Contactar

Análisis de Asper.ai, proveedor de software de planificación para bienes de consumo

Por Léon Levinas-Ménard
Última actualización: 4 de noviembre de 2026

Volver a Investigación de mercado

Asper.ai es una empresa de software propiedad de Fractal que atiende a compañías de bienes de consumo envasados. Su plataforma actual combina planificación de demanda con gestión del crecimiento de ingresos: precios, promociones, surtido, mezcla de productos e inversión comercial. Una plataforma de datos subyacente reúne información comercial, mientras la interfaz conversacional AskAsper permite explorar escenarios y recomendaciones. Los sistemas existentes de planificación de recursos empresariales y gestión de promociones comerciales conservan los registros de transacciones y reciben planes y decisiones aprobados. 1

Puntuación global en supply chain: 4,4/10.

Dimensión Puntuación
Profundidad en supply chain 4,6/10
Sustancia de las decisiones y la optimización 4,6/10
Integridad del producto y la arquitectura 4,4/10
Transparencia técnica 4,0/10
Seriedad del proveedor 4,2/10

Asper aborda problemas comercialmente importantes. Precios, gasto promocional y sustitución de productos forman parte de una evaluación económica de la demanda. Sus casos antiguos también informan de automatización de previsiones y mejoras de productividad de los planificadores. La debilidad está en el paso de esas capacidades a la promesa actual de crecimiento coordinado y agéntico: la evidencia pública establece asistencia de previsión y recomendaciones comerciales con mucha más claridad que un sistema repetible que aumente el beneficio después de los costes de implementación y operación. 1 6 7

Las patentes describen recomendaciones probabilísticas de acciones y la evaluación de ajustes de planificadores, sin establecer su implementación en la plataforma comercial actual. Las descripciones de despliegue abarcan varios servicios en la nube, y la oferta actual incluye consultoría, adopción y desarrollo de capacidades. El coste de mantener esta combinación pesa directamente sobre los retornos prometidos. 10 11 12 13 15

Asper.ai frente a Lokad

Asper parte de la organización de planificación comercial: combinar sus previsiones, analizar oportunidades de ingresos, simular precios y promociones, y encauzar decisiones por los procesos de aprobación existentes. Lokad parte de las decisiones mismas: qué unidades comprar, producir, asignar o rebajar, dadas la demanda y el suministro inciertos, las restricciones operativas y las consecuencias financieras de cada alternativa. La promesa actual de Asper de conservar los procesos existentes facilita la adopción; también conserva buena parte de la maquinaria organizativa cuya productividad debería cuestionarse. 1 Véase el enfoque de optimización de inventario de Lokad.

La distinción importa cuando una promoción parece atractiva. Más ventas previstas pueden coincidir con ventas perdidas a precio completo, traslados de stock costosos, reabastecimiento insuficiente o sobrantes después del evento. Asper cubre explícitamente los efectos de precios y promociones. Sus materiales públicos no muestran cómo las recepciones inciertas de proveedores, los usos competidores del inventario y esas consecuencias financieras entran en un cálculo común de decisión. Su patente de gestión de desviaciones ofrece un punto de partida útil —probabilidades, alternativas de acción, restricciones y ganancias o pérdidas—, pero no establece el tratamiento desplegado de ese problema concreto de supply chain. 1 10

Introduction to Supply Chain de Lokad explica la perspectiva de diseño más amplia: automatizar decisiones numéricas, expresar su economía y mejorar la lógica conforme se acumula conocimiento. La comparación relevante de productividad incluye a quienes mantienen correspondencias de datos, modelos, excepciones y reglas comerciales. Acortar una reunión de revisión de previsiones solo captura parte de ese trabajo.

De la anticipación de demanda al RGM agéntico

La entidad británica se constituyó en noviembre de 2019 como Samya.ai Limited y adoptó el nombre Asper.ai en noviembre de 2022. Fractal adquirió Samya en junio de 2021. 2 4

Periodo Afirmación pública o dirección del producto Qué establece el historial
2020 Dynamic Demand AI utilizaba 200 factores externos y aprendizaje automático automatizado para anticipar demanda. El lanzamiento describía consultas a más de 100 planificadores y pruebas de valor con cinco empresas de bienes de consumo. No publicaba una evaluación controlada de las afirmaciones sobre previsiones o ingresos.
2021 Fractal adquirió Samya, promoviendo deep learning, aprendizaje por refuerzo, métodos probabilísticos y una ventaja de diez veces. El anuncio de adquisición no definía la magnitud, referencia o experimento detrás de esa ventaja.
2022 Asper se lanzó con un motor de decisiones autónomo para demanda, inventario, precios y promociones. El mismo anuncio describía los módulos de planificación de demanda y precios/promociones como versiones de prueba limitadas.
2023 Los casos describían planificación de demanda con poca intervención y mejoras de productividad de los planificadores. Los procesos documentados conservaban ajustes de planificadores y separaban casos de alto riesgo para atención humana.
2025 Fractal anunció una inversión escalonada de $20 millones. El alcance declarado seguía cubriendo demanda, gestión del crecimiento de ingresos, planificación de inventario y ejecución comercial.
Actual Agentic RGM combina agentes comerciales, AskAsper y una plataforma de datos. La descripción actual se centra en decisiones comerciales controladas y en conservar procesos empresariales existentes.

Fuentes: 3 4 5 6 7 9 1.

El lenguaje temprano sobre IA ya era expansivo. En 2022, «autónomo» describía una suite cuyos módulos anunciados seguían en una versión de prueba limitada. Los documentos posteriores de clientes ofrecen una explicación más acotada y creíble: automatizar parte de la producción de previsiones y ayudar a los planificadores con el resto. La presentación agéntica actual necesita evidencia de qué cambió en el sistema numérico de decisión, más allá de añadir una interfaz conversacional. 5 6 7

Hay continuidad en el problema comercial abordado. Anticipación de demanda, factores externos, intervención de planificadores y efectos sobre ingresos se repiten en todo el historial. Existe mucha menos continuidad en la documentación técnica pública: los enlaces actuales de producto, recursos y filosofía de IA conducen mayoritariamente a una página de próxima publicación, mientras casos útiles sobreviven en PDF archivados. La maduración del producto debería facilitar el examen de mecanismos y resultados. 1 6 7

Qué revelan los métodos numéricos

Recomendaciones probabilísticas en las patentes

Una solicitud de patente de Samya publicada en 2021 describe un sistema de gestión de desviaciones. Un usuario especifica un caso de uso y métricas; modelos interconectados predicen desviaciones, asignan probabilidades, siguen sus efectos y recomiendan acciones. Las reivindicaciones incluyen explícitamente distribuciones de resultados de acciones, restricciones operativas indicadas por el usuario y ganancias cuantificadas al actuar o pérdidas al rechazar la acción. Un mecanismo de retroalimentación registra acciones para mejorar predicciones posteriores. 10

Es evidencia sustancial de un intento de ir más allá de una previsión única seguida de una alerta. El diseño publicado conecta incertidumbre, alternativas de acción y métricas vinculadas. Sin embargo, una métrica configurable puede representar ingresos, error de previsión u otro objetivo. La patente no resuelve si el producto desplegado valora de forma coherente todas las consecuencias relevantes, aprende efectos causales con fiabilidad o coordina inventario escaso entre decisiones competidoras. Son cuestiones de implementación con consecuencias económicas directas. 10

Una segunda patente, concedida en 2025 con prioridad de 2020, trata los ajustes de previsiones. Compara las previsiones ajustadas con los resultados reales, identifica sesgos sistemáticos y asigna puntuaciones de habilidad a las entidades que hacen los ajustes. Después recomienda mejoras para previsiones posteriores. Esto puede revelar intervenciones perjudiciales de los planificadores, pero su resultado central sigue siendo una previsión ajustada. Mejorar la calidad predictiva no determina, por sí solo, la mejor cantidad de pedido o el mejor precio. 11

Incertidumbre de demanda y suministro

El producto comercial enfatiza factores de demanda, elasticidad de precios y escenarios. Ni su descripción actual ni las fichas de marketplaces explican una distribución conjunta de demanda, tiempos de entrega de proveedores, cantidades disponibles y otras incertidumbres del suministro. La patente de desviaciones es suficientemente amplia para tratar varias métricas; falta evidencia de una implementación concreta de supply chain que combine esas incertidumbres antes de elegir una acción. 1 10 12 13

Esta carencia se vuelve material cuando interactúan decisiones comerciales y físicas. Una promoción cambia la demanda precisamente cuando el reabastecimiento puede ser poco fiable. Una recomendación de precio que trate la disponibilidad futura como entrada fija puede parecer rentable mientras desplaza costes hacia expediciones urgentes, ventas perdidas en otros lugares o stock residual. Más señales de demanda no resuelven la incertidumbre sobre lo que realmente puede suministrarse.

Asper también debe distinguir las ventas previstas del efecto de cambiar un precio o una promoción. Las promociones históricas las eligen personas que responden a demanda esperada, comportamiento de competidores y posiciones de inventario. Un modelo que ajuste esas observaciones puede reproducir esa selección sin estimar el efecto incremental de otra acción. Las descripciones públicas identifican elasticidad y retornos promocionales, pero no exponen el método de evaluación contrafactual ni su error. 1 13

Qué mide la evidencia de clientes

El caso archivado de nutrición para mascotas aporta detalle operativo útil: 87 clientes, 23 almacenes, varios canales comerciales y una previsión móvil de cuatro meses. Los casos de poca intervención se automatizaron; los planificadores ajustaban la referencia en los de mayor intervención. Los resultados distinguen aproximadamente un 60 % de la cartera automatizada de un 42 % del volumen de producto guiado por decisiones automatizadas. El documento no establece que órdenes de compra, liberaciones de producción o precios se ejecutaran automáticamente. 6

Sus cifras de precisión también necesitan los denominadores originales. El setenta por ciento de la cartera mejoró; eso no es una afirmación de precisión de previsión del 70 %. Según el relato, un tercio mejoró más de 20 puntos porcentuales, y el caso informa de una mejora del 6 % entre tres canales. La discusión inicial menciona un error porcentual absoluto medio superior al 25 %, pero los resultados no ofrecen fórmula coherente, ponderación, error final y protocolo fuera de muestra. Un comprador no puede reconstruir la mejora con las cifras publicadas. 6

El caso de alimentos envasados es más sólido sobre el tiempo transcurrido. Informa de una mejora del 6,8 % de precisión para dos categorías en las primeras ocho semanas, más del 5 % entre categorías en el primer año, 8,2 % en el segundo y 40 % más productividad de los planificadores. La implementación incluyó un taller de descubrimiento, mapeo de procesos, prueba de valor y configuración del proceso futuro de planificación. Las situaciones de alto riesgo siguieron recibiendo atención de planificadores. 7

Son beneficios declarados de clientes, con información significativa de alcance. Siguen siendo casos anónimos sin métrica de previsión, población de control, denominador de productividad ni costes totales de personal y servicios necesarios para reproducir la evaluación. El caso de alimentos envasados no dice si el 40 % de productividad significa menos horas, más artículos por planificador o una mezcla distinta de actividades. Ninguno aporta beneficio neto realizado después de la implementación y el trabajo recurrente. 6 7

Las afirmaciones de marketplaces amplían las promesas. AWS describe un compromiso de mejora de precisión del 5–15 %; Microsoft describe 10–20 puntos y hasta un 80 % de automatización de la cartera. Porcentajes y puntos porcentuales son medidas distintas, y las fichas no establecen bases comunes ni el mismo alcance de producto. La precisión por categoría tampoco demuestra calidad de reabastecimiento por SKU: la agregación elimina buena parte de la variación que dificulta las decisiones individuales de inventario. 12 13

Componentes de software y límites operativos

Las descripciones públicas más concretas de componentes proceden de fichas de marketplaces redactadas por el proveedor.

Descripción del producto Componentes citados Implicación operativa
Ficha de previsión de demanda en AWS Redshift, Amazon EMR y ElastiCache Almacén de datos, procesamiento distribuido y caché necesitan, cada uno, sincronización de datos, decisiones de capacidad y mantenimiento operativo.
Ficha de aplicación Microsoft Cosmos DB, Azure Database for PostgreSQL, Kubernetes Service, Azure OpenAI y máquinas virtuales Dos servicios de bases de datos, orquestación de contenedores, servicio de modelos y un servicio externo de IA crean varias interfaces que operar y proteger.
Descripción actual de la plataforma Integración con las plataformas de nube y datos existentes de los clientes La infraestructura de datos del cliente sigue formando parte de la operación, en lugar de desaparecer dentro de la aplicación.

Fuentes: 12 13 1.

Las descripciones de AWS y Azure son ofertas separadas; el registro público no las relaciona con versiones de la plataforma Agentic RGM actual. Incluso la ficha AWS combina la afirmación de que el producto se construye con servicios AWS con metadatos de entrega que lo clasifican como servicios profesionales y marcan «Deployed on AWS» como «No». Esto debilita su utilidad como especificación de despliegue. Los compradores necesitan la topología real, las responsabilidades de servicio y la ruta de actualización de su instalación. 12 13

Una vacante de Lead Data Scientist de Asper describe construir y mantener flujos de modelos, desplegar modelos, supervisar su comportamiento y actualizarlos con equipos de ingeniería y negocio. Python y SQL figuran entre las competencias buscadas. El punto concreto es el trabajo de ingeniería continuo: nuevas señales externas, productos cambiantes y modelos que se deterioran requieren flujos mantenidos y revisiones deliberadas. 14

Asper se describe claramente como una capa de decisión sobre ERP y gestión de promociones comerciales. La aprobación y sincronización de resultados siguen necesitando gestión de fallos: qué sistema es responsable de una decisión, qué sucede si falla una escritura y cómo una solicitud repetida evita una ejecución duplicada. Los materiales públicos no aportan contrato de API, semántica de reintento, esquema de versiones de modelos ni procedimiento operativo de recuperación. 1

Límites de seguridad

La ficha de Azure nombra Kubernetes y llama segura a la aplicación. La política de privacidad del sitio describe protección general de información personal. Ninguna explica aislamiento de cargas de clientes, privilegios de agentes comerciales, acceso a credenciales de producción, restricciones de red saliente o recuperación de un modelo o integración comprometidos. Estos mecanismos importan cuando las recomendaciones pueden convertirse en acciones comerciales aprobadas. 13 16

La plataforma actual promete límites y auditabilidad, pero no describe cómo se impone un corredor de precios o una regla comercial independientemente del agente que propone la acción. Registrar una acción insegura no la impide. La evaluación de seguridad sigue siendo débil hasta que permisos de ejecución, aplicación de límites y recuperación sean técnicamente examinables. 1

Mantenimiento de configuración, productividad y responsabilidad

La plataforma de datos de Asper incorpora atributos de productos, mecánicas promocionales y taxonomía comercial. Sus agentes operan con corredores de precios, escalas de envases y reglas comerciales. Codifican conocimiento real del negocio, pero también crean configuración que debe mantenerse. Nuevos envases, acuerdos con minoristas, promociones y estructuras de mercado cambian los supuestos de los cálculos. El coste de revisar y actualizar esa lógica con seguridad pertenece al coste total de propiedad. 1

La oferta actual de Value Enablement hace explícita la contribución humana: participación de expertos, apoyo a la adopción, alineación entre funciones y capacidad sostenida de RGM. Los servicios propios de PricingOne incluyen estrategia, apoyo a implementación, analítica y formación. El documento de Asper de 2023 también pedía cambios organizativos y de procesos. El producto se vende junto con un cambio considerable en la forma de trabajar de los equipos comerciales. 1 15 8

Esto matiza la afirmación del anuncio de 2025 de que la plataforma elimina barreras asociadas con talento interno de IA, infraestructura y entrenamiento de modelos. Externalizar esas funciones puede valer la pena. No elimina su coste, el trabajo de datos del cliente ni la experiencia comercial necesaria para mantener la implementación. El periodo declarado de prueba de valor también termina antes del despliegue completo y sus obligaciones recurrentes. 9 1

La pregunta de productividad posterior a 2022 es más amplia que si un planificador puede consultar un asistente. ¿Cuántas personas mantienen las decisiones operativas y con qué rapidez puede mejorar la organización la lógica? Los casos de Asper informan de reducciones del trabajo de previsión. Los materiales públicos actuales no muestran un proceso versionado y comprobable para cambiar reglas comerciales, reproducir decisiones sobre datos históricos, medir efectos económicos y revertir un cambio perjudicial. Conservar aprobaciones y añadir conversaciones puede acelerar tareas individuales mientras el proceso principal de mejora sigue requiriendo mucha mano de obra. 6 7 1

La ficha AWS de Asper sí asume un compromiso de resultado: mejorar la precisión de previsión. No publica métrica contractual, prueba de aceptación, remedio o reparto de responsabilidad si se incumple el objetivo. La cuenta económica relevante debe cubrir margen realizado y consecuencias de inventario después de costes de software, consultoría y trabajo del cliente. Una mejora en una puntuación de previsión no responde automáticamente a esa cuenta. 12

Puntuación de supply chain

Cada subpuntuación va de 0 a 10. La puntuación global es la media sin ponderar de las 25 subpuntuaciones.

Profundidad en supply chain

Criterio Puntuación
Planteamiento económico 6/10
Resultado final de la decisión 4/10
Rigor conceptual sobre supply chain 5/10
Independencia de doctrinas centrales obsoletas 4/10
Resistencia a la teatralización de KPI 4/10

Media: 4,6/10.

Planteamiento económico — 6/10. Precios, gasto promocional, mezcla y margen son variables económicas importantes. El producto público no expone un cálculo común que incluya riesgos de inventario y suministro junto con esos efectos comerciales. 1 10

Resultado final de la decisión — 4/10. La plataforma actual promete ejecución comercial aprobada, pero los casos documentados establecen producción de previsiones y asistencia a planificadores. Sus porcentajes de automatización no identifican decisiones ejecutadas de reabastecimiento o producción. 1 6 7

Rigor conceptual sobre supply chain — 5/10. La patente de desviaciones conecta incertidumbre, acciones alternativas, restricciones operativas y métricas vinculadas. La implementación comercial de incertidumbre conjunta de demanda y suministro sigue sin explicarse. 10 12

Independencia de doctrinas centrales obsoletas — 4/10. La oferta conserva una previsión unificada, procesos S&OP existentes, ajustes de planificadores y aprobaciones. La automatización económica de decisiones está menos desarrollada públicamente que la maquinaria que respalda esas prácticas. 11 12 13

Resistencia a la teatralización de KPI — 4/10. Los casos preservan información útil de alcance y plazos, pero mejoras de precisión y automatización de cartera carecen de las definiciones necesarias para conectarlas con beneficios o personal. 6 7 13

Sustancia de las decisiones y la optimización

Criterio Puntuación
Profundidad de modelización probabilística 5/10
Sustancia distintiva de optimización o aprendizaje automático 5/10
Tratamiento de restricciones reales 4/10
Automatización de decisiones y productividad laboral 5/10
Resiliencia ante la complejidad operativa real 4/10

Media: 4,6/10.

Profundidad de modelización probabilística — 5/10. La patente describe distribuciones de desviaciones y resultados de acciones. La evidencia pública de despliegue no explica calibración, estructura de dependencias ni aplicación al suministro incierto. 10

Sustancia distintiva de optimización o aprendizaje automático — 5/10. Las patentes de métricas interconectadas y ajustes de previsión revelan mecanismos más allá de etiquetas genéricas de IA. Su implementación, rendimiento comparativo y papel en el producto actual no son examinables. 10 11

Tratamiento de restricciones reales — 4/10. El producto actual identifica límites comerciales, y la patente admite restricciones del caso de uso. No se especifica el tratamiento conjunto de capacidad física, recepciones inciertas, competencia por inventario y compromisos comerciales. 1 10

Automatización de decisiones y productividad laboral — 5/10. Los casos de nutrición animal y alimentos envasados informan de alcance real de automatización y beneficios de productividad de planificadores. Ninguno mide toda la carga recurrente ni la productividad de modificar la lógica de decisión. 6 7

Resiliencia ante la complejidad operativa real — 4/10. Los casos multicanal y multialmacén establecen condiciones operativas relevantes. No revelan rendimiento durante interrupciones de suministro, fallos de integración o cambios sustanciales de surtido y reglas comerciales. 6 7

Integridad del producto y la arquitectura

Criterio Puntuación
Coherencia arquitectónica 5/10
Claridad de los límites del sistema 6/10
Seriedad en seguridad 3/10
Sobriedad del software y coste de propiedad 4/10
Compatibilidad con operaciones programáticas y asistidas por agentes 4/10

Media: 4,4/10.

Coherencia arquitectónica — 5/10. Las capas actuales de datos y decisiones forman un concepto comercial coherente. La relación entre oferta AWS, aplicación Azure y plataforma actual carece de un mapa público de versiones o despliegue. 1 12 13

Claridad de los límites del sistema — 6/10. Asper deja explícitamente los registros de transacciones en ERP o gestión de promociones comerciales y describe sincronización de planes y resultados. La semántica de fallos y la responsabilidad por acciones parcialmente completadas siguen sin especificarse. 1

Seriedad en seguridad — 3/10. Las descripciones públicas identifican infraestructura en la nube y salvaguardas generales, pero no exponen aislamiento entre clientes, privilegios de agentes, protección de credenciales o límites de ejecución imponibles. 1 13 16

Sobriedad del software y coste de propiedad — 4/10. Servicios en la nube citados, flujos de modelos mantenidos, configuración comercial y servicios especializados crean una obligación operativa considerable. Precios públicos y casos de clientes no la cuantifican. 12 13 14 15

Compatibilidad con operaciones programáticas y asistidas por agentes — 4/10. AskAsper y la ejecución aprobada ofrecen una dirección de producto orientada a agentes. Los materiales carecen de contratos públicos de API, cambios de reglas comprobables y reversión versionada de la lógica de decisión. 1

Transparencia técnica

Criterio Puntuación
Documentación técnica pública 4/10
Posibilidad de inspección sin mediación del proveedor 3/10
Visibilidad de portabilidad y dependencia 3/10
Transparencia del método de implementación 5/10
Densidad de evidencia tras las afirmaciones técnicas 5/10

Media: 4,0/10.

Documentación técnica pública — 4/10. Patentes y fichas de marketplaces revelan algoritmos y componentes propuestos. Los enlaces actuales de producto suelen llevar a una página provisional, dejando una gran distancia entre esos registros y una guía de implementación. 1 10 11 13

Posibilidad de inspección sin mediación del proveedor — 3/10. Ningún modelo público ejecutable, conjunto de evaluación o API de decisiones acompaña las afirmaciones comerciales. Los PDF de clientes informan resultados sin un procedimiento reproducible de medición. 6 7 1

Visibilidad de portabilidad y dependencia — 3/10. La plataforma trabaja sobre infraestructura existente del cliente, pero no documenta exportación de modelos entrenados, configuración comercial, historial de acciones o lógica ejecutable de decisión. 1

Transparencia del método de implementación — 5/10. El caso de alimentos envasados describe descubrimiento, mapeo de procesos, prueba de valor y configuración. Los materiales actuales identifican trabajo especializado de adopción, pero no personal y calendario de mantenimiento de un despliegue completo. 7 1 15

Densidad de evidencia tras las afirmaciones técnicas — 5/10. Dos patentes sustanciales, descripciones de componentes en la nube y casos archivados detallados permiten una evaluación técnica significativa. El producto agéntico actual tiene mucha menos evidencia de mecanismos. 10 11 6 13 1

Seriedad del proveedor

Criterio Puntuación
Seriedad técnica de la comunicación pública 4/10
Integridad de la hoja de ruta tecnológica 4/10
Rigor conceptual 5/10
Responsabilidad económica 4/10
Defensibilidad en un mundo de software agéntico 4/10

Media: 4,2/10.

Seriedad técnica de la comunicación pública — 4/10. Las afirmaciones tempranas de ventaja diez veces mayor y suite autónoma superan las mediciones divulgadas y el estado de lanzamiento. Los documentos más concretos de clientes siguen disponibles mediante archivos. 4 5 6 7

Integridad de la hoja de ruta tecnológica — 4/10. Demanda y planificación comercial proporcionan un enfoque empresarial consistente. El historial público no sigue cómo el motor autónomo anterior se convirtió en la plataforma agéntica actual ni qué capacidades numéricas cambiaron. 3 5 9 1

Rigor conceptual — 5/10. Las decisiones comerciales vinculadas y la medición del sesgo de los planificadores abordan problemas concretos. Las ideas analíticas más sólidas de las patentes solo se conectan débilmente con las explicaciones actuales del producto. 10 11 1

Responsabilidad económica — 4/10. El compromiso de mejora de previsión es explícito, pero condiciones de aceptación y remedios no se publican. Los resultados de clientes omiten beneficio neto realizado y costes combinados de proveedor, socios y cliente. 12 6 7

Defensibilidad en un mundo de software agéntico — 4/10. La preparación de datos comerciales y el conocimiento del dominio pueden conservar valor. Una capa conversacional sobre procesos heredados ofrece una ventaja menor salvo que también reduzca el trabajo necesario para operar y mejorar las decisiones numéricas. 1 14 15

Fuentes

Las siguientes fuentes se comprobaron el 4 de noviembre de 2026. Los casos y el documento archivados conservan las descripciones históricas de productos y los resultados declarados.

[1] Agentic RGM y descripción de la plataforma

Agentic RGM y descripción de la plataforma. Alcance funcional actual, límites comerciales, AskAsper, plataforma de datos, fronteras de integración, Value Enablement y calendario de prueba de valor.

[2] Registro de Asper.ai Limited

Registro de Asper.ai Limited. Constitución de la entidad británica y nombre anterior.

[3] Samya.ai presenta Dynamic Demand AI

Samya.ai presenta Dynamic Demand AI. Lanzamiento de 2020, señales externas, consulta a planificadores y pruebas de valor.

[4] Fractal adquiere Samya.ai

Fractal adquiere Samya.ai. Adquisición y afirmaciones sobre métodos numéricos y ventaja de diez veces.

[5] Fractal anuncia el lanzamiento de Asper.ai

Fractal anuncia el lanzamiento de Asper.ai. Posicionamiento de suite autónoma en 2022 y estado de versión de prueba limitada.

[6] Caso de planificación de demanda en nutrición para mascotas

Caso de planificación de demanda en nutrición para mascotas. Caso archivado de cinco páginas. Alcance de previsión, intervención manual y cifras de automatización de cartera frente a volumen; página de resultados comprobada visualmente.

[7] Caso de planificación de demanda en alimentos envasados

Caso de planificación de demanda en alimentos envasados. Caso archivado de alimentos envasados. Enfoque de descubrimiento y configuración, cifras escalonadas de precisión y productividad de planificadores; página de resultados comprobada visualmente.

[8] Documento De la previsión al cumplimiento

Documento De la previsión al cumplimiento. Documento archivado de 2023 sobre trabajo organizativo, de datos y procesos necesario para implementar.

[9] Fractal invierte $20 millones en Asper.ai

Fractal invierte $20 millones en Asper.ai. Anuncio de inversión de marzo de 2025, cuatro áreas de producto y afirmaciones sobre externalizar las cargas de desarrollo de IA.

[10] Patente de predicción de desviaciones y métricas interconectadas

Patente de predicción de desviaciones y métricas interconectadas. Diseño de patente publicado para desviaciones interconectadas, resultados probabilísticos de acciones, restricciones y retroalimentación. Una patente no demuestra despliegue en el producto actual.

[11] Patente de ajustes de previsión y atributos cognitivos

Patente de ajustes de previsión y atributos cognitivos. Patente concedida el 25 de marzo de 2025, con prioridad de 2020, sobre sesgo de ajustes de previsión y puntuaciones de habilidad.

[12] Ficha de previsión de demanda en AWS Marketplace

Ficha de previsión de demanda en AWS Marketplace. Ficha AWS redactada por el proveedor: componentes, compromiso de mejora de previsión, vía de precios y metadatos de entrega.

[13] Aplicación de Microsoft Marketplace y componentes Azure

Aplicación de Microsoft Marketplace y componentes Azure. Ficha Microsoft redactada por el proveedor: servicios Azure, previsión unificada y RGM, afirmaciones de automatización y precisión.

[14] Vacante de Lead Data Scientist

Vacante de Lead Data Scientist. Vacante del empleador sobre desarrollo de modelos, mantenimiento de flujos, integración en producción y supervisión.

[15] Servicios de PricingOne y desarrollo de capacidades

Servicios de PricingOne y desarrollo de capacidades. Servicios del socio, experiencia comercial y desarrollo de capacidades. Sus resultados generales de clientes no se atribuyen a Asper.

[16] Política de privacidad del sitio Asper

Política de privacidad del sitio Asper. Prácticas de privacidad del sitio; no contiene una especificación detallada de los controles de ejecución o aislamiento de la plataforma comercial.