Análisis de Afresh, proveedor de software de inventario y reposición para supermercados

Por Léon Levinas-Ménard

Última actualización: 4 de noviembre de 2026

Afresh ofrece software para supermercados que abarca la reposición en tienda, los recuentos de inventario, la producción de comida preparada, la gestión de recetas y las compras de los centros de distribución. El personal de tienda utiliza sus aplicaciones para comprobar las existencias y ejecutar los pedidos y las tareas de producción recomendados; los compradores de los centros de distribución las utilizan para reponer los almacenes y gestionar las excepciones de compra. Desarrollada inicialmente para las secciones de frescos, la plataforma amplió en marzo de 2026 su cobertura anunciada a los alimentos envasados, congelados, mercancías generales y productos de salud y belleza. 1 2 3 4

Puntuación global: 6,0/10.

Dimensión	Puntuación
Profundidad en supply chain	6,4/10
Sustancia de las decisiones y la optimización	6,8/10
Integridad del producto y la arquitectura	5,0/10
Transparencia técnica	5,6/10
Seriedad del proveedor	6,0/10

Afresh tiene una base técnica sustancial para el inventario perecedero: una función objetivo de pedidos publicada, modelos probabilísticos de demanda e inventario y explicaciones de cómo la vida útil modifica las decisiones. Sus pruebas más sólidas se refieren a las operaciones de frescos en tienda. La promesa más amplia de optimizar la economía del supermercado está menos acreditada, sobre todo cuando interactúan las reglas de presentación comercial, las compras del almacén y el trabajo en tienda. El software puede mejorar un pedido dejando intacta la regla que lo hace poco rentable. 5 6 10

Afresh publica suficientes detalles de ingeniería para evaluar varios mecanismos, y sus referencias de clientes incluyen un uso sostenido y mejoras operativas. La evidencia pública es más escasa en cuanto al coste total de propiedad, la contención de incidentes de seguridad y la economía de las funciones más recientes para centros de distribución y para toda la tienda.

Afresh frente a Lokad

Afresh incorpora las decisiones del supermercado en aplicaciones para los equipos de tienda y los compradores. El enfoque de Lokad se centra en un sistema de decisiones mantenido de forma continua, que evalúa económicamente las acciones viables bajo incertidumbre y envía las seleccionadas a los sistemas operativos. Su perspectiva de diseño más amplia se desarrolla en Introducción a la supply chain. La diferencia atañe a la responsabilidad y al alcance de la lógica de decisión, no a si uno u otro proveedor utiliza pronósticos probabilísticos.

La política ShrinkAware publicada por Afresh asigna costes al deterioro, las ventas perdidas y el mantenimiento de inventario. Su modelo de inventario también trata las existencias como inciertas. Estos aspectos coinciden con el servicio de optimización de inventario de Lokad, en el que los Supply Chain Scientists desarrollan y mantienen la lógica numérica de decisión del cliente. 5 6

La distinción más difícil aparece cuando una premisa comercial es incorrecta. Un mínimo de exposición puede exigir más inventario del que se venderá antes de caducar. Un almacén puede mejorar sus propias cifras de salida enviando productos envejecidos a las tiendas. El sistema de decisiones pertinente debe exponer y corregir esos incentivos, en lugar de limitarse a calcular pedidos que los respeten. La propia descripción de Afresh sobre estos problemas proporciona una prueba concreta del alcance de su optimización. 10

Para un supermercado, Afresh ofrece un conocimiento considerable y listo para usar sobre mostradores, recetas, rendimientos, recuentos de existencias y preparación durante el día. La propuesta de Lokad pone más énfasis en adaptar y mantener el modelo económico entre decisiones que interactúan. La comparación práctica consiste en determinar qué configuración produce mejores decisiones ejecutables una vez contabilizado el trabajo continuo de empleados, compradores, responsables de presentación comercial, ingenieros y gerentes.

Historia: continuidad técnica, seguida de una promesa de IA más amplia

Afresh se fundó en 2017. Su anuncio de financiación de julio de 2020 ya describía una plataforma de alimentos frescos basada en IA y promocionaba mejoras en ventas, desperdicio y márgenes. Aquellas primeras afirmaciones se referían a una aplicación acotada para supermercados; las publicaciones de ingeniería posteriores les aportan más sustancia que un cambio retrospectivo de vocabulario. 12

En 2021, un artículo de ingeniería explicó por qué un pronóstico puntual preciso no basta para pedir productos perecederos. Desarrolló un pequeño ejemplo de programación dinámica y después mostró cómo el seguimiento de la edad del producto hace explotar el espacio de estados. El artículo distinguía expresamente ese tutorial del método utilizado en producción. Las mejoras simuladas de costes y desperdicio eran resultados ilustrativos, no resultados de clientes. 7

La secuencia continuó con los pedidos probabilísticos de ingredientes en 2022, la política ShrinkAware en 2023 y la inferencia de inventario y los pronósticos de promociones en 2024. Cada contribución abordaba un problema reconocible del supermercado y revelaba parte del mecanismo. Esta progresión respalda una hoja de ruta técnica coherente: la incertidumbre, la perecibilidad y las observaciones imperfectas siguen siendo centrales en los distintos artículos. 8 5 6 9

Los informes de los propios clientes también respaldan la continuidad del despliegue. El informe de sostenibilidad de Albertsons de 2025 indica que utilizó Afresh en frutas y verduras, carne y pescados y mariscos durante 2024. Esto confirma el uso operativo con independencia del material comercial de Afresh, aunque el pasaje no aísla un retorno financiero atribuible al software. 13

La naturaleza de las pruebas cambia con el lanzamiento de Fresh Buying en noviembre de 2025. Su anuncio describía agentes de IA que coordinaban los pronósticos, la selección de proveedores, la composición de cargas de camión y la resolución de incidencias; Wakefern aparecía como uno de los primeros clientes, con un despliegue previsto. La ampliación de marzo de 2026 extendió después la propuesta a toda la tienda. El anuncio de Grocery Outlet de junio correspondía a la selección del producto para los pedidos de toda la tienda. Estos anuncios establecen la dirección del producto y los compromisos comerciales; los artículos de ingeniería publicados describen principalmente componentes anteriores para las secciones de frescos. 14 4 20

La preocupación histórica es, por tanto, la creciente distancia entre los mecanismos demostrados y la cobertura anunciada. Afresh merece reconocimiento por varios años de trabajo de ingeniería específico. Sus nuevas afirmaciones sobre agentes y alcance empresarial necesitan una divulgación equivalente del ámbito de decisión desplegado, los fallos y los resultados operativos netos.

Mecanismos de decisión: probabilidades útiles y límites económicos incompletos

Una verdadera función de costes para los perecederos

ShrinkAware combina costes de deterioro, ventas perdidas y mantenimiento de inventario. Distingue las existencias en sala de ventas de las almacenadas en la trastienda y hace que la penalización por falta de producto empiece antes de que los estantes estén completamente vacíos. Sus autores también explican que el esfuerzo de estimación debe seguir la sensibilidad de la decisión: un pequeño error en la vida útil importa mucho más para unos productos que para otros. Afresh comunicó una reducción adicional de la merma del 5–10 % frente a su política anterior tras el lanzamiento en 2023. El artículo no publica la muestra de despliegues ni una evaluación reproducible. 5

Este es un punto de partida más sólido que optimizar la precisión del pronóstico y esperar que el inventario resultante sea rentable. Sin embargo, asignar un coste a una exposición poco abastecida no establece el valor correcto de ese coste. La penalización puede representar una pérdida de demanda económicamente justificada o una preferencia de presentación comercial que sobrecarga sistemáticamente los estantes. La calidad de la decisión depende de cómo se mida y mantenga esa distinción.

La incertidumbre del inventario y el valor de contar

El artículo InvHMM de Afresh de 2024 modela el inventario real como un estado oculto y los recuentos físicos como observaciones ruidosas. Su filtro de partículas mantiene trayectorias alternativas del inventario a través de ventas, envíos, mermas y caducidad, y actualiza su plausibilidad relativa cuando llegan los recuentos. Afresh comunica un error cuadrático medio un 10–40 % inferior al del inventario permanente en un subconjunto de mediciones fiables. 6

La contribución útil es la conexión con la acción. Si un recuento puede modificar sustancialmente el siguiente pedido, tiene valor; si todas las existencias plausibles implican no pedir, volver a contar aporta poco beneficio inmediato. El muestreo por sí solo es una técnica numérica básica. Elegir qué incertidumbre merece resolverse puede eliminar trabajo real en tienda. La explicación pública proporciona un mecanismo para esa elección, aunque deja casi sin explorar la calibración conjunta de varios artículos y eventos de suministro. 6

Validación del pronóstico con un horizonte operativo

El artículo de Afresh sobre pronósticos de promociones describe una red codificador-decodificador que utiliza ventas, precios, identificadores de tienda y artículo, tamaños de exposición y tipos de promoción. Evalúa la demanda de tres días y vincula ese horizonte al intervalo de pedido y al retraso de entrega. Una prueba de ablación elimina las variables de promoción; el deterioro resultante se compara mediante pérdida cuantílica y calibración. La cobertura comunicada del 77,5 % para un pronóstico del percentil 80 en un momento próximo al inicio de la promoción es un resultado de calibración, no una afirmación de precisión del pronóstico del 77,5 %. 9

Esto aporta mucha más información que un titular de precisión casi perfecta. La agregación elegida sirve a un horizonte de reposición declarado y mantiene visible la incertidumbre. La siguiente pregunta económica es si el mejor pronóstico cambia los pedidos que aún pueden ejecutarse a tiempo y cuánto margen preservan esos cambios. Una mejora del pronóstico después del primer día promocional puede ser valiosa para reponer más adelante y, al mismo tiempo, llegar demasiado tarde para la asignación inicial.

Las recetas conectan artículos; las dependencias siguen importando

El tutorial de recetas de 2022 transforma la demanda de productos preparados en demanda de ingredientes compartidos. Toma muestras de las distribuciones de los productos de las recetas, aplica factores de conversión y obtiene un cuantil para pedir ingredientes. El ejemplo supone expresamente demandas independientes y una recepción y preparación inmediatas antes de abrir. Deja la sustitución, los rendimientos variables y la escasez de ingredientes como ampliaciones. 8

Una promoción común puede aumentar simultáneamente la demanda de varias recetas; un plato competidor puede desviarla. Las muestras independientes representarán mal la cola de la necesidad conjunta de ingredientes cuando esas relaciones importen. Añadir muestras no corrige una dependencia ausente. El tutorial explicita esta limitación.

La documentación de recetas de Afresh de octubre de 2026 ya describe la atribución de ingredientes entre departamentos y las identidades y rendimientos de ingredientes específicos de cada tienda. También reconoce que las modificaciones manuales pueden revelar contexto ausente en el modelo. Es un avance práctico en el mantenimiento de la representación del negocio. La documentación no muestra cómo el sistema actual en producción modela conjuntamente la incertidumbre de la demanda, el rendimiento y el suministro. 11

Las compras de los centros de distribución amplían el perímetro de decisión

La documentación de centros de distribución de octubre de 2026 especifica demanda probabilística, fiabilidad del proveedor en los colchones de inventario, equilibrios entre transporte y deterioro, límites de capital para compras anticipadas y demanda transferida a sustitutos. Las órdenes de compra rutinarias pueden enviarse automáticamente; las compras anticipadas requieren la aprobación del comprador. 3

La cuestión pendiente es cómo se combinan estas consideraciones. Las estadísticas de fiabilidad y los plazos configurables pueden mejorar un colchón sin representar la distribución de fechas y cantidades de futuras entregas. Una compra anticipada rentable localmente puede consumir capacidad o efectivo más útiles en otro lugar. La descripción pública no expone el modelo estocástico conjunto ni el método para seleccionar acciones acopladas. Ese modelo también debe seguir siendo correcto cuando cambian las prácticas de los proveedores, las condiciones comerciales y el comportamiento de las tiendas. Esta carga de mantenimiento es central en la holimización, no un detalle de implementación que desaparece cuando un solver devuelve una respuesta.

Mantenimiento de la configuración, productividad y responsabilidad

¿Quién responde por las premisas que destruyen el retorno?

Un artículo de octubre de 2026 del vicepresidente de gestión de cuentas de Afresh describe resultados decepcionantes de merma pese a unas métricas de pedidos en tienda aparentemente buenas. Un ejemplo atribuye la pérdida a un centro de distribución que compra en exceso y envía productos próximos a caducar a las tiendas. Otro presenta un expositor que exige dos cajas de naranjas sanguinas cuando las ventas semanales son una décima parte de una caja. Sostiene que un sistema de pedidos que llena ese expositor está haciendo lo que se le pidió. 10

Este último argumento revela un límite económico débil. El expositor representa aproximadamente veinte semanas de demanda, incluso antes de considerar la frescura. Un sistema vendido para reducir el desperdicio debería convertir esa contradicción en una actuación concreta y asignar la responsabilidad de cambiar el expositor. Cumplir correctamente una instrucción que genera pérdidas no es optimizar correctamente.

El autor afirma que, en su experiencia como consultor, los fallos atribuidos al sistema casi siempre se debían a personas y procesos desalineados. El ejemplo del expositor revela el límite de esa distinción: el software acepta una entrada de presentación comercial que genera desperdicio de forma previsible. La responsabilidad económica debe abarcar la detección y corrección de esas entradas, incluido quién debe actuar cuando la aplicación no puede cambiarlas. 10

El artículo de Afresh sobre atribución de recetas ofrece una postura mejor: las modificaciones manuales repetidas pueden indicar contexto ausente en el modelo. Su vacante actual para ingenieros que trabajan directamente con los clientes también les asigna la responsabilidad de descubrir el problema real del cliente, construir la solución y medir resultados como las horas ahorradas y el desperdicio reducido. Son compromisos constructivos con el mantenimiento del modelo. La vacante describe una forma de operar, pero no constituye prueba de reparto contractual del riesgo ni de retornos auditados de proyectos. 11 19

El trabajo eliminado y el que permanece

La página de pedidos en tienda de Afresh anuncia pedidos un 40–50 % más rápidos y describe recuentos guiados y revisiones de pedidos. También ofrece recomendaciones mediante una API de backend para una interfaz ya existente del minorista. El beneficio de productividad relevante es reducir cálculos y orientar mejor las observaciones; el proceso básico de tienda sigue incluyendo el criterio del empleado y la comprobación física. 1

Production Planning vincula ingredientes y productos terminados y programa la preparación a lo largo del día. Los empleados revisan las estimaciones de inventario antes de producir. Los mínimos configurables siguen siendo vinculantes, y el producto registra la ejecución, las modificaciones manuales y el cumplimiento. 2 Es esencial distinguir el trabajo físico necesario del trabajo de planificación evitable: cortar fruta requiere mano de obra, mientras que corregir repetidamente cantidades que un modelo podría calcular es un coste continuo del software.

El caso de Fresh Thyme describe la sustitución de una planificación de producción en papel en una empresa de 70 tiendas. Comunica un aumento del cumplimiento de aproximadamente el 40 % al 90 %, un crecimiento interanual del 70 % en las ventas de pollo asado y un aumento del 8,8 % en las ventas de delicatessen. También describe cómo la visibilidad corporativa se usa para orientar a las tiendas. Estas cifras muestran un cambio operativo; no aportan la mano de obra adicional, el desperdicio, el margen ni el coste de implementación necesarios para calcular su retorno neto. 15

Heinen’s ofrece un ejemplo diferente y más acotado: sustituir los recuentos al cierre del periodo basados en precios por el escaneo a nivel de artículo. Su director financiero afirma que el recuento dura ahora cuatro horas, pero el relato publicado no da una duración numérica del proceso anterior. La mejora de identificación de artículos es tangible; no se puede calcular un porcentaje de ahorro de trabajo a partir de ese relato. 16

Estos avances deben evaluarse frente a toda la carga recurrente: mantener recetas y rendimientos, revisar los mínimos de presentación, corregir flujos de datos, investigar excepciones, contar y supervisar el cumplimiento. Una interfaz de tienda más rápida es útil. Una ventaja duradera de productividad exige que el trabajo total de decisión por tienda o puesto de compras disminuya sin que aparezca un trabajo equivalente en un equipo central de soporte.

Inventario de componentes de software y seguridad

Las ofertas de empleo y los anuncios de alianzas actuales revelan una dirección de plataforma razonablemente coherente. La vacante de backend de Ordering enumera expresamente Python, JavaScript, TypeScript, React Native, Databricks y GraphQL como el stack de Afresh; Azure figura entre los requisitos de experiencia. La vacante de ingeniería directa con clientes indica que su equipo trabaja con Databricks y Azure, junto con PySpark y dbt. Son vacantes actuales sin fecha, consultadas para este análisis. 18 19

Componente o límite	Prueba	Consecuencia
Aplicaciones y servicios de pedidos	Lenguajes indicados, React Native y GraphQL en la vacante de Ordering	El código móvil y el de los servicios deben evolucionar juntos cuando cambian los procesos.
Ingeniería de datos	Databricks, Azure, PySpark y dbt en la ingeniería directa con clientes	El procesamiento, la orquestación, las transformaciones de datos y sus costes operativos siguen formando parte de la prestación.
Intercambio de datos del cliente	Databricks Open Sharing, antes Delta Sharing	Puede reducir el trabajo de integración duplicado para los minoristas que ya utilizan la plataforma.
Integración operativa	API de recomendaciones y conexiones a los sistemas de compras	La ejecución sigue dependiendo de correspondencias mantenidas y de los sistemas del minorista.

El anuncio de Databricks de octubre de 2026 describe el acceso a datos del cliente en un entorno existente con gobernanza y la devolución de datos estandarizados. Es una disposición de integración útil. El nombre de la alianza no aporta pruebas independientes de que el modelo de pedidos sea mejor, más barato de operar o más fácil de mantener. Esos resultados exigen medir el almacenamiento duplicado, el procesamiento, el esfuerzo de integración y el tiempo continuo de ingeniería. 17

La documentación de centros de distribución de Afresh identifica SSO, SCIM, controles de acceso, cifrado y destrucción de datos al finalizar el contrato. Su descripción pública no explica el aislamiento entre clientes, el alcance de credenciales de servicio comprometidas, las restricciones al acceso del soporte ni la recuperación después de cambios destructivos. 3 Estos son los mecanismos necesarios para evaluar la seguridad por diseño. El cumplimiento normativo no responde a esas preguntas de ingeniería.

Las funciones de ingeniería también dejan sin especificar los permisos del código de producción y de las operaciones privilegiadas. Su acceso a los entornos alojados por Afresh y conectados con los clientes necesita límites exigibles, incluidas restricciones sobre credenciales, dependencias y acceso a la red.

Puntuación de supply chain

La puntuación global es la media con igual ponderación de las siguientes 25 puntuaciones parciales. Evalúan la evidencia pública disponible el 4 de noviembre de 2026.

Profundidad en supply chain

Criterio	Puntuación
Enfoque económico	7/10
Resultado operativo de las decisiones	8/10
Claridad conceptual sobre supply chain	8/10
Independencia de doctrinas obsoletas	5/10
Resistencia a los indicadores de fachada	4/10

Media: 6,4/10.

Enfoque económico — 7/10. La función objetivo publicada para los pedidos de perecederos conecta cantidades y costes. La debilidad reside en ajustes impuestos comercialmente que pueden anular esa lógica económica sin que el sistema de decisiones los corrija. 5 10

Resultado operativo de las decisiones — 8/10. Los pedidos de tienda, las cantidades de preparación y las órdenes de compra son resultados concretos. La integración con los sistemas de compras proporciona al producto para centros de distribución una vía de ejecución que va más allá del asesoramiento y los informes. 1 2 3

Claridad conceptual sobre supply chain — 8/10. Afresh explica la perecibilidad, el inventario imperfecto, las transformaciones de ingredientes y la distancia entre un buen pronóstico y un buen pedido. Estos mecanismos abordan el negocio físico con un grado de detalle útil. 6 7 11

Independencia de doctrinas obsoletas — 5/10. Las distribuciones de probabilidad mejoran los colchones estáticos de planificación, pero las preferencias de servicio y los mínimos de presentación siguen condicionando el resultado. La validez económica de esos ajustes no puede delegarse indefinidamente en el mantenimiento de políticas. 2 5

Resistencia a los indicadores de fachada — 4/10. Los artículos técnicos distinguen calibración, error y coste de decisión. Los casos comerciales destacan ventas y cumplimiento sin publicar un cálculo completo del retorno, lo que permite sustituir la rentabilidad por el éxito de métricas intermedias. 9 15

Sustancia de las decisiones y la optimización

Criterio	Puntuación
Profundidad de la modelización probabilística	7/10
Sustancia distintiva de optimización o aprendizaje automático	7/10
Tratamiento de las restricciones reales	8/10
Automatización de decisiones y productividad laboral	6/10
Resiliencia ante la complejidad operativa real	6/10

Media: 6,8/10.

Profundidad de la modelización probabilística — 7/10. Las distribuciones de demanda y la estimación incierta de existencias cuentan con mecanismos y validación publicados. La evidencia es menos completa para entregas, rendimientos, sustitución y uso compartido de recursos inciertos de forma conjunta. 6 8 9

Sustancia distintiva de optimización o aprendizaje automático — 7/10. ShrinkAware y el modelo de inventario abordan carencias concretas de la reposición genérica. Su aportación proviene de la formulación y el uso operativo, no de la novedad del muestreo o de las redes neuronales. 5 6

Tratamiento de las restricciones reales — 8/10. La atribución de recetas, la frescura, las etapas de preparación y las restricciones de compra reciben un tratamiento explícito. La preocupación restante es la interacción de esas restricciones en toda la red, no la falta de detalle del dominio. 2 3 11

Automatización de decisiones y productividad laboral — 6/10. Las cantidades recomendadas y las compras rutinarias automatizadas eliminan trabajo. Las revisiones guiadas en tienda, la gestión de excepciones y la supervisión del cumplimiento siguen siendo considerables, y los casos de clientes no miden toda la carga continua. 1 3 15

Resiliencia ante la complejidad operativa real — 6/10. Afresh relaciona las modificaciones manuales recurrentes con el contexto ausente de las recetas y describe la corrección de correspondencias de ingredientes y rendimientos. Sus ingenieros que trabajan directamente con los clientes convierten problemas operativos en pilotos y cambios reutilizables de la plataforma. Son vías concretas para revisar el modelo de decisión. La reproducción de operaciones históricas, las pruebas de aceptación económica y la puesta en producción controlada de esas revisiones siguen insuficientemente documentadas. (11, 19)

Integridad del producto y la arquitectura

Criterio	Puntuación
Coherencia arquitectónica	6/10
Claridad de los límites del sistema	6/10
Seriedad de la seguridad	3/10
Sobriedad del software y coste de propiedad	4/10
Compatibilidad con operaciones programáticas y asistidas por agentes	6/10

Media: 5,0/10.

Coherencia arquitectónica — 6/10. Los pedidos y la producción comparten información de ingredientes y pronósticos, y el stack de ingeniería divulgado tiene una dirección de plataforma reconocible. El material público ofrece una visibilidad limitada de cómo las nuevas capacidades de compra y agentes comparten esa arquitectura. 2 18 19

Claridad de los límites del sistema — 6/10. Las interfaces operativas y los procesos de los empleados son comprensibles. La responsabilidad económica es menos clara cuando un pedido sigue una regla configurada que genera desperdicio previsible. 1 3 10

Seriedad de la seguridad — 3/10. Se enumeran capacidades de autenticación y control de acceso. La contención, el acceso privilegiado, la recuperación de fallos destructivos y las consecuencias de una integración comprometida no se explican con un detalle comparable. 3

Sobriedad del software y coste de propiedad — 4/10. La plataforma de datos, los servicios de aplicación y la ingeniería específica de cada cliente generan costes operativos recurrentes. No se cuantifican ni el consumo de alojamiento ni el esfuerzo continuo de configuración. 17 18 19

Compatibilidad con operaciones programáticas y asistidas por agentes — 6/10. Las API y el envío automático de pedidos permiten la ejecución por máquinas. La propuesta de agentes solo es creíble en la medida en que elimine trabajo de decisión preservando el control de las premisas económicas; su amplitud anunciada supera los detalles de implementación publicados. 1 3 14

Transparencia técnica

Criterio	Puntuación
Documentación técnica pública	7/10
Posibilidad de examen sin mediación del proveedor	6/10
Visibilidad de la portabilidad y la dependencia del proveedor	4/10
Transparencia del método de implementación	6/10
Densidad de pruebas que respaldan las afirmaciones técnicas	5/10

Media: 5,6/10.

Documentación técnica pública — 7/10. Los artículos de ingeniería describen objetivos, premisas, modelos y medidas de evaluación con un detalle poco habitual en el software empresarial de planificación. La divulgación correspondiente al nuevo perímetro del producto es más funcional que matemática. 5 6 9 3

Posibilidad de examen sin mediación del proveedor — 6/10. Los lectores pueden examinar mecanismos relevantes y código didáctico sin una demostración. No pueden reproducir las mejoras comunicadas en producción ni inspeccionar toda la lógica de decisión desplegada. 7 5

Visibilidad de la portabilidad y la dependencia del proveedor — 4/10. El intercambio de datos y una API de recomendaciones reducen la dependencia de la interfaz. No explican cómo un minorista exportaría el comportamiento aprendido, reconstruiría las elecciones de políticas o sustituiría el modelo sin rehacer su proceso de decisión. 1 17

Transparencia del método de implementación — 6/10. La documentación del producto y las ofertas de ingeniería revelan el trabajo de datos, el despliegue y la relación continua con el cliente. Esto ayuda a identificar el trabajo necesario, pero no establece un coste previsible ni quién lo asume cuando cambian las premisas. 2 19

Densidad de pruebas que respaldan las afirmaciones técnicas — 5/10. Las evaluaciones de componentes y los despliegues identificados respaldan las afirmaciones centrales sobre frescos en tienda. Los resultados económicos más amplios y las últimas ampliaciones de la plataforma dependen más de resúmenes del proveedor y anuncios de lanzamiento. 6 9 13 14

Seriedad del proveedor

Criterio	Puntuación
Seriedad técnica de la comunicación pública	6/10
Integridad de la hoja de ruta tecnológica	7/10
Claridad conceptual	7/10
Responsabilidad económica	4/10
Capacidad de diferenciarse en un mundo de software agéntico	6/10

Media: 6,0/10.

Seriedad técnica de la comunicación pública — 6/10. Los ingenieros distinguen los modelos ilustrativos de la producción y explican las limitaciones relevantes. Las afirmaciones amplias sobre IA y márgenes reciben un tratamiento menos preciso en el material comercial. 7 8 12 14

Integridad de la hoja de ruta tecnológica — 7/10. La secuencia fechada muestra un trabajo sostenido sobre los mismos problemas de alimentos frescos, seguido de ampliaciones relacionadas del producto. La reciente presentación de agentes aumenta la exigencia de demostrar una continuidad equivalente en las nuevas capacidades. 5 6 7 14

Claridad conceptual — 7/10. Afresh entiende que las observaciones del inventario, la vida útil y las transformaciones forman parte del problema de decisión. Su tratamiento de las pérdidas provocadas por la exposición es menos convincente, porque acepta una instrucción antieconómica como límite de la responsabilidad del software. 6 10 11

Responsabilidad económica — 4/10. Los ejemplos de clientes hacen plausibles los beneficios, y la ingeniería directa con clientes destaca los resultados medidos. La información pública sigue omitiendo la economía completa del proyecto y deja margen para atribuir los resultados desfavorables a las operaciones circundantes. 10 15 19

Capacidad de diferenciarse en un mundo de software agéntico — 6/10. El conocimiento del inventario perecedero y la modelización de datos relevantes para decidir pueden conservar su valor cuando las interfaces sean más fáciles de construir. La ventaja duradera debe residir en decisiones económicas fiables y mantenidas, no en un asistente que presente otra lista de tareas al comprador. 6 11 14