y en evolución. La necesidad de actualizaciones estratégicas nunca cesa, y el Scientist está preparado para incorporar cada cambio a la lógica mecánica. Esta interacción continua es la que mantiene a una supply chain permanentemente pertinente y vinculada a factores económicos reales.

El Scientist es, en definitiva, un nuevo tipo de profesional que contribuye a las operaciones empresariales, cuya orientación no es puramente técnica ni puramente directiva, sino una unión de ambas. Su autoridad no procede de ninguna jerarquía directiva formal, sino de la precisión y la adaptabilidad cotidianas de su código. En la sección siguiente examinamos con más profundidad las trampas habituales que afectan a la «ciencia de datos» en contextos empresariales y por qué los verdaderos Supply Chain Scientists deben ir más allá del cálculo superficial de cifras para alcanzar un éxito duradero.

10.4.3 La empresa en su conjunto

Toda iniciativa que reformula las decisiones de supply chain, por muy preciso que sea su alcance inicial, presiona inevitablemente sobre el tejido empresarial en su conjunto. La receta numérica no puede operar de forma aislada: sus salidas diarias deben reflejar las restricciones, los objetivos y las estructuras de costes de múltiples departamentos, muchos de los cuales han mantenido tradicionalmente procesos locales desconectados de preocupaciones más amplias. Aunque las secciones anteriores mostraron cómo estructurar la iniciativa en torno a un Supply Chain Scientist, el responsable de datos, el gestor de flujos y el patrocinador ejecutivo, el resto de la empresa también debe aprender a interactuar con este nuevo proceso de decisión y, en última instancia, a confiar en él. Sin un marco unificador, las presiones locales y a corto plazo de ventas, marketing, compras u otras áreas amenazan con anular o socavar el resultado mecánico.

Sin embargo, la verdadera fortaleza de la receta reside precisamente en reunir cada factor pertinente y expresarlo a diario, sin sesgos ocultos ni supervisión fragmentada. Para que eso ocurra, cada departamento debe renunciar a la tentación de mantener sus propias hojas de cálculo confidenciales y procesos en la sombra. Debe, en cambio, declarar abiertamente sus restricciones y estructuras de costes para que el Scientist pueda codificarlas directamente. Aquí es donde la alta dirección, y en particular el máximo ejecutivo o director general, debe intervenir con decisión. El director general no es ni puede ser el árbitro último de los factores económicos: esos detalles son demasiado minuciosos para la máxima dirección. Es, en cambio, quien tiene la última palabra sobre qué departamento responde por cada factor y quien asegura que esos responsables cooperen con el Scientist en lugar de intentar eludir el sistema. Si finanzas afirma que ciertos costes de capital deben fijarse a una tasa concreta, esos costes pasan a ser la referencia reconocida. Si compras estipula que un proveedor estratégico determinado debe quedar a salvo de recortes en los volúmenes de pedido, esa elección se modeliza explícitamente. La política debe proceder del departamento pertinente, pero, una vez confirmada, deja de existir como regla no escrita y queda anclada en la lógica de decisión diaria.

Este mecanismo puede resultar chocante para departamentos que antes ajustaban sus cifras a capricho. Cuando un responsable de marca descubre que un producto popular no aparece en el próximo plan de pedidos, puede temer una pérdida de ingresos o cuota de mercado. En el enfoque antiguo podía apresurarse a modificar la cantidad de reposición en una hoja de cálculo, beneficiara o no realmente al resultado económico de la empresa. En el nuevo sistema, si considera que omitir el producto causa un daño reputacional que supera con creces cualquier consideración de beneficio a corto plazo, la vía correcta es elevar ese factor para que su coste financiero o penalización se codifique en la receta. El objetivo no es «culpar» al proceso mecánico por ignorar un imperativo de marca; es incorporar ese imperativo —expresado como penalización por faltantes de stock o como prima por una disponibilidad que refuerce la marca— a los factores económicos. A partir de entonces, las decisiones diarias que antes generaban fricción se alinearán de forma natural con la prioridad del responsable de marca, siempre que siga siendo verdaderamente importante para la estrategia global de la empresa.

Con marketing surgen tensiones similares cuando una promoción queda fuera del plan final o cuando un producto destacado resulta apenas rentable y recibe una prioridad baja de reposición. Si el equipo de marketing tiene pruebas de que una promoción aumentará la venta cruzada de otros artículos, debe mostrar cómo los ingresos adicionales o el valor de marca se traducen en un beneficio económico. Una vez explicitado ese beneficio adicional, el Scientist lo incorpora al código. Esas preocupaciones de marketing dejan de resolverse mediante modificaciones de última hora o «ajustes finales de previsión»; pasan a formar parte del proceso mecánico diario, como una variable abierta y documentada que puede revisarse si la respuesta del mercado demuestra que la promoción no generó la venta cruzada esperada. Explicitar de este modo factores antes tribales o intangibles obliga a cada departamento a decidir si un deseo local es una corazonada pasajera o una realidad económica vital. En efecto, se trata de una dinámica de teoría de juegos: cada departamento ve que la cooperación parcial —como insinuar una demanda inflada para asegurarse inventario— ya no le proporciona ventaja. La receta final comprueba a diario todas las restricciones; si un coste o un beneficio no se declara, no se reconoce. La función de la alta dirección es asegurar que cada ámbito exponga sus costes y ganancias con honestidad, en lugar de manipular las cifras de demanda para obtener recursos a costa de otros.

Del mismo modo, compras puede sentirse inicialmente amenazado cuando la receta diaria dicta las líneas exactas de reposición y sus momentos, sustituyendo en la práctica las negociaciones manuales que algunos compradores consideraban su principal aportación. Sin embargo, la función de compras sigue siendo indispensable para revelar qué proveedores ofrecen una calidad fiable, cuáles imponen condiciones ocultas y de cuáles puede convenir prescindir en favor de nuevas estrategias de abastecimiento. El equipo de compras no necesita eclipsar al sistema ni volver a acuerdos paralelos; gana más influencia al expresar claramente las restricciones de los proveedores. ¿Existen tamaños mínimos de lote, tarifas especiales de entrada para los envíos parciales o descuentos por fidelidad al proveedor? Cada matiz es una pieza del rompecabezas económico. Una vez codificado, determina las salidas de la receta, de modo que compras influye en las decisiones diarias mediante reglas estables y racionales, no mediante repetidas correcciones manuales.

La misma lógica se aplica a los equipos de ingeniería y a los diseñadores de productos que desean incorporar nuevos componentes o ajustar listas de materiales. Antes, una modificación de diseño podía pillar desprevenida a planificación y causar faltantes de última hora al haberse pasado por alto la nueva pieza especificada. Ahora, el proceso mecánico diario señala de inmediato cualquier pieza desconocida y revela que el nuevo artículo carece de referencias de coste o plazos operativos. El equipo de diseño ya no puede introducir cambios inadvertidamente: debe colaborar con el Scientist para definir cómo el nuevo componente altera las restricciones de producción o los costes indirectos. Esta colaboración obligada evita a la empresa desajustes silenciosos de suministro que antes parecían «inevitables».

Incluso finanzas —acostumbrado desde hace mucho a ver la supply chain como un centro de costes separado de las prioridades de marca o marketing— se ve obligado a aclarar cómo las restricciones de liquidez y los objetivos de capital circulante se trasladan a las cantidades diarias de reposición. Si quiere que ciertas líneas funcionen con reservas mínimas de stock o señala cambios en las valoraciones del inventario, esas actualizaciones se convierten en modificaciones inmediatas del código. Las salidas diarias ya no reflejan solo una previsión y un margen estándar: expresan la postura actual de finanzas sobre el uso del capital. Cuando un alto directivo se pregunta por qué se han reducido ciertas SKU, existe una conexión directa entre las restricciones de finanzas y las decisiones automatizadas, y entre el código del Scientist y las restricciones de finanzas. No hacen falta modificaciones arbitrarias ni reuniones interminables sobre previsiones; todos ven la causa y el efecto.

En un entorno así, rara vez se plantea la cuestión de la culpa. Si aparece en los estantes una escasez inesperada de una SKU en promoción, marketing cuestionará la receta numérica, no para socavarla, sino para comprobar si se incluyó correctamente el efecto de la promoción. El Scientist, a su vez, comprobará si marketing reveló realmente toda la información pertinente, como el riesgo adicional para la marca o las ganancias de venta cruzada. Si no lo hizo, el remedio será un supuesto de coste nuevo o revisado. Con el tiempo, estas interacciones entre departamentos pasan de escaramuzas cargadas de fricción a actualizaciones constructivas de los parámetros de la receta. Este modelo de colaboración solo prospera si la alta dirección, desde el director general hacia abajo, respalda el proceso y se opone con firmeza a reintroducir manipulaciones manuales cada vez que un departamento esté insatisfecho con un resultado.

Cuando cada departamento ve que la alineación procede de ajustar supuestos compartidos, no de ignorar o modificar las salidas mecánicas, comprende que las decisiones mecanizadas se han convertido en la única fuente de referencia para las operaciones diarias. Esa fuente única no es rígida ni difícil de manejar: se adapta en cuanto un factor de coste, restricción o margen demuestra ser pertinente. Se niega a incorporar conjeturas efímeras a medio cocinar. Esta dinámica puede resultar desconcertante en los primeros meses, cuando los empleados descubren que ya no pueden arreglar discretamente una cifra incómoda en sus hojas de cálculo. Pero, tras un ciclo completo —a menudo uno o dos trimestres—, las personas reconocen que surgen menos emergencias, estallan menos guerras de territorio y la supply chain se percibe más coherente.

La iniciativa se convierte en algo más que una mejora de la supply chain: es un mecanismo de sinergia continua entre departamentos. Cada ámbito de la empresa —marketing, compras, ingeniería, finanzas y operaciones— ve que la mejor forma de asegurar sus prioridades en los flujos diarios es expresarlas abiertamente y confiar después en que el proceso mecánico las ejecute de forma coherente. La función del director general es asegurar que cada ámbito responda de verdad por los costes o beneficios que declara y respaldar el código final del Scientist como el canal a través del cual esas declaraciones reformulan las decisiones. Cualquier cosa inferior genera duplicaciones o resistencias que diluyen las ganancias del nuevo sistema.

Con el tiempo surge una cultura en la que nadie combate las cifras diarias de la receta mientras reflejen factores correctamente declarados. Si marketing considera infravalorados los costes de marca, plantea formalmente la cuestión. Si compras observa que ha mejorado la fiabilidad de un proveedor, actualiza la penalización por faltantes de stock o los tiempos de entrega esperados. Todos comprenden gradualmente que las maniobras de juego —como inflar las previsiones— ya no dan ventaja, porque la receta contrasta todo con datos reales. El impulso compartido es refinar los supuestos numéricos, no sabotearlos.

Este giro hacia una orquestación única, diaria y mecánica puede parecer drástico en empresas que llevan mucho tiempo dependiendo de la autonomía departamental. Los beneficios incluyen fuertes reducciones del trabajo de apagar incendios, una sinergia más profunda entre marca, marketing y operaciones, y un vínculo más estable entre las ambiciones estratégicas y la ejecución sobre el terreno. En cuanto cada departamento acepta que debe dar forma a las entradas, en vez de modificar las salidas, la iniciativa alcanza la colaboración de toda la empresa esencial para el éxito a largo plazo.

11 Estancamiento

La supply chain, tal como se aborda en este libro, es una intención que se ejecuta mediante decisiones; la afirmación concreta de este capítulo es que, como disciplina, la supply chain se ha estancado en gran medida. No porque las mercancías no se muevan —se mueven—, sino porque las decisiones de las empresas sobre qué mover, cuándo, dónde y en qué cantidad no han seguido el ritmo de cuatro décadas de avances en computación. La postura dominante sigue siendo administrativa: las personas concilian excepciones producidas por un software que registra hechos y narra el pasado, pero rara vez hace apuestas.

Por estancamiento entendemos una inmovilidad operativa disfrazada de movimiento. Los registros son digitales y omnipresentes; los informes se actualizan cada minuto; los almacenes de datos crecen; proliferan las siglas y los cuadros de mando. Sin embargo, los mecanismos centrales de la asignación siguen siendo muy parecidos a los de mediados de la década de 1980: previsiones puntuales tratadas como certezas, reservas vinculadas a objetivos de servicio arbitrarios, sucedáneos de la decisión de reposición incorporados a cadencias semanales y un torbellino diario de aprobaciones. Los ordenadores sirven como sistemas de registro y de informes y, donde aparece la «automatización», suele ser un teatro de alertas —listas que devuelven los casos difíciles a los humanos—, en lugar de un sistema de inteligencia que emita sin intervención humana compromisos auditables.

Esta inmovilidad tiene un coste. Suprime sistemáticamente lo que mueve el dinero: la variabilidad de colas pesadas, los acoplamientos a través del tiempo y el espacio y el valor de la opción de esperar. Los promedios sustituyen a las distribuciones; los indicadores de rendimiento locales sustituyen a la economía; la ley de Goodhart convierte discretamente las medidas en objetivos. El resultado es un equilibrio administrativo que asegura la continuidad mediante reservas y horas extra, mientras deja escapar dinero en tiempos normales y flaquea bajo presión.

Nada de esto es inevitable. Los capítulos anteriores han reunido los instrumentos que faltan: visiones probabilísticas del futuro en lugar de sucedáneos puntuales; valoraciones en unidades monetarias a escala de la empresa; y sistemas de inteligencia que recalculan dentro de marcos, valoran las disyuntivas y escriben las decisiones en los sistemas de origen sin intervención humana, protegidos por heurísticas de parada, expedientes convertidos en caja blanca y optimización experimental con ejecución en paralelo. Cuando se adoptan estas herramientas, los mismos activos producen mejores flujos porque cambian las decisiones.

Lo que sigue es a la vez una síntesis y una acusación. El campo no se limitó a no acelerar al ritmo de la computación moderna; se instaló en un equilibrio estable y mediocre sostenido por incentivos que recompensan las narraciones por encima de la emisión de decisiones: rompecabezas académicos, proveedores que rebautizan los registros y los informes como «planificación», ceremonias de consultoría y una «ciencia de datos» interna que se queda en las conclusiones analíticas. La trampa organizativa —la condición de segunda clase de la supply chain y su subordinación a TI central— afianza esta situación.

Esta doble imagen —un flujo que sigue entregando y una disciplina que permanece inmóvil— plantea la paradoja que sigue.

11.1 La paradoja del éxito

Las supply chains se celebran por su fiabilidad. Las mercancías cruzan fronteras a diario; las estanterías de las tiendas rara vez permanecen vacías durante mucho tiempo; las empresas presentan resultados sólidos mientras amplían sus redes. Si se juzga por los resultados visibles, el campo parece vigoroso y resiliente.

Sin embargo, este éxito externo oculta un bloqueo más profundo. A lo largo de décadas de avances extraordinarios en computación, la mayoría de las organizaciones han tratado los ordenadores como registros y cuadros de mando, no como motores de decisión. Lo que pasa por «automatización» suele ser una cascada de excepciones que los humanos deben conciliar; lo que pasa por «planificación» sigue siendo una mezcla frágil de previsiones deterministas, sucedáneos de la decisión de reposición e intervenciones manuales, apenas revestida de interfaces modernas. La continuidad se compra menos con inteligencia diseñada mediante ingeniería que con reservas, redundancia y vigilancia administrativa.

Esta es la paradoja: la entrega fiable a gran escala coexiste con la inmovilidad intelectual. Otros ámbitos han convertido la computación barata en toma de decisiones sin intervención humana; la supply chain se ha limitado en gran medida a reenvasar las rutinas de ayer. Las innovaciones tan pregonadas son cosméticas —nuevas siglas para viejos artefactos, nuevas pantallas para viejos hábitos—, mientras que el núcleo sigue siendo una conciliación diaria de cifras mediada por humanos.

El coste de esta inmovilidad rara vez aparece en la instantánea de un día porque el flujo sí «entrega». Se vuelve evidente durante las perturbaciones —cambios bruscos de demanda, interrupciones del transporte—, cuando flaquean unos procesos diseñados para el cumplimiento y no para adaptarse a la incertidumbre. Más dañina es la sangría silenciosa y acumulativa de los tiempos normales: existencias de seguridad desmesuradas, opciones infrautilizadas y miles de horas dedicadas a mantener hojas de cálculo en lugar de mejorar las decisiones. Se adquiere software caro, pero rara vez eleva la calidad de las decisiones; su «automatización» degenera en un teatro de alertas que devuelve las partes difíciles a las personas. Más insidioso que cualquier fallo visible es el creciente coste de oportunidad: cada día en que la variabilidad se trata como una molestia en vez de valorarla y aprovecharla es un día en que el excedente que podría obtener la computación moderna simplemente se evapora.

Los capítulos anteriores esbozaron remedios que ya existen: visiones probabilísticas del futuro, valoraciones ancladas en la economía y sistemas de inteligencia que emiten a diario, sin intervención humana, decisiones auditables, mejoradas continuamente mediante la optimización experimental. El propósito aquí no es volver a defender esos instrumentos, sino explicar por qué un campo que podría adoptarlos en gran medida no lo ha hecho. La siguiente sección rastrea las raíces de este equilibrio —las modas académicas, la economía de los proveedores, el teatro de la consultoría y el gobierno corporativo— que mantienen estable y mediocre una función cuya centralidad está demostrada.

11.2 La complejidad del mundo real

Invocar la «complejidad» se ha convertido en una excusa ritual para la práctica mediocre. El problema no es que las supply chains sean complicadas —nuestro primer capítulo ya distinguió lo esencial de lo accidental—, sino que la mayoría de las organizaciones reducen lo que importa económicamente a un puñado de sucedáneos. Las previsiones puntuales sustituyen a la incertidumbre; un único «nivel de servicio» suplanta al beneficio; los plazos operativos medios borran las colas que causan el daño. El resultado no es un modelo del flujo, sino una caricatura sedada de él.

La simplificación no es un vicio cuando conserva las asimetrías que mueven el dinero; es un defecto cuando las borra. La variabilidad y la opcionalidad son las materias primas del beneficio. Cuando una representación suprime las colas pesadas, las correlaciones, la agrupación en lotes o los efectos trinquete que condicionan las opciones de mañana, deja de guiar las decisiones: oculta lo que está en juego.

Lo que sigue no es otra taxonomía del fracaso, sino una escena concreta. Un pequeño episodio operativo lo ilustra con nitidez. También enlaza con el método que rompe sistemáticamente los bloqueos sobre el terreno: la optimización experimental (véanse los capítulos Decisiones, Ingeniería y Despliegue).

11.2.1 Una escena operativa

Consideremos un episodio cotidiano. Un minorista nacional opera dos centros de distribución regionales, cada uno con una capacidad nominal de recepción de cuarenta contenedores al día. Compras trabaja con una cadencia semanal ajustada a las MOQ y a las bonificaciones de los proveedores; el sistema de planificación calcula puntos de reposición a partir de previsiones puntuales y plazos operativos medios; los KPI del almacén siguen la utilización de los muelles y la rotación; las tiendas se juzgan por la «disponibilidad en estantería». No hay ningún villano, solo objetivos locales sensatos.

Cada lunes llegan entre sesenta y setenta contenedores al centro de distribución Oeste. Las entradas se saturan al mediodía; los camiones esperan; aumentan los cargos por demora; parte de la carga se traslada al martes y el remanente llega hasta el miércoles. Mientras tanto, a mitad de semana aparecen huecos en las estanterías de las tiendas para SKU de la cola larga que el lunes estaban «en tránsito» en grandes cantidades, pero que físicamente solo podían recibirse el miércoles. Ningún cuadro de mando miente: el servicio parece correcto en promedio semanal; se ha aprovechado la escala de bonificaciones; la utilización de los muelles ha alcanzado un máximo; la rotación del inventario se mantiene. Sin embargo, el dinero se escapa por todas partes —camiones parados, horas extra, faltantes de stock transitorios— mientras la organización se felicita por «alcanzar los objetivos».

No hace falta ninguna sutileza para corregir el panorama; lo que hace falta es reconocerlo. Se introdujo, en ejecución en paralelo, una receta numérica ligera: plazos operativos como distribuciones con colas derechas pesadas; un precio sombra para la saturación de los muelles que aumenta de forma no lineal por encima de cuarenta contenedores al día; MOQ de los proveedores como penalizaciones en lugar de mandatos; y, de manera crucial, una evaluación diaria de los pedidos sin obligación de pedir a diario. El motor podía emitir «no hacer nada todavía» siempre que el valor de la opción de esperar superase el rendimiento esperado ajustado al riesgo.

El primer día se activó la parada ante una decisión disparatada: una entrada prevista de cuarenta y ocho contenedores el lunes para un muelle con capacidad de cuarenta. Los expedientes expusieron los factores, valorados en unidades monetarias, y se eliminó el defecto: los lotes semanales se sustituyeron por liberaciones escalonadas que conservaban las bonificaciones y al mismo tiempo nivelaban las entradas. En cuatro semanas de ejecución en paralelo, los cargos por demora y las horas extra de recepción disminuyeron notablemente; los huecos de mitad de semana en las estanterías para las SKU de cola larga se redujeron sin aumentar el capital circulante; se siguieron aprovechando las bonificaciones. Sin heroicidades ni grandes reorganizaciones: los mismos activos, los mismos proveedores, las mismas tiendas; solo cambiaron las decisiones.

La lección no es que «los lunes sean malos». Es que la complejidad real era económica y temporal, no algebraica. Los promedios ocultaban las colas; un único indicador de servicio ocultaba beneficios heterogéneos; las «restricciones» rígidas se volvieron elásticas al asignarles un precio. Los ordenadores no hicieron nada que los planificadores humanos no pudieran hacer en principio: simplemente lo hicieron para miles de microopciones cada día, sin fatiga, haciendo aflorar en términos monetarios las fricciones pertinentes.

11.2.2 Máximo local

El episodio muestra por qué persisten los equilibrios mediocres. Cada función se había instalado en una colina defendible: compras, en las bonificaciones y las MOQ; los almacenes, en la utilización; las tiendas, en la disponibilidad; finanzas, en la rotación. Las colinas eran reales; la montaña estaba en otra parte. Los intentos de «optimizar» cualquiera de ellas por separado no hacían más que trasladar el dolor. Este es el carácter intrincado descrito en el primer capítulo: los objetivos se acoplan a través del tiempo y el espacio, y las medidas se convierten en metas en cuanto el sustento de las personas depende de ellas.

Escapar de un máximo local no requiere un manifiesto, sino una forma segura y mecánica de probar mejores decisiones y conservarlas cuando resultan rentables. La optimización experimental proporciona exactamente eso: ejecutar en paralelo sobre las extracciones al cierre del día; detenerse rápidamente ante decisiones disparatadas; exponer los factores en unidades monetarias; promover solo cuando se haya medido una mejora; revertir a bajo coste. Como el método valora las disyuntivas a escala de la empresa, disuelve muchas «restricciones» inventadas en penalizaciones y convierte los vetos departamentales en parámetros ajustables y auditables.

En la práctica, la barrera rara vez es la física; es la narración. Mientras los promedios y los KPI individuales narren el éxito, el equilibrio parece aceptable. Sustitúyase esa narración por compromisos diarios, auditables y valorados en unidades monetarias, y las supuestas «restricciones» se revelan como lo que son: elecciones. La siguiente sección examina por qué las instituciones que deberían afinar esas elecciones —el mundo académico, los proveedores, los consultores— enseñan tan a menudo promedios y KPI en su lugar.

11.3 Por qué se mantiene el equilibrio

Las malas ideas no necesitan perturbaciones para sobrevivir. Una supply chain puede seguir siendo funcional mientras sus métodos se quedan atrás. El equilibrio persiste porque los incentivos son débiles y están desalineados: cada actor que contribuye a configurar la disciplina obtiene una renta discreta por mantener las decisiones mediadas por humanos y permitir que se eluda su responsabilidad, mientras nadie cobra por la calidad económica de las decisiones emitidas sin intervención humana.

Estos equilibrios perduran porque superan un listón bajo. Los camiones siguen moviéndose, se aprovechan las bonificaciones, los cuadros de mando siguen en verde y nadie tiene que jugarse la carrera con una alternativa más audaz. En ausencia de una perturbación existencial, los beneficios locales de la inacción suelen superar los beneficios inciertos de rediseñar las decisiones. Mientras el aparato funcione suficientemente bien, la presión para cambiar sigue siendo débil.

Los mecanismos son banales. Los ciclos largos de retroalimentación diluyen la responsabilidad; los cuadros de mando sustituyen la economía por objetivos; los pilotos se escenifican donde el fracaso no puede hacer daño; las «excepciones» devuelven los casos más difíciles a los humanos, aislando así de la refutación una lógica frágil. En este entorno, la mediocridad se acumula discretamente. Lo que pasa por prudencia —alertas antes de actuar, «validación» manual, consenso en torno a una única previsión— se limita a conservar un ciclo administrativo que ni valora la incertidumbre ni aprende de ella.

Alrededor de este ciclo se sitúa una red de intereses que amortigua la presión para cambiar. El mundo académico recibe recompensas por los rompecabezas y las publicaciones, no por decisiones que resistan el contacto con los muelles y las horas límite; pule modelos estilizados fáciles de calificar y difíciles de llevar a la práctica. Los proveedores de software obtienen sus márgenes de las licencias por usuario, el almacenamiento y las actualizaciones de los sistemas de registro y de informes; la verdadera automatización reduciría los usuarios y eliminaría pantallas. Los consultores venden coreografías —talleres, matrices, «alineación»— cuyos entregables dejan intactos el código y la economía; el encargo termina, los rituales permanecen y se reanuda el flujo de hojas de cálculo. Los equipos corporativos de ciencia de datos, evaluados por proyectos y cuadros de mando, se quedan en las conclusiones analíticas; la responsabilidad del compromiso expresado en unidades monetarias recae en otra parte, junto con el incentivo para revisar las hipótesis cuando la realidad las contradice. Dentro de la empresa, la supply chain sigue siendo de segunda clase y estando subordinada a TI central: los presupuestos favorecen los registros que nunca fallan frente a los motores que deben decidir; el riesgo se define como desviarse de la plataforma, no como pérdida económica.

Los precios señalan estos incentivos con tanta claridad como en cualquier mercado. Los proveedores cobran por el acceso, no por la mejora; los consultores, por el esfuerzo, no por las ganancias; los académicos, por la novedad, no por la resiliencia; los equipos internos, por los artefactos, no por la emisión de decisiones. La ley de Goodhart hace el resto: en cuanto una métrica promete seguridad profesional, la organización optimiza esa métrica. La «precisión de las previsiones» mejora acortando los horizontes y engordando las reservas; el «nivel de servicio» sube con un inventario que nadie valora; se celebra el «cumplimiento del plan» mientras los camiones esperan en un muelle saturado.

La escena anterior es típica, no excepcional. Nada en la física impedía la acumulación semanal de entradas; persistía porque las medidas que regían cada silo —bonificaciones, utilización, disponibilidad— eran locales, mientras que los costes que desplazaban —demoras, horas extra, huecos a mitad de semana— se soportaban en otra parte. Donde nadie responde explícitamente de la economía de la decisión para el conjunto de la empresa, los equilibrios administrativos se enquistan como costumbre. El silencio de las ganancias y las pérdidas a escala de la microelección deja que narraciones como «mejores prácticas», «estándar del sector» o «un único conjunto de cifras» llenen el vacío.

Las secciones siguientes examinan a los principales sustentadores de este equilibrio. El apego académico a los rompecabezas publicables, los proveedores que rebautizan registros e informes como «inteligencia» mientras externalizan la inteligencia hacia los usuarios mediante el teatro de alertas, las ceremonias de los consultores repletas de palabras de moda que nunca llegan al código y el aislamiento de la ciencia de datos corporativa respecto de la responsabilidad contribuyen a un estado estable pero mediocre. La trampa organizativa —la condición de segunda clase de la supply chain y su subordinación a TI central— fija esta situación. Nada de esto requiere malicia. Basta con que los incentivos estén desligados de las decisiones emitidas sin intervención humana, auditables y expresadas en unidades monetarias. Hasta que se restablezca ese vínculo, el equilibrio se mantiene.

11.4 Quién lo sostiene

El bloqueo perdura no por malicia, sino por incentivos dispersos. Cuatro grupos, cada uno persiguiendo objetivos razonables desde su propia perspectiva, sostienen colectivamente un equilibrio estable pero mediocre: el mundo académico, los proveedores de software empresarial, los consultores y los programas corporativos de ciencia de datos. Cada grupo suministra algo que los demás demandan —rompecabezas publicables, plataformas comercializables, ceremonias que inspiran confianza y cuadros de mando de «conclusiones analíticas»—, mientras deja el acto diario de asignación donde lleva mucho tiempo: en manos de administrativos humanos que concilian excepciones.

La perspectiva adoptada aquí es de confrontación, no de hostilidad. Los capítulos anteriores ya han expuesto cómo es un progreso viable: emisiones sin intervención humana y auditables de decisiones valoradas en unidades monetarias. Con ese patrón de medida, podemos examinar cómo cada grupo, al seguir sus propios incentivos, perpetúa prácticas que nunca superan el listón.

Comenzamos por el mundo académico, cuya misión declarada —hacer avanzar el conocimiento— debería haberlo convertido en el antídoto natural contra el estancamiento. En cambio, mediante un persistente encuadre erróneo de la supply chain, ha aportado con demasiada frecuencia la retórica de la ciencia sin la sustancia de las decisiones emitidas sin intervención humana.

11.4.1 El mundo académico

Las universidades y las revistas prometen ciencia; la planta de producción recibe hojas de cálculo. La brecha no es una cuestión de gustos, sino de encuadre. Como se argumentó en Epistemología, la supply chain es economía aplicada: valora opciones bajo variabilidad para asignar recursos escasos de forma rentable. Reconvertirla en «matemáticas aplicadas» —un catálogo de rompecabezas ordenados con hipótesis convenientemente fijas— produce artículos que se leen bien y se trasladan mal a otros contextos. Lo que importa operativamente no es un teorema sobre un punto de reposición idealizado; es si un software desatendido puede convertir registros en compromisos auditables, expresados en unidades monetarias, que resistan el contacto con muelles, horas límite, bonificaciones y plazos operativos de colas pesadas.

Este encuadre erróneo explica por qué los resultados académicos predominantes se dejan sentir tan poco en la práctica. Los artefactos canónicos —previsiones puntuales, existencias de seguridad gaussianas vinculadas a objetivos de servicio, planes deterministas— suprimen exactamente lo que mueve el dinero: colas, correlaciones, agrupación en lotes y efectos trinquete que condicionan las opciones de mañana. Cuando estos artefactos se instalan en el software, reaparecen como teatro de alertas: la lógica frágil devuelve los casos difíciles a los humanos, que se convierten en la inteligencia de facto. La organización se felicita entonces por «seguir las mejores prácticas» mientras los planificadores continúan la conciliación administrativa que los ordenadores debían haber eliminado.

El filtro del rompecabezas agrava el problema. Es más fácil producir un artículo publicable cuando se simplifica el mundo hasta poder mostrar que una forma cerrada o un pequeño solver «optimiza» un juguete. Se añade una restricción más aquí, un índice más allá; se presentan resultados sobre instancias sintéticas o extracciones depuradas. Sin embargo, nada en este flujo de trabajo obliga a los autores a exponer sus premisas a la refutación sobre el terreno. En la empresa, el conocimiento solo se gana la confianza cuando hace apuestas —emite decisiones sin intervención humana— y mejora el beneficio. Sin emisión de decisiones, no se alcanza el listón, por elegantes que parezcan las matemáticas aisladamente.

El descuido de la semántica de los datos y de la ingeniería de software es igualmente revelador. Como se detalló en Información, los flujos modernos están mediados por sistemas de registro y de informes superpuestos, en los que el significado de los campos deriva y los «datos derivados» (previsiones, etiquetas ABC, reservas) no contienen información nueva. Por tanto, un sistema de inteligencia viable —el motor que emite decisiones sin intervención humana— debe (i) leer registros de referencia aunque sean desordenados, (ii) incorporar la incertidumbre sin aplanarla, (iii) valorar las disyuntivas en unidades monetarias a escala de la empresa y (iv) escribir los compromisos en los sistemas de origen, con expedientes aptos para auditoría. La mayoría de los tratamientos académicos borran esta intersección. Suponen entradas limpias y estacionarias y se detienen donde el trabajo se vuelve decisivo: la semántica, la economía y el código que se ejecuta cada día a gran escala.

El banco de pruebas adecuado lleva mucho tiempo disponible. Inteligencia, Decisiones y Despliegue expusieron una disciplina mínima: ejecución en paralelo sobre extracciones al cierre del día que cubran todo el alcance; heurísticas de parada que detengan el motor cuando disminuya la confianza; expedientes convertidos en caja blanca que muestren los factores monetarios de cada línea; promoción solo ante una mejora medida; reversibilidad mediante la ausencia de estado y el viaje en el tiempo. Una contribución científica que reivindique valor operativo debería materializarse dentro de ese dispositivo de prueba, de modo que los fallos afloren como «líneas disparatadas» y se eliminen revisando los costes, las restricciones o la semántica, no mediante listas de excepciones y reuniones. Los artículos que no cruzan este umbral son crónicas o conjeturas, no conocimiento de supply chain.

Los planes de estudio reflejan la literatura. Los másteres siguen centrándose en artilugios de series temporales de la década de 1980, existencias de seguridad gaussianas vinculadas a objetivos de servicio arbitrarios y clasificaciones ABC de aula. La programación y la ingeniería de datos se tratan como accesorios; la semántica empresarial y la economía probabilística apenas aparecen. Los graduados aprenden a supervisar hojas de cálculo y módulos de «planificación» empaquetados, no a escribir recetas numéricas que conviertan registros en decisiones emitidas sin intervención humana. El mejor estudiante, al percibir el techo, se desplaza hacia otros campos STEM donde el código, los datos y la refutación determinan el estatus. Los demás ocupan los puestos del ciclo administrativo que la literatura presupone.

Nada de esto condena las matemáticas. En nuestro oficio sí existen contribuciones matemáticas duraderas, pero se presentan como subrutinas dentro de un marco económico y de ingeniería: resultados de teoría de colas que calibran los costes de congestión; componentes de programación lineal que componen la carga de un camión; cotas de concentración que regularizan las colas de la demanda. El error consiste en confundir la subrutina con el sistema. Un optimizador con el objetivo equivocado, una semántica errónea o sin una vía de ejecución desatendida no es un avance; es un desvío bien pulido.

Una agenda académica viable está al alcance de la mano. Trátese la supply chain ante todo como economía aplicada; pónganse las matemáticas, la estadística y la informática al servicio de ese fin. Entréguense artefactos que funcionen: código que ingiera extracciones semánticamente fieles; tablas de precios en unidades monetarias en lugar de «objetivos de servicio»; previsiones probabilísticas evaluadas mediante reglas de puntuación propias y mejora económica, no mediante ajuste retrospectivo; recetas numéricas entregadas como cajas blancas para que los profesionales puedan auditar cada compromiso. Ante todo, acéptese la disciplina de la optimización experimental: iterar sobre el terreno hasta que desaparezcan las decisiones disparatadas y después publicar lo que haya sobrevivido. Puede que lleguen las citas; si no, llegará el dinero.

11.4.1 Los proveedores de software

Los proveedores empresariales sostienen el equilibrio no mediante una conspiración, sino por razones económicas y de encaje de ingeniería. Como se argumentó en Información, existen tres familias distintas de software: sistemas de registro (registros de referencia y flujos de trabajo), sistemas de informes (narraciones del pasado) y sistemas de inteligencia (motores que emiten sin intervención humana decisiones auditables). La mayoría de los proveedores venden registros o informes y después reenvasan complementos como «planificación» u «optimización» para buscar crecimiento. La confusión de categorías no es semántica; es operativa. Un registro concebido ante todo para CRUD no puede alojar análisis intensivos sin perjudicar la latencia; una pila de informes construida para remodelar agregados no puede incorporar la incertidumbre ni valorar las disyuntivas en unidades monetarias. Cuando los registros o los informes se hacen pasar por inteligencia, el flujo vuelve al trabajo administrativo.

El patrón dominante es el teatro de alertas. La «automatización» adopta la forma de una lista de excepciones que devuelve los casos difíciles a los humanos. Los usuarios, reconvertidos en coprocesadores humanos, concilian a mano reglas endebles con realidades de colas pesadas. Nada de esta postura mejora la inteligencia del software; solo oculta su ausencia tras interfaces modernas. Los incentivos encajan: los proveedores cobran por usuarios, almacenamiento y módulos, no por mejoras; unas decisiones verdaderamente emitidas sin intervención humana reducirían los usuarios y las pantallas. En Inteligencia señalamos el choque cultural: los proveedores de sistemas de registro optimizan la productividad CRUD y la disponibilidad; los sistemas de inteligencia optimizan la calidad económica de las decisiones bajo incertidumbre. Los primeros no tienen incentivos para construir los segundos.

Los ciclos de entusiasmo amplifican el desajuste. Cada pocos años, una oleada de «planificación impulsada por IA», «gemelos digitales» o «torres de control» promete una ruptura clara con las hojas de cálculo. Se adquieren empresas emergentes y se incorporan a suites; el complemento hereda el ADN de registro o de informes del anfitrión y reaparece como un conjunto configurable de reglas con alertas. La combinatoria sigue sin abordarse; la variabilidad se reduce a promedios; los objetivos de servicio arbitrarios sustituyen a los costes. El resultado es continuidad bajo nuevas siglas.

Los cuadrantes de los analistas estabilizan el relato. Como la economía de esos estudios se financia con los proveedores que evalúan, se recompensan las funciones superficiales y las etiquetas de moda. La lista de «líderes» cambia lentamente; los criterios privilegian la amplitud del catálogo y la disponibilidad de referencias frente a la calidad de las decisiones emitidas sin intervención humana. Por parte del cliente, el teatro de las RFP —criticado en Despliegue— produce selección adversa: los cuestionarios canonizan los artefactos de ayer, las demostraciones recompensan la coreografía y gana el proveedor que mejor responde a preguntas que nunca deberían haberse formulado. Cuando la pila tecnológica entra en producción, vuelve la lista de excepciones.

Operativamente, los modos de fallo son constantes. La confusión de categorías genera contención de recursos (los optimizadores dentro del registro privan de recursos a los flujos de trabajo) y pérdida de información (se ingieren artefactos derivados como si contuvieran información nueva). La deriva semántica —tolerable en un registro cuando supervisan los humanos— se vuelve letal al alimentar un motor de decisión al que nadie deja decidir. Allí donde un sistema de inteligencia recalcularía a partir de registros de referencia sin procesar y escribiría compromisos valorados y auditables en los sistemas de origen, la capa empaquetada de «planificación» consume cifras predigeridas y emite sugerencias que los planificadores deben editar para evitar riesgos.

Nada de esto requiere mala fe; es el equilibrio implícito en el modelo de negocio. Los proveedores ponen precio al acceso, no al dinero generado; los compradores piden pantallas, no decisiones emitidas sin intervención humana. Así persiste una mediocridad estable. El remedio no es un nuevo cuadrante, sino un contrato y una arquitectura distintos: mantener estrictamente separados los registros, los informes y la inteligencia; ejecutar el motor de decisión como un activo sin estado y reproducible que ingiera registros sin procesar, incorpore entradas probabilísticas, valore las disyuntivas en dinero y escriba compromisos en los sistemas de origen acompañados de expedientes que expongan sus factores. Selecciónense proveedores mediante investigación de mercado por confrontación, no mediante RFP; páguese en proporción al alcance de las decisiones emitidas sin intervención humana y a la mejora medida. Donde se cumplen estas condiciones, el teatro de alertas muere por desuso; donde se rechazan, reaparecen las hojas de cálculo, un resultado que debe interpretarse como el diagnóstico que es.

11.4.2 Los consultores

Las consultoras prosperan prometiendo cambios que preservan lo que sus clientes menos están dispuestos a alterar: el panorama de aplicaciones, el organigrama y los rituales diarios que asignan responsabilidades sin hacerse cargo de los resultados. En el equilibrio descrito antes, los proveedores venden registros e informes bajo etiquetas de «planificación»; los consultores completan el ciclo aportando la retórica y la coreografía que permiten hacer pasar herramientas frágiles por progreso. El entregable rara vez es una decisión, sino una narración: modelos de madurez, cuadrantes, hojas de ruta y ceremonias que rebautizan las rutinas de ayer.

La literatura que respalda estos encargos es voluminosa y superficial a la vez. Cataloga horizontes, capacidades y arquetipos; divide el mundo en niveles ordenados y posiciones de mandos de ajuste; multiplica las matrices 2×2 cuyas esquinas dan pie a una infinidad de páginas. Estas segmentaciones no son conocimiento; son escenografía. Eluden la pregunta económica —qué asignación de recursos escasos mejora el beneficio bajo variabilidad— y la sustituyen por una taxonomía que se puede enseñar y vender. Como se ha argumentado a lo largo de este libro, las clasificaciones solo justifican su existencia cuando predicen; la mayoría de las taxonomías de consultoría no lo hacen.

Durante el encargo, las palabras de moda aportan impulso. «Alineación S&OP», «planificación empresarial integrada», «impulsado por la demanda», «gemelo digital», «torre de control», «resiliencia desde el diseño»: ninguna es intrínsecamente absurda, pero todas se emplean habitualmente para encubrir ciclos de decisión que no cambian. El producto del trabajo son talleres, diagramas de cadencias y comités de «una sola cifra». Reaparece el mismo patrón: crecen las listas de excepciones, las hojas de cálculo se extienden como metástasis y los casos más difíciles —colas pesadas, recursos limitantes, efectos trinquete, semánticas incoherentes— se devuelven cortésmente a los mismos administrativos a los que el software no logró liberar de carga.

Este ciclo se repite porque es seguro. Reorganizar reuniones no amenaza al ERP; cambiar el nombre de las fases no expone las premisas a la refutación; publicar un «modelo operativo objetivo» no obliga a asumir un solo compromiso expresado en unidades monetarias sin arbitraje humano. El encargo complace a todos los grupos: los directivos reciben un relato de progreso; los mandos intermedios conservan sus vetos mediante puntos de control rituales; los proveedores mantienen sus módulos; el consultor se marcha con referencias. El cambio en el flujo de mercancías es insignificante.

Existe un criterio viable para separar la coreografía de la sustancia. En Información, Inteligencia, Decisiones y Despliegue fijamos el listón: ejecución en paralelo diaria, sobre todo el alcance, a partir de extracciones de referencia; promoción solo ante una mejora medida en unidades monetarias. Con ese patrón de medida, la mayoría de las intervenciones de consultoría son irrelevantes: no emiten decisiones sin intervención humana, no incorporan futuros probabilísticos, no valoran disyuntivas ni aceptan responsabilidad alguna por las paradas. Narran; no asignan.

La prueba económica es sencilla. Si una propuesta no puede ejecutarse mañana por la noche sobre las extracciones del cliente al cierre del día, auditarse en unidades monetarias y, si sobrevive, pagarse en proporción a la mejora, pertenece al teatro, no a la práctica. Cuando los consultores están dispuestos a comprometerse contractualmente con la emisión de decisiones sin intervención humana y a aceptar la reversibilidad y la mejora como base de sus honorarios, dejan de ser consultores en el sentido convencional; se convierten en coautores de la receta numérica. Esto es infrecuente, no porque el trabajo sea místico, sino porque el modelo de negocio imperante recompensa las ceremonias por encima del código.

El «ciclo del consultor» —transformaciones periódicas que cambian el nombre de las mismas rutinas— persistirá hasta que los compradores inviertan los incentivos. El remedio, ya expuesto en Despliegue, es la investigación de mercado por confrontación: hacer que proveedores y aspirantes a asesores redacten y critiquen mutuamente sus planteamientos del problema, exigir estimaciones aproximadas del TCO y listas de competidores, y pagar solo por el alcance que opere sin intervención humana y la mejora medida. Cuando el encargo produzca decisiones, consérvese; cuando produzca cuadrantes y cadencias, déjese extinguir. La siguiente sección muestra cómo un equilibrio similar se reproduce dentro de la empresa bajo la bandera de la «ciencia de datos»: conclusiones analíticas sin responsabilidad que sustituyen a las decisiones.

11.4.3 La ciencia de datos corporativa

Dentro de las empresas, la «ciencia de datos» ha reproducido en gran medida el mismo equilibrio que sostienen el mundo académico, los proveedores y los consultores: produce conclusiones analíticas sin asumir la responsabilidad de la emisión de decisiones. Desde principios de la década de 2010, los equipos han multiplicado los cuadros de mando, los pilotos y las previsiones; sin embargo, pocas organizaciones pueden señalar pedidos de compra, asignaciones o precios diarios emitidos sin intervención humana por código y escritos en los registros. El trabajo parece moderno, pero no llega a hacer apuestas en el mundo.

Se repiten tres rasgos. Primero, los entregables siguen centrados en las previsiones y los KPI. Abundan las barras de error, las puntuaciones de precisión y los gráficos pulcros, mientras falta el registro monetario del conjunto de la empresa, el único patrón de medida común. La incertidumbre se describe, no se valora. Segundo, se omite la intersección con la ingeniería. Los modelos se construyen sobre artefactos derivados (clasificaciones ABC, reservas, tablas «depuradas») en vez de registros de referencia; la semántica de los campos deriva; las condiciones de parada no están definidas. Cuando una recomendación es frágil, una «excepción» devuelve el caso difícil a un planificador. Tercero, los incentivos recompensan diapositivas y pruebas de concepto en lugar de compromisos emitidos sin intervención humana. El «apoyo a la decisión» se convierte en un eufemismo cómodo para conservar el arbitraje humano sobre las mismas decisiones que debería tomar el software.

El resultado es un teatro de conclusiones analíticas que complementa el teatro de alertas de los proveedores. Los planificadores acaban conciliando a mano reglas frágiles con realidades de colas pesadas. La combinatoria que justifica los ordenadores —millones de microopciones cada día— se devuelve a las personas. El trabajo administrativo, ahora animado por cuadros de mando, persiste.

La alternativa está plenamente al alcance y se ha esbozado a lo largo de este libro. Sustitúyase la noción de fábrica de conclusiones analíticas por un Supply Chain Scientist que se haga cargo de una receta numérica: un programa compacto que ingiera registros de referencia, incorpore visiones probabilísticas de la demanda, los plazos operativos y las fiabilidades, valore las disyuntivas en unidades monetarias a escala de la empresa y emita decisiones sin intervención humana. El Scientist responde por las decisiones emitidas, no por las presentaciones. Esta postura obliga a explicitar las hipótesis tácitas y vincula la modelización con la economía.

La escena operativa anterior —nivelar la acumulación del lunes asignando un precio a la saturación de los muelles y admitiendo «no hacer nada todavía» como opción— es típica. Sin reorganizaciones ni nuevos almacenes: los mismos activos rinden mejor porque han cambiado las decisiones. Esto es lo que consigue la responsabilidad cotidiana. En cuanto la capacidad de los muelles lleva un precio sombra, las MOQ se convierten en penalizaciones en lugar de mandatos, esperar compite económicamente con comprar y el ritmo semanal deja de dictar pérdidas. Un sistema de inteligencia lleva este razonamiento a la práctica sin intervención humana; un cuadro de mando de ciencia de datos no lo hace.

La responsabilidad también impone proporcionalidad. Una vez codificados de extremo a extremo los costes, las restricciones y los efectos trinquete, solo se persiguen ganancias marginales en un submodelo cuando mueven dinero en el punto de emisión de las decisiones. Las métricas de moda (precisión de las previsiones, nivel de servicio) pierden su condición de talismán; lo que importa es la mejora del beneficio operativo ajustado al riesgo después de escribir las decisiones en los sistemas de origen. La colaboración cambia entonces de forma natural: finanzas publica cargos de capital y valoraciones; aprovisionamiento publica bonificaciones, MOQ y fiabilidades; operaciones publica capacidades y horas límite. La receta une estas entradas cada noche en ejecución en paralelo, de modo que el aprendizaje se acumula donde resulta rentable.

Así se rompe el equilibrio interno. La ciencia de datos deja de narrar el flujo y empieza a dirigirlo, con salvaguardas que permiten confiar de forma segura en la automatización: extracciones diarias que permiten reproducir la ejecución, cómputo sin estado, expedientes convertidos en caja blanca y emisiones de decisiones reversibles. Los capítulos Información, Inteligencia, Decisiones y Despliegue ya han establecido el dispositivo; aquí la cuestión es institucional: hasta que alguien cobre por la calidad de las decisiones emitidas sin intervención humana, la «ciencia de datos» seguirá alimentando ciclos administrativos. La siguiente sección dota a los lectores de filtros para rechazar la literatura que nutre esos ciclos: materiales que aparentan actividad, pero no superan las pruebas de predicción, valoración y refutación.

11.5 La trampa organizativa

Los grupos externos —el mundo académico, los proveedores, los consultores— ayudan a explicar por qué se mantiene el equilibrio, pero el freno decisivo es interno a las empresas. La supply chain conserva una condición de segunda clase, subordinada de facto a TI corporativa. La reputación, la burocracia y la latencia de los tickets se entrelazan hasta que la organización acepta la vigilancia administrativa en lugar de inteligencia diseñada mediante ingeniería. El remedio no es otro comité: es una reasignación estructural de la responsabilidad y una interfaz de datos ligera que libere el flujo de los vetos de la plataforma.

11.5.1 Condición de segunda clase

Se elogia la supply chain como «crítica para la misión», pero se la trata como periférica. Como los camiones siguen moviéndose y las estanterías están abastecidas, la dirección deduce que solo se justifica un pulido incremental. La apariencia de continuidad se convierte en una coartada para invertir insuficientemente en código y en quienes lo escriben. Sigue un ciclo que se cumple a sí mismo: los candidatos de prestigio apuntan a otros lugares; el departamento hereda rutinas en vez de concebir decisiones; proliferan las hojas de cálculo en la sombra para compensar los frágiles complementos de «planificación»; el trabajo administrativo resultante confirma el prejuicio inicial de que nada mejor es posible.

La brecha de reputación es antigua —la logística como la tarea tediosa que viene después del trabajo «real» de producto y marca— y sigue moldeando la contratación y los presupuestos. Lo que vuelve especialmente tenaz este ciclo es su barniz intelectual: KPI aislados y no económicos —un «nivel de servicio del 98 %», la «precisión de las previsiones»— se hacen pasar por mediciones objetivas. Cuando el sustento de las personas depende de estos sucedáneos, las reservas se inflan, las excepciones se remiten a los humanos y el registro luce espléndido aunque el dinero se escape. El departamento parece ocupado y seguro, incluso cuando rechaza la economía probabilística que mediría las disyuntivas en dinero y automatizaría lo cotidiano.

11.5.2 Burocracia y latencia de los tickets

Donde la inteligencia es manual, prospera la burocracia. Las alertas y las excepciones se tramitan mediante rituales —cónclaves mensuales de «una sola cifra», consejos previos a la asignación, cascadas de aprobaciones— cuya verdadera función es repartir la responsabilidad, no mejorar las decisiones. Cada ritual añade una capa de proceso sin reducir la incertidumbre; la combinatoria no cambia, solo pasa ahora por más manos.

La latencia de los tickets completa la trampa. Cualquier cambio sustantivo —una restricción añadida, una tabla de costes revisada, una corrección semántica sutil— exige presentar tickets relativos a los sistemas centrales. Las semanas se convierten en meses mientras las prioridades se ordenan por el riesgo para la plataforma, no por la mejora económica esperada. Cuando por fin se resuelve un ticket, el negocio ha seguido adelante y el parche ya está obsoleto. Lo que debería ser una edición diaria y reversible del código dentro de un motor de decisión se reconvierte en un proyecto interdepartamental; el statu quo prevalece por defecto.

Por tanto, el compromiso entre las partes deriva hacia el paso más pequeño que todas pueden tolerar. Se injertan módulos de «aprendizaje automático» en forma de cuadros de mando que remiten los casos difíciles a una lista de excepciones; las actualizaciones del ERP unifican campos, pero dejan intactas las reglas de decisión. La fachada cambia; el ciclo administrativo persiste.

11.5.3 Subordinación a TI

El cometido de TI corporativa es la disponibilidad, la estandarización y el cumplimiento. Esto es adecuado para los sistemas de registro y de informes. Se adapta mal a los sistemas de inteligencia. Cuando la «planificación» se aloja dentro del registro, los análisis intensivos compiten por recursos con los flujos de trabajo; cuando se sitúa sobre vistas de informes, la incertidumbre se aplana y las decisiones degeneran en teatro de alertas: usuarios como coprocesadores humanos. Los presupuestos siguen ese cometido: el capital fluye hacia plataformas CRUD; la automatización de decisiones se compra como un módulo y se entrega como configuración más excepciones.

El riesgo se invierte: desviarse de la plataforma se trata como un peligro; la pérdida económica derivada de decisiones inferiores se trata como algo habitual. El control de lo que se admite endurece entonces las condiciones de contorno: los artefactos derivados se tratan como referencias autorizadas, los cambios de esquema se anatematizan y cualquier herramienta que la suite no pueda absorber se rechaza por principio. Bajo este gobierno, incluso los intentos sinceros de «analítica avanzada» desembocan en cuadros de mando que alimentan el ciclo administrativo.

11.5.4 Acumulación de parches

Las medias tintas se acumulan. Un libro de cálculo temporal para suavizar una escala de bonificaciones, un informe a medida que concilia dos maestros, una excepción por proveedor en la herramienta de un comprador: cada uno adquiere dependientes que se apoyan en sus salidas. Con el tiempo, el mosaico de parches gana defensores y retirar cualquiera de sus piezas parece más arriesgado que dejarlas todas. Lo que empezó como un apaño se enquista como costumbre.

La acumulación de parches dispersa la responsabilidad. Nadie responde de la calidad económica del conjunto; cada equipo se hace cargo de una fracción y de un relato. Es el carácter intrincado en miniatura: el problema muta conforme cada parche se adapta a sus vecinos y se confunde la supervivencia con el éxito.

La cura es arquitectónica, no exhortativa. Una interfaz que haga portátiles los hechos y una receta sin estado que los convierta en compromisos valorados y auditables disuelven los parches en parámetros. Con la ejecución en paralelo diaria, retrocede el poder de veto; los parches se codifican correctamente o se retiran.

11.5.5 Interfaz y responsabilidad

Dos movimientos estructurales rompen la trampa.

Primero, establecer una interfaz: una extracción diaria fiel que cubra los sistemas de registro. Es aburrida a propósito: instantáneas que solo se añaden, acompañadas de manifiestos; suficiente historial para abarcar un ciclo completo; ninguna manipulación «útil» aguas arriba; lecturas con privilegios mínimos. Con ella, el motor de decisión puede funcionar sin estado y ser reproducible. Los tickets que antes buscaban modificar registros se convierten en cambios de código sobre una copia privada; la semántica se audita empíricamente en lugar de negociarse por correo electrónico. La latencia se reduce de meses a horas y la reversibilidad se vuelve rutinaria.

Segundo, asignar a la supply chain la responsabilidad de la receta numérica. Los roles se derivan de forma natural (véase Despliegue): un responsable de datos opera la interfaz; un Supply Chain Scientist escribe la receta; un patrocinador ejecutivo arbitra precios y límites; un gestor de flujos aporta criterio de campo y escala anomalías. Los proveedores y los consultores se juzgan por las emisiones de decisiones y por la mejora medida, no por las pantallas.

Sin una interfaz y una responsabilidad así, nadie está siquiera en posición de formular —y mucho menos de responder— la única pregunta que importa operativamente: ¿por qué no estamos utilizando la computación moderna para gestionar la incertidumbre y asignar recursos escasos de forma más rentable?

Estos dos movimientos rebajan la burocracia y los vetos de la plataforma de gobernantes a parámetros. Una vez que existe una interfaz y está clara la responsabilidad, el departamento deja de ser un custodio de segunda clase del software ajeno; se convierte en autor de su economía en código. El resto de este capítulo dota al lector de filtros para rechazar materiales que no puedan sobrevivir a un dispositivo así. Si una propuesta no puede ejecutarse cada noche sobre la interfaz y justificar en unidades monetarias las decisiones que emite, pertenece al teatro, no a la práctica.

11.6 Filtros de rechazo

El cuello de botella actual no es la escasez de material, sino su exceso. Más de un millón de artículos y decenas de miles de libros desfilan bajo la bandera de la «supply chain»; la pila crece más deprisa cada año mientras la práctica cotidiana sigue centrada en las hojas de cálculo. La explicación más sencilla es que la mayor parte de esta producción carece de las propiedades que hacen operativo el conocimiento: propiedades que permiten a un software desatendido hacer apuestas rentables y auditables cada noche. Esta sección ofrece tres filtros para descartar lo que no ayudará: trivialidades, autoridades y rompecabezas. No son una taxonomía de la literatura; son herramientas para que el lector proteja su atención.

11.6.1 Trivialidades

Las trivialidades catalogan el mundo —listas, matrices, horizontes— sin mostrar por qué la clasificación es esencial, no accidental. Se aplica la navaja de Ockham: no multiplicar las categorías más allá de lo necesario. Aquí, necesidad significa capacidad de predecir y economizar en unidades monetarias. Una segmentación solo se gana un lugar si aprenderla reduce la incertidumbre sobre resultados futuros y mejora las decisiones de asignación que el motor emite sin intervención humana.

La tabla periódica aclara el criterio: la cuadrícula de la química no es un adorno; comprime causalidad. El número atómico ordena los elementos de manera que su comportamiento en las reacciones se vuelve predecible; la tabla es una teoría compacta y falsable de la materia. En cambio, buena parte de la jerga de planificación es cartografía sin geología. Dividir la «planificación» en horizontes estratégicos, tácticos y operativos dice poco, salvo que esa división prediga elecciones monetarias distintas bajo incertidumbre; de lo contrario, la tricotomía es mera escenografía. Lo mismo ocurre con las clasificaciones ABC de productos, «rápidos, lentos, sin movimiento», las ubicaciones «locales, regionales, nacionales» o los inmortales cuadrantes 2×2¹⁶⁴ en los que «autocrático frente a buscador de consenso» se cruza con «pensar y luego actuar frente a actuar y luego pensar»¹⁶⁵. Estos dispositivos son fáciles de enseñar e infinitamente recombinables; su contenido predictivo suele ser nulo.

La prueba es tajante: si adoptar una clasificación no cambia las decisiones emitidas —pedidos de compra, transferencias, precios—, es una trivialidad. En la escena operativa anterior, nada de la acumulación semanal de entradas exigía un cuadrante o un horizonte nuevo. La solución vino de asignar un precio a la saturación de los muelles, sustituir los promedios por distribuciones y admitir «no hacer nada todavía» siempre que dominase el valor de la opción de esperar. Un puñado de precios y distribuciones movió dinero; una estantería de segmentaciones no lo habría hecho.

11.6.2 Autoridades

No estáis en posición de dar lecciones al público sobre nada. Monólogo de apertura de los Globos de Oro (2020), Ricky Gervais.

La notoriedad no es una prueba. Las citas de directivos, los prólogos de celebridades y las anécdotas de marcas conocidas entretienen; no deciden. Trátese la apelación a la autoridad como una señal de alarma salvo que cruce tres puentes: falsabilidad, contrafactuales y emisión de decisiones. La falsabilidad significa que la afirmación podría resultar falsa una vez codificada; los contrafactuales exigen que quien habla indique qué habría ocurrido probablemente de otro modo; la emisión de decisiones exige que la afirmación sea lo bastante precisa como para alterar los compromisos que se emitan mañana por la noche sin intervención humana.

Las grandes empresas complican la cuestión. El éxito responde a muchas causas —producto, marca, estructura de capital—, mientras que la supply chain mantiene el secreto por diseño. Incluso cuando la supply chain sustenta realmente el éxito, el portavoz público puede no ser su artífice; las contribuciones extraordinarias se distribuyen de forma desigual, mientras muchos permanecen haciendo muy poco¹⁶⁶. Y quienes sí son responsables tienen incentivos para mantener tácitos los métodos eficaces o reconvertirlos en rituales aceptables. Contar citas no es el camino hacia el conocimiento.

El criterio operativo es acotado y justo. Una propuesta de un operador o proveedor célebre solo merece atención cuando puede escribirse como código que ingiera extracciones de referencia al cierre del día, emita decisiones y justifique cada línea en unidades monetarias. Hasta entonces, archívese el relato como hipótesis y resístase la tentación de construir procesos en torno a él. La autoridad puede inspirar; no puede sustituir a la refutación.

11.6.3 Rompecabezas

La literatura académica de supply chain tiende a optimizar lo que resulta cómodo de escribir, calificar y publicar: rompecabezas estilizados con hipótesis fijas. Los rompecabezas pueden ser deliciosos y, a veces, útiles como subrutinas. Se vuelven perjudiciales cuando se presentan como conocimiento de supply chain sin la intersección en la que debe vivir ese conocimiento: la semántica, la economía y el código que se ejecuta cada día. El problema no son las matemáticas; es el encuadre equivocado. La supply chain es economía aplicada bajo variabilidad; un artículo que nunca hace apuestas —que nunca emite decisiones sin intervención humana— todavía no ha entrado en la arena.

Dos preguntas separan una subrutina de un sistema. Primero, ¿puede la propuesta ingerir los registros originales sin blanquear su significado mediante artefactos derivados? Segundo, ¿incorpora la incertidumbre y valora las disyuntivas hasta el mismo punto de emisión de las decisiones? Si la respuesta a cualquiera de ellas es «no», la contribución sigue siendo un rompecabezas. El dispositivo adecuado se ha descrito a lo largo de este libro: ejecución en paralelo diaria sobre extracciones de todo el alcance; heurísticas de parada; expedientes que expongan los principales factores monetarios de cada línea; promoción solo ante una mejora medida; reversibilidad mediante cómputo sin estado y reproducible. Un método que no puede sobrevivir a este dispositivo no está «en una fase temprana»: no se ha puesto a prueba.

Este filtro no es hostil a la teoría; es hospitalario con la realidad. Los resultados de teoría de colas que calibran los costes de congestión, los bloques de programación que componen la carga de un camión, las cotas de concentración que regularizan las colas pesadas: todos son bienvenidos una vez incorporados a una receta numérica que mueva dinero. La elegancia matemática que no desemboca en la emisión de decisiones sin intervención humana es mera narración con símbolos. La literatura se modernizará cuando los artículos entreguen código que supere la misma prueba económica que exigimos en producción: con las mismas restricciones y la misma trazabilidad de auditoría, ¿eleva el beneficio operativo ajustado al riesgo?

11.6.4 Uso de los filtros

Aplicados de forma coherente, estos filtros reducen una lista de lectura a los materiales que cambian las decisiones emitidas. Las trivialidades caen ante la navaja de Ockham salvo que demuestren poder predictivo expresado en dinero; las autoridades solo se aceptan cuando sus afirmaciones pueden refutarse en ejecución en paralelo; los rompecabezas solo avanzan cuando se vinculan a decisiones auditables emitidas sin intervención humana. Por eso tanta actividad coexiste con tan poco progreso: la mayoría de lo que circula no supera estas pruebas aunque aparente actividad. El remedio no es el cinismo, sino la disciplina: valorar la incertidumbre, exigir decisiones emitidas y dejar que arbitre el dinero, no las credenciales.

11.7 Mirando hacia adelante

De cara al futuro, no se trata de otro manifiesto, sino de un cambio de postura. El patrón de medida propuesto a lo largo de este libro es práctico y acotado: una supply chain avanza cuando, cada noche al cierre, el software emite sin intervención humana compromisos auditables valorados en unidades monetarias, o se detiene por sí mismo y explica por qué. Todo lo demás es escenografía. Según este criterio, el progreso no es una ceremonia trimestral ni una pantalla nueva; es la sustitución constante de la conciliación administrativa por un flujo mecánico que incorpora explícitamente la incertidumbre y valora las disyuntivas a escala de la empresa.

El camino no requiere ninguna revelación, solo dos movimientos duraderos que sitúen la responsabilidad donde pueda generar mejoras acumulativas. Primero, hacer portátiles los hechos mediante una interfaz: extracciones inmutables y fieles al esquema que permitan que el motor de decisión funcione sin estado y pueda reproducirse. Segundo, condensar la economía de la empresa en una receta numérica que ingiera esas extracciones, incorpore visiones probabilísticas del futuro, asigne penalizaciones y recompensas en dinero y emita decisiones sin intervención humana. Los expedientes convertidos en caja blanca que acompañan a cada emisión exponen los pocos factores que importaron en unidades monetarias. Con esta disciplina, la mejora se vuelve rutinaria: cuando la realidad refuta una hipótesis, la receta cambia, vuelve a ejecutarse y reanuda su actividad. No se acumulan errores; se acumula conocimiento.

Las personas no desaparecen; su trabajo adquiere mayor incidencia. Los planificadores se convierten en responsables de marcos y precios, en lugar de editar sugerencias línea por línea. Finanzas publica cargos de capital y valoraciones que el motor debe respetar; aprovisionamiento publica bonificaciones, MOQ y fiabilidades como precios, no como vetos; operaciones publica capacidades y horas límite como restricciones auditables. La dirección arbitra las disyuntivas en dinero, no con eslóganes, y asume la responsabilidad de las raras ocasiones en que el motor se detiene. La prueba es la misma para todos: ¿elevaron las decisiones emitidas la tasa de rendimiento de la empresa ajustada al riesgo?

Las alternativas —teatro de alertas, teatro de planes, teatro de conclusiones analíticas— pueden mantenerse vivas indefinidamente porque los camiones siguen moviéndose y los promedios siguen reconfortando. Su coste es en gran medida invisible en la instantánea de un día, pero aplastante a lo largo de los años: opciones desatendidas, colas mal valoradas, atención gastada en acicalar artefactos que no contienen información. Por tanto, la elección a la que se enfrentan las empresas maduras no está entre estabilidad y riesgo, sino entre un equilibrio administrativo que grava discretamente cada flujo y una disciplina mecánica que hace rentable la incertidumbre.

Antes del programa constructivo, debemos hablar sin rodeos de lo que se interpone. La siguiente subsección nombra los hábitos que garantizan equilibrios administrativos, sea cual sea el software o la retórica. Solo después de descartarlos resulta sencillo adoptar el camino mejor, ya esbozado en capítulos anteriores y plenamente compatible con los registros existentes.

11.7.1 Lo que debe cesar

Para que el progreso sea algo más que un eslogan, deben cesar tres representaciones arraigadas. Cada una tiene pedigrí; cada una halaga la profesionalidad; y cada una conserva de forma fiable los equilibrios administrativos mientras los ordenadores permanecen ociosos.

Primero, debe cesar el teatro de alertas. Un software que se califica de «automatizado» pero emite listas de excepciones para que las concilien los humanos no es automatización; es una interfaz para posponer decisiones. Un sistema que no puede escribir en los sistemas de origen sin intervención humana y exponer sus factores en unidades monetarias reduce a los planificadores a conciliar excepciones a mano, y lo llama progreso. El criterio es sencillo e innegociable: o el programa emite compromisos hacia los registros —pedidos, asignaciones, precios—, o es una herramienta de informes y debe juzgarse y comprarse como tal. Todo lo que exige editar líneas a diario para ser «seguro» pertenece al pasado. Los usuarios, las pantallas y las alertas no sustituyen a la emisión de decisiones.

Segundo, debe cesar el teatro de planes. Los rituales mensuales de consenso en torno a «un único conjunto de cifras» aplanan la incertidumbre, con la ignorancia disfrazada de precisión. La precisión de las previsiones, los objetivos de nivel de servicio y otros indicadores de cumplimiento del plan no son economía; son normas de etiqueta expresadas numéricamente. Recompensan las reservas, no el criterio; el cumplimiento, no el beneficio. Donde se declaran mandatos como «restricciones rígidas», suelen ocultar preferencias sin valorar; donde los promedios sustituyen a los futuros, las colas se ignoran hasta que muerden. El remedio no es el decoro, sino los precios: tratar la mayoría de los límites como restricciones penalizadas en unidades monetarias; dejar que «no hacer nada todavía» compita con «comprometerse ahora» mediante un valor explícito de la opción de esperar; sustituir el cumplimiento del plan por la única prueba que importa: con las mismas restricciones y la misma trazabilidad de auditoría, ¿elevaron las decisiones emitidas la tasa de rendimiento de la empresa ajustada al riesgo? Sin esta disciplina, los planes seguirán pareciendo impecables mientras los camiones esperan en muelles saturados.

Tercero, debe cesar el teatro de conclusiones analíticas. Los cuadros de mando, las torres de control y los «gemelos digitales» que nunca hacen una apuesta son adornos. También lo son los pilotos que viven eternamente en entornos aislados, los programas de «solo visibilidad» que no accionan ninguna palanca y los ritos de compra (RFP) que seleccionan proveedores por su coreografía y no por el alcance de las decisiones emitidas sin intervención humana. Dentro de la empresa, su reflejo es una función de ciencia de datos que produce diapositivas y prototipos, pero rechaza responsabilizarse de la escritura de decisiones en los sistemas de origen. De nuevo, el criterio es mecánico: ejecución en paralelo nocturna sobre extracciones fieles; cómputo sin estado y reproducible; parada ante decisiones disparatadas; promoción solo ante una mejora medida; reversibilidad desde el diseño. Todo lo que no alcance ese nivel narra el flujo; no contribuye a él.

Estas tres representaciones —alertas en lugar de decisiones, planes en lugar de precios, conclusiones analíticas en lugar de decisiones emitidas— persisten porque son cómodas y permiten eludir la responsabilidad. Terminan en el momento en que la dirección exige decisiones emitidas sin intervención humana y expresadas en unidades monetarias, en vez de usuarios y ceremonias. Solo entonces dispone el programa constructivo que sigue de espacio para funcionar.

11.7.2 Hacia una forma mejor

La forma mejor es prosaica en su rutina y radical en sus consecuencias. Trata la incertidumbre de mañana como una materia prima valorada y convierte el cierre diario en un examen disciplinado de las cuentas. A partir de registros de referencia, una receta numérica compacta recalcula las acciones admisibles de la empresa, incorpora visiones probabilísticas del futuro, asocia beneficios y penalizaciones expresados en unidades monetarias y escribe compromisos sin intervención humana en los sistemas de origen o se detiene por sí misma cuando disminuye la confianza. Nada más merece llamarse progreso. Todo lo que importa —opciones, colas, acoplamientos, efectos trinquete— se expresa en código que puede auditarse, volver a ejecutarse y revisarse sin ceremonias.

Una vez establecida esta disciplina, el día adquiere otra textura. Las decisiones disparatadas desaparecen primero: la saturación de los muelles deja de ser una sorpresa diluida en promedios en los cuadros de mando semanales; las «MOQ como mandatos» se disuelven en disyuntivas valoradas; un valor explícito de la opción permite que «no hacer nada todavía» compita en igualdad de condiciones con «comprometerse ahora». La confianza no se acumula en reuniones, sino mediante expedientes convertidos en caja blanca que explican, línea por línea y en unidades monetarias, por qué se emitió un pedido, se retuvo una transferencia o se ajustó ligeramente un precio. Cuando la realidad refuta una hipótesis, el motor se detiene; se corrige la premisa; se reproduce la ejecución; se reanuda el flujo. Equivocarse se vuelve barato y reversible; acertar se escala.

Dos escenas breves lo muestran en la práctica. Una marca de moda estacional comienza con apuestas generosas, pero sustituye los planes de empuje por una política de decisión: los surtidos se evalúan como opciones; las ventas iniciales respecto del stock disponible actualizan una visión probabilística a escala de la cesta; las rebajas se convierten en una función materializada, en lugar de arrepentimiento a posteriori. El motor valora en un único registro el daño de los faltantes de stock frente a la obsolescencia, deja que prevalezca el compromiso tardío donde la semivida es larga y escribe cada noche asignaciones y cambios de precio sin intervención humana. Los efectos visibles no son teatrales: menos transferencias a mitad de temporada, liquidaciones de fin de temporada menores y un margen bruto más estable. Bajo la superficie, las ganancias proceden de admitir las colas, valorarlas y dejar que el aplazamiento gane cuando debe.

En el MRO de la aviación civil, un pool de componentes rotables se gobierna como una cartera de opciones. Las retiradas no programadas se modelizan como llegadas de colas pesadas; la exposición AOG lleva un precio sombra; la canibalización, el arrendamiento, la reparación y la compra son acciones admisibles ordenadas por su rendimiento esperado ajustado al riesgo. Muchas noches, la acción más rentable es esperar; otras, el motor coloca existencias por anticipado ante un precio sombra del riesgo creciente, no siguiendo un calendario. Lo que antes era una cadena de correos se convierte en órdenes de expedición y de compra emitidas sin intervención humana. Cada una lleva un expediente que expone, en unidades monetarias, por qué una pieza voló hacia esa matrícula de aeronave, por qué otra permaneció en la estantería y por qué un arrendamiento superó a una reparación dada la dispersión del tiempo total hasta la vuelta al servicio. Se «resuelven» menos crisis con heroicidades porque los mandatos anteriores fabrican menos crisis.

Las consecuencias institucionales se derivan de forma natural. Los roles se inclinan del arbitraje hacia la autoría: los planificadores se convierten en responsables de marcos y precios; finanzas se hace cargo de los cargos de capital y las valoraciones que la receta debe respetar; aprovisionamiento publica bonificaciones, MOQ y fiabilidades como tablas, no como vetos; operaciones establece capacidades y horas límite como restricciones auditables. Los proveedores y asesores cobran por el alcance que opere sin intervención humana y la mejora medida, no por usuarios, pantallas o ceremonias. Los presupuestos se desplazan hacia el único activo que acumula valor este siglo: una pequeña base de código que pone por escrito la economía de la empresa y mejora mediante la optimización experimental.

Nada de esto exige revelación alguna. Ya se han expuesto los instrumentos para lograr decisiones sin intervención humana. Exíjase un cambio de postura: aceptar que todo compromiso es una apuesta cuya calidad puede expresarse en unidades monetarias ex ante y auditarse ex post, y organizar el trabajo para que el software haga esas apuestas a la cadencia que permita la realidad.

El libro comenzó insistiendo en que la supply chain es una intención, no una cosa, y se cierra haciendo ejecutable esa intención. Cuando una empresa puede explicar cada compromiso nocturno en unidades monetarias y detenerse cuando no puede hacerlo, ha cruzado la línea que separa el teatro del dominio. El resto es una lenta acumulación de conocimiento: ver un poco más lejos cada tarde y prever lo suficiente para merecer el rendimiento de mañana.

12 Notas técnicas

12.1 Tasa de rendimiento aperiódica

Este anexo formaliza la tasa de rendimiento aperiódica a la que se hace referencia en el capítulo Economía. La intención es práctica: cada opción (una microdecisión que compromete recursos escasos) debe ordenarse según la velocidad a la que se recupera su capital inmovilizado y comienza a acumular rendimientos compuestos. Como los flujos de caja de la supply chain rara vez coinciden con periodos del calendario, la propia opción selecciona su horizonte más informativo.

Consideramos una rejilla temporal discreta \(t=0,1,\dots,T_{\texttt{max}}\) (días, semanas o meses). Sean

\[ s(t)\in\mathbb{R}^+ \quad\text{y}\quad r(t)\in\mathbb{R}^+ \]

respectivamente, el gasto y el ingreso asociados a la opción en el instante \(t\), expresados en valor presente. (Si se desea descontar los flujos, conviértanse primero los importes futuros a valor presente; véase la sección siguiente.)

Definimos el capital total que requiere la opción —valorado en \(t=0\)— y el ingreso acumulado hasta cualquier límite temporal \(T\):

\[ S \;\triangleq\; \sum_{t=0}^{T_{\texttt{max}}} s(t), \qquad R(T) \;\triangleq\; \sum_{t=0}^{T} r(t). \]

La tasa de rendimiento aperiódica es entonces

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}} \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

Interpretación. Desplace un cursor a lo largo de la cronología de flujos de caja de la opción. En cada fecha \(T\), calcule el rendimiento por unidad de tiempo que habría obtenido si hubiese cerrado la posición entonces: entrada acumulada \(R(T)\), dividida por el capital total \(S\) que exige la opción, menos uno, multiplicado por \(1/T\). La métrica conserva el valor máximo; el \(T^\star\) correspondiente es el horizonte implícito de la opción. Dos opciones con calendarios muy distintos se vuelven comparables porque cada una se juzga en su propio punto óptimo de recuperación.

Unidades. Si \(t\) se mide en días, \(\mathtt{RoR}_{\texttt{aper}}\) es una tasa diaria. La anualización, cuando se desea, sigue la capitalización compuesta sobre la rejilla elegida (por ejemplo, \((1+\rho)^{365}-1\) para una tasa diaria \(\rho\)). Para valores pequeños de \(\rho\), multiplicar por el número de periodos es una aproximación burda; la capitalización compuesta es más segura cuando las tasas son grandes.

Ejemplo desarrollado. Una compra hoy de 100 unidades monetarias (\(S=100\)) produce dos ventas del inventario: 60 unidades monetarias el día 15 y 60 unidades monetarias el día 30. Las velocidades por día son

\[ \rho(15)=\frac{1}{15}\Bigl(\frac{60}{100}-1\Bigr)=-0.026\bar{6},\quad \rho(30)=\frac{1}{30}\Bigl(\frac{120}{100}-1\Bigr)=0.006\bar{6}. \]

El máximo se alcanza en \(T^\star=30\) días con \(\rho^\star\approx 0.006\bar{6}\) por día; capitalizado durante un año, equivale aproximadamente a \((1+0.006\bar{6})^{365}-1\approx 10.3\) (es decir, alrededor de un \(1{,}030\%\) anual). Estas magnitudes son habituales a escala del artículo porque reflejan rotaciones rápidas del inventario, no rendimientos del conjunto de la cartera.

Dos salvedades. Primero, un sesgo positivo: la métrica supone que el capital liberado en \(T^\star\) puede reasignarse inmediatamente a una oportunidad igual de atractiva. En la práctica, las oportunidades equivalentes pueden llegar con retraso. Segundo, un sesgo negativo: se ignoran los ingresos posteriores a \(T^\star\) para medir la velocidad. En realidad, salvo que las mercancías se desechen, las entradas posteriores seguirán materializándose y elevarán el beneficio final. Ambos efectos son aceptables —de hecho, útiles— porque el propósito aquí no es determinar la cuenta de resultados definitiva de la opción, sino priorizar el capital escaso hacia los usos que más deprisa acumulan rendimientos compuestos.

12.2 Flujos de caja descontados

Cuando descontamos flujos de caja, simplemente reformulamos la discusión anterior sobre la preferencia temporal en unidades monetarias y sobre una rejilla temporal discreta. Una unidad monetaria recibida más tarde vale menos hoy porque, entretanto, no puede utilizarse, mantenerse como reserva ni reinvertirse. El flujo de caja descontado (DCF) convierte cada importe futuro en «unidades monetarias de hoy» y, una vez realizada esta conversión, puede aplicarse la tasa de rendimiento aperiódica de la sección anterior sin ningún otro cambio.

Fijemos una rejilla temporal \(t=0,1,\dots,T_{\texttt{max}}\) (días, semanas o meses). Sea \(k\) el coste de capital de la empresa por paso de la rejilla; si el coste de los fondos varía con el tiempo (tramos de líneas de crédito, estrecheces temporales), escribimos \(k_t\). El factor de descuento que lleva un importe de la fecha \(t\) a \(t=0\) es

\[ D(t)\;=\;\prod_{\tau=1}^{t}\frac{1}{1+k_\tau} \qquad\text{(para $k$ constante, $D(t)=(1+k)^{-t}$).} \]

Sean \(r^{*}(t)\) y \(s^{*}(t)\) el ingreso y el gasto sin descontar en el instante \(t\) (con los importes inmediatos registrados en \(t=0\)). Sus equivalentes en valor presente son

\[ r(t)\;=\;D(t)\,r^{*}(t), \qquad s(t)\;=\;D(t)\,s^{*}(t). \]

El flujo de caja descontado de la opción completa (la secuencia que implica) es entonces

\[ \mathtt{DCF} \;=\; \sum_{t=0}^{T_{\texttt{max}}} \bigl(r(t)-s(t)\bigr) \;=\; \sum_{t=0}^{T_{\texttt{max}}} D(t)\,\bigl(r^{*}(t)-s^{*}(t)\bigr). \]

Esta suma es una valoración absoluta en unidades monetarias de hoy (cuando es positiva, crea riqueza; cuando es negativa, destruye valor).

Relación con la tasa de rendimiento aperiódica. En la sección anterior, \(r(t)\) y \(s(t)\) se definieron explícitamente como flujos expresados en valor presente. Por tanto, para ordenar las opciones por velocidad, primero se descuenta como se ha indicado y después se introducen las series en valor presente en la fórmula de la tasa aperiódica sin modificarla. En símbolos, se mantienen \(S=\sum_{t=0}^{T_{\texttt{max}}} s(t)\) y \(R(T)=\sum_{t=0}^{T} r(t)\) y se evalúa

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}}\; \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

El descuento aplica la preferencia temporal; la tasa aperiódica indica después con qué rapidez se recupera el desembolso expresado en valor presente y comienza a acumular rendimientos compuestos.

Elección de \(k\). Utilice el coste marginal de liquidez de la empresa sobre la rejilla con la que calcule. Si trabaja con una tasa anual \(K\) sobre una rejilla diaria, conviértala en un paso diario mediante \(k=(1+K)^{1/365}-1\) (mutatis mutandis para semanas o meses). Cuando la liquidez varíe por tramos o con el tiempo, codifíquela como una trayectoria \(\{k_t\}\); la definición de \(D(t)\) ya contempla este caso. En finanzas es habitual «engordar» \(k\) para reflejar la incertidumbre; en supply chain evitamos esta doble contabilización: la incertidumbre se trata explícitamente mediante el tratamiento probabilístico de los rendimientos que aparece más adelante en el anexo.

Microejemplo desarrollado (rejilla diaria). Se gastan 100 unidades monetarias en \(t=0\); se reciben 60 unidades monetarias el día 15 y 60 unidades monetarias el día 30. Con un coste de capital anual del 10%, el paso diario es \(k\approx(1.10)^{1/365}-1\). Los factores de descuento son \(D(15)\approx (1.10)^{-15/365}\) y \(D(30)\approx (1.10)^{-30/365}\). El DCF es

\[ -100 \;+\; 60\,D(15) \;+\; 60\,D(30) \;\approx\; 12.6\ \text{unidades monetarias.} \]

Al introducir las series expresadas en valor presente en la métrica aperiódica se obtiene \(S=100\) y \(R(30)\approx 60\,D(15)+60\,D(30)\approx 112.6\), de donde

\[ \mathtt{RoR}_{\texttt{aper}}\;\approx\;\frac{1}{30}\Bigl(\frac{112.6}{100}-1\Bigr)\;\approx\;0.0042\ \text{por día}, \]

que, con capitalización compuesta, equivale aproximadamente a \((1+0.0042)^{365}-1\approx 2.6\) (alrededor de un \(260\%\) anual). Lo importante no es la cifra exacta, sino el método. Primero se descuenta para expresar todo en unidades monetarias de hoy; después se comparan las opciones según la rapidez con la que esas entradas expresadas en valor presente recuperan el desembolso expresado en valor presente.

Notas prácticas. Las unidades deben coincidir: \(t\) se mide con el mismo paso que \(k\). Si los pagos se escalonan (por ejemplo, un anticipo en \(t=0\) y el saldo al enviar la mercancía), trate cada uno como su propio \(s^{*}(t)\). Aunque los tipos de interés importan, las rotaciones del inventario suelen dominar en supply chain; el papel del descuento aquí es restablecer la comparabilidad entre opciones con calendarios distintos para que la tasa aperiódica pueda ordenarlas sin distorsiones.

12.3 Entropía de la información

Este anexo condensa los pocos elementos de la teoría de Shannon utilizados en el capítulo Información, en una forma directamente utilizable en ejemplos de inventario. Nos limitamos a variables discretas y logaritmos en base 2 para que las unidades sean bits (cambiar la base del logaritmo solo cambia la escala de la unidad).

Consideremos una variable aleatoria discreta \(X\) que toma estados \(x\) con probabilidades \(p(x)\). La información revelada cuando sabemos que el estado es \(x\) —la autoinformación— es

\[ \operatorname{I}(x)\;=\;-\log_{2} p(x)\quad\text{bits}. \]

Un resultado seguro (\(p=1\)) contiene \(0\) bits; los resultados más raros contienen más bits.

La entropía de \(X\) es la autoinformación media:

\[ \mathrm{H}(X)\;=\;\mathbb{E}[\operatorname{I}(X)]\;=\;-\sum_{x} p(x)\,\log_{2} p(x)\quad\text{bits}. \]

La entropía depende solo de las probabilidades, no de cómo nombremos o almacenemos los estados. Puede interpretarse como el número medio de preguntas de sí o no, con ambas respuestas equiprobables, necesarias para identificar el estado. Para nuestros fines bastan dos corolarios inmediatos:

• Si \(X\) tiene \(n\) estados equiprobables, entonces \(\mathrm{H}(X)=\log_{2} n\).

• Si \(X_1,\dots,X_k\) son independientes, la incertidumbre conjunta se suma:

  \[ \mathrm{H}(X_1,\dots,X_k)\;=\;\sum_{j=1}^{k}\mathrm{H}(X_j). \]

(Cuando las variables están correlacionadas, la entropía conjunta es inferior a esa suma; aquí supondremos independencia para mantener sencillo el ejemplo.)

Modelizaremos el nivel de stock de cada producto como una variable discreta y, en una primera aproximación, trataremos los distintos productos como independientes. Esto nos permite calcular la entropía de una tienda como «100 veces» el valor por producto. La siguiente subsección aplica estas fórmulas a dos tiendas muy distintas —una relojería de lujo y un almacén en las afueras— y cuantifica el contraste. Para una introducción compacta y accesible a la teoría más amplia, véase James V. Stone, Information Theory: A Tutorial Introduction (2019).

Entropía de dos tiendas

Precisamos ahora el contraste utilizado en el capítulo original. Modelícense las existencias físicamente presentes de cada SKU como una variable aleatoria discreta y, en una primera aproximación, trátese a las SKU como independientes¹⁶⁷. La entropía de la tienda es entonces la suma de las entropías por SKU.

Relojería de lujo. Cada SKU tiene como máximo una unidad físicamente presente, con una probabilidad del 95% de estar disponible y del 5% de encontrarse sin stock. Por tanto, una sola SKU es binaria, con

\[ p(1)=0.95,\qquad p(0)=0.05. \]

Utilizando la entropía binaria,

\[ \mathrm{H}_{\text{watch}}^{(1)} \;=\; -\,0.95\,\log_{2}(0.95)\;-\;0.05\,\log_{2}(0.05)\;\approx\;0.2864\ \text{bits}. \]

Para 100 SKU independientes,

\[ \mathrm{H}_{\text{watch}} \;=\; 100\,\mathrm{H}_{\text{watch}}^{(1)} \;\approx\; 28.64\ \text{bits}. \]

Almacén en las afueras. Para cada SKU, supongamos que las existencias físicamente presentes pueden tomar cualquier valor entero entre 0 y 9.999 con igual probabilidad. Una distribución uniforme sobre \(n\) estados tiene una entropía de \(\log_{2} n\), de modo que, por SKU,

\[ \mathrm{H}_{\text{depot}}^{(1)} \;=\; \log_{2}(10{,}000)\;\approx\; 13.2877\ \text{bits}, \]

y para 100 SKU,

\[ \mathrm{H}_{\text{depot}} \;=\; 100\,\mathrm{H}_{\text{depot}}^{(1)} \;\approx\; 1328.77\ \text{bits}. \]

Numéricamente, el almacén contiene aproximadamente \(\mathrm{H}_{\text{depot}}/\mathrm{H}_{\text{watch}} \approx 46.4\) veces más información de inventario que la relojería.

Interpretado en términos del juego de las «veinte preguntas», especificar por completo el estado del stock de las 100 SKU de la relojería requiere, de media, unas 29 respuestas de sí o no; el almacén requiere unas 1.329. La hipótesis uniforme sobrestima ligeramente la entropía respecto de distribuciones de stock realistas y concentradas, pero la diferencia sigue siendo del mismo orden. Este cálculo respalda la afirmación del capítulo de que dos surtidos de idéntico tamaño (100 SKU) pueden tener pesos informativos radicalmente distintos —uno medido en unas pocas decenas de bits y el otro en kilobits—, de ahí la necesidad de software para todo lo que vaya más allá de los flujos más sencillos.

12.4 Ordenación topológica

Una ordenación topológica dispone una colección de elementos de modo que cada requisito previo aparezca antes que el elemento que depende de él. La entrada es un grafo dirigido cuyos nodos son elementos (tareas, tablas, componentes) y cuyas flechas codifican «debe ir antes». Si el grafo no tiene ningún ciclo dirigido, existe un orden así; si hay un ciclo, ningún orden puede respetar todos los requisitos previos.

La práctica de la supply chain está llena de estas estructuras de precedencia. Una lista de materiales exige subensamblajes antes del ensamblaje; una receta numérica diaria debe ingerir registros antes de derivar características, elaborar previsiones antes de valorar opciones y valorar opciones antes de emitir pedidos de compra o transferencias. En un sistema de inteligencia, esta estructura se hace explícita como un grafo acíclico dirigido (DAG) y se ejecuta en ese orden en cada ejecución.

Intuición. Empiece por todo lo que no tenga requisitos previos; colóquelo en una lista de trabajo \(S\). Tome repetidamente un elemento \(n\) de \(S\), añádalo a la salida y relaje sus flechas salientes: cada sucesor \(m\) tiene un requisito previo menos; cuando ese recuento llega a cero, \(m\) se incorpora a \(S\). Si, al final, algunos elementos nunca se añadieron a la salida, dependen mutuamente unos de otros: un ciclo.

Ejemplo desarrollado de supply chain. Consideremos una pequeña lista de materiales: Tornillo y Panel no tienen requisitos previos; Marco requiere Panel; Ensamblaje requiere Tornillo y Marco. Un orden válido es:

\[ \text{Tornillo},\ \text{Panel},\ \text{Marco},\ \text{Ensamblaje}. \]

Al ejecutar el algoritmo, \(S\) contiene inicialmente Tornillo y Panel; después de añadir Panel a la salida, el grado de entrada de Marco baja a cero y este se incorpora a \(S\); una vez que Tornillo y Marco se han añadido a la salida, puede producirse Ensamblaje. El orden exacto entre elementos que pueden seleccionarse al mismo tiempo no afecta a la corrección, pero importa para la reproducibilidad.

Corrección y complejidad. Se respeta cada arista \((u\!\to\!v)\) porque \(v\) solo puede añadirse a la salida una vez eliminado su último requisito previo, lo que solo ocurre después de haber añadido \(u\). A la inversa, si un elemento se añade a la salida, no tenía ningún requisito previo pendiente en ese momento. El método se ejecuta en tiempo lineal \(O(|V|+|E|)\) con listas de adyacencia y una sola pasada sobre las aristas, y utiliza espacio lineal. En los sistemas de producción, haga que las salidas sean deterministas tomando los elementos de \(S\) en un orden fijo de claves (por ejemplo, \((\texttt{site},\texttt{sku},\texttt{step})\)); las mismas entradas reproducen entonces bit a bit el mismo orden, lo que facilita la auditoría y las reproducciones mediante viaje en el tiempo.

Uso operativo en un sistema de inteligencia. La receta numérica diaria es un DAG: ingerir extracciones sin procesar, normalizar, derivar características, ajustar o actualizar modelos probabilísticos, calcular valoraciones en unidades monetarias y después emitir escrituras idempotentes en los sistemas de origen (pedidos de compra, transferencias, precios). El entorno de ejecución realiza una ordenación topológica de ese grafo de cómputo y ejecuta los nodos en consecuencia. Un ciclo detectado no es un caso límite que deba «anularse manualmente»; es una infracción semántica que debe detener el motor (como se argumentó en el capítulo Inteligencia) y hacer aflorar un pequeño ciclo testigo para corregir la lógica o el contrato de datos. Producir ese testigo es sencillo: después de que el algoritmo se detenga con \(|L|<|V|\), siga los enlaces a predecesores dentro del subgrafo residual hasta que se repita un nodo; el bucle así revelado es la explicación mínima que necesita el operador.

12.5 Perceptrón de cuatro capas

Un perceptrón multicapa (MLP) de cuatro capas es el ejemplar útil más pequeño de lo que la sección de «deep learning» describió con palabras: un circuito fijo formado por aplicaciones lineales separadas por puertas no lineales sencillas. Es un buen vehículo para desmitificar sus mecanismos porque cada paso se reduce a álgebra lineal ordinaria.

Retomamos la tarea de juguete de los dígitos manuscritos (MNIST) utilizada antes; véase la Figura \ref{fig:perceptron} en el capítulo Inteligencia. Cada imagen en escala de grises es un array de \(28\times 28\), reescalado a números en \([0,1]\) y aplanado en un vector \(\mathbf{x}\in\mathbb{R}^{784}\). La red calcula puntuaciones para los diez dígitos \(0,\dots,9\) y después convierte esas puntuaciones en probabilidades. El dígito predicho es el de mayor probabilidad.

Propagación hacia delante (inferencia)

La red apila tres transformaciones afines separadas por rectificadores. Utilizando vectores columna y aplicando las no linealidades elemento a elemento, el cálculo es:

\[ \begin{aligned} \mathbf{z}_1 &= \mathbf{W}_1\,\mathbf{x} + \mathbf{b}_1, & \quad \mathbf{a}_1 &= R(\mathbf{z}_1),\\ \mathbf{z}_2 &= \mathbf{W}_2\,\mathbf{a}_1 + \mathbf{b}_2, & \quad \mathbf{a}_2 &= R(\mathbf{z}_2),\\ \mathbf{y} &= \mathbf{W}_3\,\mathbf{a}_2 + \mathbf{b}_3. && \end{aligned} \]

Aquí, \(\mathbf{W}_1\!\in\!\mathbb{R}^{256\times 784}\), \(\mathbf{W}_2\!\in\!\mathbb{R}^{128\times 256}\) y \(\mathbf{W}_3\!\in\!\mathbb{R}^{10\times 128}\) son matrices de pesos; \(\mathbf{b}_1\!\in\!\mathbb{R}^{256}\), \(\mathbf{b}_2\!\in\!\mathbb{R}^{128}\) y \(\mathbf{b}_3\!\in\!\mathbb{R}^{10}\) son vectores de sesgos. La no linealidad es el rectificador

\[ R(u)\;=\;\max(0,u), \]

aplicado coordenada a coordenada. Los rectificadores no solo bastan para aportar capacidad expresiva; también son baratos de evaluar en silicio, razón por la que desplazaron a las antiguas puertas con forma sigmoide.

La salida \(\mathbf{y}\in\mathbb{R}^{10}\) reúne una puntuación por dígito. Para obtener las probabilidades de las clases, aplicamos la función soft-max:

\[ p_k \;=\; \frac{e^{y_k}}{\sum_{j=0}^{9} e^{y_j}} \quad\text{para}\quad k=0,\dots,9. \]

El clasificador devuelve \(\arg\max_k p_k\); el vector completo de probabilidades \(\mathbf{p}\) resulta útil durante el entrenamiento porque cuantifica la incertidumbre y permite una función de pérdida suave.

Entrenamiento mediante descenso de gradiente estocástico

El entrenamiento elige todos los pesos y sesgos para que la red asigne una probabilidad alta al dígito correcto en imágenes que no ha visto. Sea \((\mathbf{x}^{(i)},\,t^{(i)})\) el ejemplo etiquetado de índice \(i\), con \(t^{(i)}\in\{0,\dots,9\}\) como clase verdadera. La pérdida estándar para un minilote \(B\) es la entropía cruzada media

\[ \mathcal{L}_B \;=\; -\,\frac{1}{|B|}\sum_{i\in B}\log p_{\,t^{(i)}}(\mathbf{x}^{(i)}), \]

ampliada opcionalmente con una pequeña penalización cuadrática sobre los pesos (decaimiento de pesos) para frenar el sobreajuste. Los frameworks modernos calculan el gradiente de \(\mathcal{L}_B\) respecto de cada parámetro mediante diferenciación automática. Un paso de descenso de gradiente estocástico (SGD) desplaza entonces ligeramente los parámetros en la dirección que reduce la pérdida:

\[ \theta \leftarrow \theta \;-\; \eta\,\nabla_{\theta}\,\mathcal{L}_B, \]

donde \(\theta\) denota la colección de todos los \(\mathbf{W}_\ell,\mathbf{b}_\ell\) y \(\eta>0\) es la tasa de aprendizaje. Repetir este sencillo ciclo —muestrear un minilote, ejecutar la propagación hacia delante, evaluar la pérdida y aplicar la actualización del gradiente— reduce gradualmente la pérdida en imágenes reservadas para la evaluación hasta que las mejoras se estancan. Las variantes (inercia, tasas de aprendizaje adaptativas) refinan la misma idea; ninguna altera el esquema básico.

Dos decisiones prácticas importan para la estabilidad y la velocidad, pero no complican la explicación. Primero, inicializar los pesos de modo que las activaciones no se disparen ni se desvanezcan al propagarse: con rectificadores funciona bien una gaussiana de media cero con una escala como \(\,\mathcal{N}(0,\;2/n_{\text{in}})\), donde \(n_{\text{in}}\) es el número de entradas de la capa. Segundo, procesar los ejemplos en pequeños grupos contiguos («minilotes») para aprovechar el paralelismo del hardware; la inferencia y el entrenamiento se reducen entonces a un puñado de productos de matrices densas (GEMM) más rectificadores baratos.

Tamaños, costes y lo que realmente se calcula

Contando solo los pesos, el MLP \(784\!\to\!256\!\to\!128\!\to\!10\) contiene

\[ 784\times256 \;+\; 256\times128 \;+\; 128\times10 \;=\; 234\,752 \]

números entrenables; los tres vectores de sesgos añaden una cantidad insignificante de \(256+128+10\). Una propagación hacia delante consiste en «tres productos de matrices y dos rectificadores». Esta visión mecánica —álgebra lineal intercalada con una puerta sencilla— es el modelo mental correcto. No hay magia oculta; la red es un circuito programable cuyos parámetros se ajustan mediante descenso de gradiente.

12.6 Optimización matemática

Este anexo complementa la discusión sobre El paradigma de optimización en el capítulo Decisiones. Su propósito es práctico: reformular el vocabulario de aquella sección —compromisos marginales, pruebas de viabilidad, penalizaciones valoradas, previsiones probabilísticas y objetivos económicos— en una forma matemática mínima que permita una resolución repetida y desatendida.

De las decisiones a un modelo

Una decisión es un conjunto finito de compromisos marginales. Sea \(\mathcal{A}=\{a_1,\dots,a_n\}\) el conjunto de microacciones admisibles para el ciclo actual (comprar una unidad más, asignar una unidad más a la tienda \(s\), programar una parada más, etcétera). La selección de una acción se registra mediante \(x_i\in\{0,1\}\); el vector \(x\in\{0,1\}^n\) codifica el compromiso completo. El marco hace explícito \(\mathcal{A}\) y asocia a cada \(a_i\) los datos necesarios para comprobar la viabilidad y valorar las consecuencias.

La viabilidad se expresa como pruebas que debe superar una solución candidata \(x\). Algunos límites son absolutos —prohibiciones legales, imposibilidades físicas— y aparecen como pruebas estrictas que rechazan \(x\) de plano. La mayoría de los límites operativos toleran una relajación a cambio de un precio; en lugar de prohibir esas infracciones, las valoramos. Sea \(g_k(x,\omega)\) una cantidad medible que la empresa desea limitar (carga de los muelles en un día, minutos fuera de una ventana horaria, horas extra), calculada bajo una realización \(\omega\) del futuro incierto. Una penalización valorada \(C_k(g_k)\), expresada en unidades monetarias, incorpora esa preferencia al objetivo. Mantener como pruebas solo los límites verdaderamente rígidos conserva la flexibilidad y la honestidad del motor; las penalizaciones valoradas hacen comparables molestias distintas en un único registro.

El objetivo se expresa en dinero. Dentro de la ventana de responsabilidad asociada a la clase de decisión actual, cada microacción \(a_i\) genera flujos monetarios de ingreso (márgenes, bonificaciones, valor residual) y de gasto (aprovisionamiento, manipulación, mantenimiento de inventario, obsolescencia, congestión, cargos por retraso). Bajo una visión probabilística de los futuros \(\Omega\), el motor evalúa el valor esperado de \(x\),

\[ J(x)\;=\;\mathbb{E}_\Omega\Bigg[\;\sum_{i=1}^{n} x_i\,v_i(\Omega)\;-\;\sum_{k} C_k\bigl(g_k(x,\Omega)\bigr)\;\Bigg], \]

donde \(v_i(\Omega)\) es la contribución monetaria neta de \(a_i\) durante la ventana, una vez imputados todos los costes ordinarios. Los ajustes de riesgo —por ejemplo, una valoración más alta de las pérdidas de cola— residen en los términos \(C_k\), no en porcentajes abstractos. Al ordenar pequeñas alternativas que inmovilizan capital durante periodos distintos, el capítulo Economía recomienda compararlas por su tasa de rendimiento aperiódica; en la práctica, esto significa calcular tanto la variación monetaria esperada como el capital inmovilizado y después expresar la velocidad con la métrica definida anteriormente en este anexo. El solver puede maximizar \(J\) y, para los compromisos marginales emitidos, indicar las velocidades aperiódicas asociadas.

La incertidumbre se incorpora en las entradas, no se oculta en el objetivo. El elemento aleatorio \(\Omega\) reúne las distribuciones que la empresa mantiene para la demanda, los plazos operativos, las fiabilidades, las devoluciones y cualquier factor exógeno valorado. El objetivo \(J\) es determinista dadas esas distribuciones. Esta separación mantiene claras la causalidad y la responsabilidad cuando los resultados decepcionan: o el marco omitió opciones, o los precios estaban mal orientados, o las previsiones estaban mal calibradas.

Penalizaciones frente a cotas probabilísticas

Dos formalismos codifican «mantener esto bajo control». Una restricción probabilística exige \(\mathbb{P}\bigl(g_k(x,\Omega)\leqslant \tau_k\bigr)\geqslant 1-\alpha_k\) para algún umbral \(\tau_k\) y una tolerancia \(\alpha_k\). Una restricción valorada asigna un coste monetario \(C_k(g_k)\) a todos los valores de \(g_k\). La primera oculta la economía dentro de un \(\alpha_k\) adimensional que debe ajustarse en otra parte; la segunda expresa las disyuntivas directamente en dinero y se agrega de forma natural con los demás términos. En las operaciones de supply chain —donde la mayoría de los límites pueden rebasarse a un coste—, la forma valorada es la herramienta de trabajo principal; conviene reservar las cotas puramente probabilísticas como salvaguardas para ámbitos infrecuentes y críticos para la seguridad.

Una elección conveniente es una penalización convexa y creciente, a menudo lineal por tramos, que aproxime la curva de perjuicios de la empresa. Para una carga de muelles \(q\) por encima de una capacidad flexible \(K\), con un perjuicio pronunciado a partir de \(K+\Delta\), se escribe \(C(q)=c_1\,(q-K)_+ + c_2\,(q-K-\Delta)_+\) con \(c_2\gg c_1\). Las cifras exactas son una cuestión económica; una vez expresadas, el solver encuentra los compromisos menos malos entre fricciones heterogéneas.

Micromodelo desarrollado: llenar un contenedor

Un importador debe emitir un pedido de contenedor completo. Cada unidad candidata \(a_i\) tiene un volumen \(w_i\) y un importe monetario neto esperado \(m_i(\Omega)\), acotado a la ventana, que ya incluye aprovisionamiento, manipulación, mantenimiento de inventario, obsolescencia, valor residual y efectos de la escasez. La capacidad del contenedor es \(W\), en la misma unidad que \(w_i\). El sobrellenado es posible, pero costoso, a razón de \(\lambda\) por unidad excedente.

Un objetivo fiel es

\[ \max_{x\in\{0,1\}^n}\;\mathbb{E}_\Omega\biggl[\sum_i x_i\,m_i(\Omega)\;-\;\lambda\Bigl(\sum_i x_i\,w_i - W\Bigr)_+\biggr], \]

sujeto a pruebas estrictas, como incompatibilidades legales o cargas conjuntas prohibidas. Se trata de un problema de la mochila penalizado bajo incertidumbre. Una resolución sencilla y eficaz concuerda con la perspectiva marginal del capítulo: en cada paso, calcular un precio sombra de la capacidad, elegir la unidad admisible con el mayor valor marginal esperado de \(\frac{m_i}{w_i}\) por encima de ese precio sombra, recalcular los precios sombra y detenerse cuando la siguiente unidad no supere el umbral de la economía de la espera (rendimiento aperiódico esperado y ajustado al riesgo inferior al capital más el valor de la opción de demorar). Como la valoración depende del conjunto dentro del contenedor y no de la ceremonia de su selección, esta acumulación voraz apunta a lo que importa económicamente; la ventana y las valoraciones terminales aseguran una atribución clara.

Micromodelo desarrollado: nivelar las entradas

Un almacén afronta desviaciones aleatorias de los proveedores y un número finito de puertas de recepción. Sea \(d_t(x,\Omega)\) el número de llegadas en el día \(t\) que implica \(x\) bajo \(\Omega\). Las horas extra, las esperas de los conductores, los cargos por demora y las perturbaciones se recogen en una penalización convexa \(C_{\text{dock}}(d_t)\). Un objetivo diario, expresado en unidades monetarias, sobre un horizonte \(T\) es

\[ \max_{x}\;\mathbb{E}_\Omega\Bigg[\sum_i x_i\,m_i(\Omega)\;-\;\sum_{t=1}^{T} C_{\text{dock}}\bigl(d_t(x,\Omega)\bigr)\Bigg], \]

de nuevo imponiendo como pruebas solo los límites verdaderamente rígidos. El optimizador adelanta o aplaza pedidos hasta que el rendimiento esperado del siguiente lote admisible supera el coste sombra del capital más el valor de la opción de esperar, mientras que la función convexa \(C_{\text{dock}}\) reparte la carga sin mandatos frágiles.