Volver a Investigación de mercado
Atoptima suministra software de optimización para rutas de vehículos, consolidación de carga, carga tridimensional, preparación de pedidos y programación de producción. Sus solvers de aplicaciones se conectan a sistemas de transporte, almacén y gestión empresarial mediante API. Galia ofrece una interfaz web para preparar datos, optimizar, comparar escenarios y analizar planes. La empresa se fundó en Burdeos en 2019. 1 2 20
Puntuación global: 5,7/10.
| Dimensión | Puntuación |
|---|---|
| Profundidad en supply chain | 5,6/10 |
| Sustancia de las decisiones y la optimización | 5,8/10 |
| Integridad del producto y la arquitectura | 5,4/10 |
| Transparencia técnica | 6,6/10 |
| Seriedad del proveedor | 5,0/10 |
El código público y la documentación técnica de Atoptima acreditan un trabajo considerable de ingeniería de optimización. Sus casos también abordan decisiones realmente acopladas: la formación de palés afecta a la carga del camión, que afecta a las rutas y a la asignación de conductores. Esa combinación es más útil que optimizar cada paso independientemente. 3 7 8
La debilidad principal es el salto de resolver un modelo matemático a afirmar que las decisiones de supply chain son óptimas. Primero deben representarse correctamente los costes, las solicitudes futuras, los tiempos de viaje, los fallos operativos y el valor del servicio. La investigación técnica de Atoptima expone algunas concesiones necesarias para que la incertidumbre sea tratable. Sus páginas comerciales prometen mucho más sobre cobertura total de restricciones, velocidad y automatización. La nueva interfaz de agentes acelera la interacción con esos modelos; no resuelve sus omisiones económicas ni elimina a los planificadores que los mantienen y aprueban. 5 14 20
Atoptima frente a Lokad
Atoptima resulta más directamente pertinente cuando una empresa ya tiene tareas y recursos que asignar: pedidos que entregar, vehículos que cargar u operaciones productivas que programar. Modela las restricciones operativas y busca una buena asignación. 12 La optimización de inventario de Lokad empieza antes, con la elección económica de qué acciones deben realizarse ante una demanda y un suministro futuros inciertos.
Esa distinción cambia el objetivo. Una ruta más corta puede merecer la pena, pero también una más cara que evite un faltante de stock costoso. Un camión lleno puede ahorrar transporte y, al mismo tiempo, entregar inventario demasiado pronto. La decisión debe comparar estas consecuencias en dinero, incluida la incertidumbre y las alternativas desplazadas. Esta es la perspectiva de diseño más amplia desarrollada en Introducción a la supply chain.
Los solvers combinados de Atoptima conectan etapas operativas y permiten que una decisión de carga refleje sus consecuencias para las rutas. El valor económico de los bienes, las necesidades inciertas de reposición y las oportunidades futuras de los recursos también deben entrar en ese modelo antes de tratar un óptimo de transporte como un óptimo empresarial. 7
La comparación práctica es, por tanto, el proceso completo de decisión: las hipótesis entregadas al software, las decisiones que produce, el trabajo humano necesario para mantenerlas correctas y el retorno financiero neto resultante. Un solver potente es un componente de ese proceso.
Historia: investigación en optimización, IA de decisión y agentes Galia
La entrevista de Atoptima de mayo de 2022 describía una empresa que comercializaba optimización matemática mediante módulos en la nube adaptados al cliente. Ya destacaba las decisiones conjuntas, incluidas rutas con gestión de inventario y agrupación de pedidos con preparación. También reconocía la dificultad de modelar las operaciones reales y calcular soluciones rápidamente. El producto actual tiene una ascendencia técnica coherente. 12
La vacante de ingeniería de noviembre de 2022 describía aplicaciones Julia desplegadas como microservicios en la nube, con personal que desarrollaba modelos, evaluaba su pertinencia operativa y comparaba algoritmos. Aunque utilizaba terminología de IA, el trabajo descrito era software e investigación operativa concretos. Su sustancia técnica era mayor que una promesa indefinida de inteligencia empresarial. 15
El artículo de mayo de 2024 reformuló esos métodos como IA para la toma de decisiones. Distinguía la optimización matemática del aprendizaje automático, describía el modelo como un gemelo digital y afirmaba que los solvers no necesitaban datos históricos para rendir bien. A continuación proponía pasos de implantación que culminaban en ganancias de productividad de aproximadamente un 30 %. La continuidad de ingeniería seguía visible, pero el resultado prometido superaba el tratamiento de las entradas inciertas y del mantenimiento continuo del modelo. 13
Esta distinción importa especialmente para decisiones estratégicas. Los pedidos de entrega conocidos pueden proporcionar buena parte de la carga de rutas de hoy. El tamaño futuro de la flota, la ubicación de depósitos y las necesidades de capacidad dependen de la demanda y las condiciones operativas futuras. Llamar prescriptivo al modelo no elimina esas necesidades predictivas. Incluso un tiempo de servicio actual estima algo que todavía no ha ocurrido.
El 2 de noviembre de 2026, Atoptima anunció un agente integrado en Galia, incluido un conector MCP para los agentes propios de los clientes. Puede cambiar parámetros del modelo, ejecutar cálculos y explicar resultados. El anuncio informa de análisis de soluciones diez veces más rápidos en los primeros clientes, manteniendo la aprobación del planificador para cada cambio. Son mejoras de interfaz y de trabajo analítico; la ganancia de productividad declarada atañe al análisis, no al trabajo total de planificación ni a la ejecución autónoma. 14
La secuencia es reveladora: una investigación real en optimización se convirtió en IA de decisión, y ahora un agente maneja el solver existente. La nueva interfaz debe juzgarse por cuánto trabajo elimina de la operación completa. Su presencia no refuerza la validez matemática ni económica del modelo subyacente.
Qué demuestra realmente el motor de optimización
Ingeniería inspeccionable con un problema matemático fijo
Coluna es el marco de código abierto de Atoptima para branch-cut-and-price. Los usuarios definen un modelo entero mixto en JuMP, especifican su descomposición mediante BlockDecomposition y eligen algoritmos para el problema reformulado. La documentación explica cómo se delegan el problema maestro y los subproblemas en solvers de programación matemática subyacentes. Es trabajo algorítmico inspeccionable, incluida infraestructura original mantenida por el proveedor. 3 4
El método también es una señal de alerta respecto a las afirmaciones generales del producto sobre supply chain. Una formulación entera mixta necesita un conjunto especificado de variables, restricciones y coeficientes del objetivo. Las condiciones del negocio deben comprimirse en esa representación antes de empezar a calcular. Llegadas inciertas, consecuencias comerciales no lineales, prioridades cambiantes y oportunidades futuras no quedan adecuadamente representadas solo porque el problema resultante se resuelva con precisión.
Las rutas y las cargas discretas son problemas operativos útiles. La debilidad aparece cuando su solución se amplía a una promesa de optimización completa de supply chain. Aumentar los detalles modelados agranda un problema de búsqueda ya difícil. Reducir el problema para conservar velocidad puede eliminar interacciones económicamente importantes. La evaluación pertinente es qué hipótesis y relaciones sobreviven, no solo el tiempo de cálculo o la brecha de optimalidad de la formulación final.
La descomposición matemática también requiere una lectura precisa. Coluna puede coordinar subproblemas mediante un problema maestro compartido; eso difiere de departamentos que optimizan independientemente planes desconectados. La cuestión sustancial es si el modelo combinado conserva los vínculos relevantes del negocio. Una solución exacta de un problema maestro simplificado sigue siendo exacta únicamente dentro de sus simplificaciones. 4
La investigación sobre incertidumbre revela el coste de modelizarla
La página actual de RouteSolver afirma explícitamente ofrecer optimización robusta ante condiciones inciertas. La línea de investigación incluye un artículo sobre rutas robustas que modela cantidades inciertas de clientes mediante conjuntos de incertidumbre con presupuesto y desarrolla algoritmos especializados. Esto aporta más sustancia que una afirmación genérica de resiliencia. Sin embargo, protegerse frente a un conjunto seleccionado de incertidumbre difiere de valorar probabilidades y consecuencias financieras de todos los resultados relevantes. 21 6
Un segundo artículo, coescrito por François Vanderbeck, estudia el diseño de redes de distribución con demanda estocástica. Su modelo completo tiene varias etapas; la tratabilidad lleva a los autores a aproximaciones de dos etapas y escenarios muestreados. Los productos se agregan en una familia usando información media de demanda y costes. El artículo discute explícitamente los límites para resolver la formulación mayor. 5
Son concesiones importantes. La agregación puede borrar diferencias entre un artículo urgente y rentable y otro voluminoso de poco valor. Adelantar decisiones en una estructura simplificada de escenarios cambia cómo la información puede influir en acciones posteriores. Expandir una formulación determinista en escenarios implica, por tanto, costes computacionales y de modelización; no es una solución general a la incertidumbre real de supply chain.
La investigación se limita a problemas matemáticos concretos. La evidencia comercial tendría que conectar el modelo desplegado con distribuciones calibradas de sus cantidades realmente inciertas —solicitudes, tiempos de viaje y servicio, disponibilidad de recursos— y con las consecuencias económicas del error de previsión. Una etiqueta de modelo robusto y la replanificación reactiva no proporcionan por sí solas esa conexión.
El resumen del informe de ADEME de octubre de 2025 aporta un contrapunto útil sobre operaciones dinámicas. El proyecto Atoptima–AppliColis probó rutas con datos reales de ciclologística, comunicando una eficiencia un 26 % mayor con solicitudes conocidas de antemano y un 50 % más de solicitudes atendidas mediante una estrategia de anticipación y reposicionamiento de repartidores. Son resultados experimentales para una aplicación definida. Respaldan el valor de anticipar solicitudes futuras, mientras el despliegue comercial, el beneficio neto y los costes operativos continuos quedan sin medir en el resumen público. 11
Operaciones acopladas, resultados de clientes y límites económicos
El proyecto Logtran ilustra un uso sólido de la tecnología de Atoptima. Combina preparación de pedidos, paletización, carga, rutas, rotaciones de vehículos y asignación de conductores, con logística inversa y distribución a temperatura controlada. El cliente explica por qué las rutas por sí solas habían sido insuficientes. Acoplar estas decisiones puede evitar que un palé o una ruta localmente conveniente desperdicie el último vehículo disponible. 8
Los ahorros declarados requieren conservar sus fechas. En mayo de 2023, el encabezado del artículo presentaba una reducción del coste de transporte del 20 %, mientras que la cita del cliente estimaba que el proyecto acabaría ahorrando un 15–20 %. La página actual de RouteSolver describe como lograda una reducción del 20 % para SAFO. La afirmación posterior es más fuerte, pero los materiales públicos no muestran periodo de medición, carga de trabajo comparable ni conciliación de ahorros previstos y realizados. 8 21
Otro caso minorista informa de un 20 % menos de vehículos y un 65 % menos de transporte subcontratado en más de 3.200 operaciones. Identifica restricciones detalladas: temperaturas de compartimentos, congestión de muelles, pausas de conductores, logística inversa y recogidas a proveedores combinadas con entregas a tiendas. Es evidencia útil de profundidad operativa. No publica la flota de referencia, identidad del cliente, periodo de observación ni cálculo completo de costes. 9
El caso de producción y distribución es aún más amplio: se planifican conjuntamente órdenes de fabricación, disponibilidad de contenedores, muelles de carga y rutas de reposición. Sus objetivos incluyen reducir necesidades de contenedores e intervalos productivos ociosos mientras se aumenta el volumen procesado. Pueden entrar en conflicto comercial. Más producción no implica automáticamente más beneficio si genera inventario de escaso valor o consume recursos necesarios para trabajos futuros más valiosos. 10
La demostración pública de Galia presenta pesos configurables para coste, distancia y tiempo. Estas medidas se solapan parcialmente: la distancia consume combustible y tiempo del conductor, mientras el tiempo puede generar coste laboral o pérdida de servicio. Asignar un porcentaje a cada una no establece una valoración monetaria coherente. Puede contar dos veces algunos efectos y omitir otros. El modelo económico debe explicar la compensación antes de que el solver pueda optimizarla con sentido. 2
La misma disciplina se aplica a los beneficios ambientales. Consumir menos combustible y hacer menos trayectos vacíos puede crear ahorros reales. Un objetivo de carbono sigue necesitando un precio, restricción o política especificados, en lugar de un peso arbitrario de consecuencias empresariales oscuras. Es una responsabilidad de diseño del modelo, no una cuestión de elegir un panel más persuasivo.
Productividad: un flujo guiado por solvers puede seguir exigiendo muchos planificadores
La página principal de Atoptima promete automatización completa de las decisiones de supply chain de extremo a extremo. Las preguntas frecuentes detalladas de RouteSolver, en cambio, describen planificadores que configuran objetivos, revisan visualmente las decisiones, editan rutas e inician recálculos. Ambas páginas tratan la misma propuesta operativa. El cálculo automatizado está claro; el trabajo humano total, no. 1 21
El anuncio del agente de noviembre de 2026 concreta la distinción. Un planificador describe un vehículo averiado; Galia copia el plan, retira el recurso, recalcula y presenta el cambio para aprobación. Otro ejemplo pide al planificador indicar qué ventanas horarias de clientes pueden relajarse. El agente acelera una intervención existente y deja al operador la responsabilidad de decidir qué compromisos comerciales pueden cambiar. 14
Un conector MCP añade una forma normalizada para que un agente invoque herramientas. No aporta mérito como nueva tecnología de optimización. Aquí, promocionar ese conector junto con un flujo interactivo de planificación es una señal de alerta: el proveedor puede adoptar el vocabulario de agentes conservando la secuencia humana de plantear escenarios, revisar compensaciones y autorizar cada revisión. El avance significativo sería una reducción sostenida del trabajo total para mantener y ejecutar decisiones económicamente sólidas.
La afirmación de análisis diez veces más rápidos puede describir una mejora local valiosa. Su denominador es estrecho. Mantenimiento de datos, cambios de modelo, interacción con expediciones, negociación con clientes y reparación de excepciones quedan fuera de la medida publicada. En una comparación posterior a 2022, mejorar estas actividades individualmente no demuestra suficientemente que la función de planificación se haya vuelto mucho más productiva.
Ya existe una base mejor para la operación programática: el cliente público de Galia recibe resultados de optimización asíncronos mediante webhooks o WebSockets, y el producto permite integración por API y exportaciones estructuradas. Esos mecanismos permiten utilizar los resultados sin recrear las interacciones del planificador con la interfaz. Falta evidencia del modelo operativo completo resultante y de su economía laboral. 19 2
Mantenimiento de la configuración y responsabilidad por resultados decepcionantes
La vacante de Customer Delivery Manager de febrero de 2026 es especialmente informativa. Asigna tareas de traducción de requisitos del cliente a modelos, evaluación de datos, configuración de escenarios, análisis del comportamiento del solver y resolución de problemas de uso, datos, configuración o interpretación. El puesto continúa durante el soporte y la adopción. Este es el trabajo operativo detrás de las promesas de despliegue breve. 17
El inventario de restricciones no termina cuando la aplicación entra en producción. Cambian las ventanas de entrega, se congestionan los muelles, faltan vehículos, los clientes renegocian el servicio y las hipótesis de coste se desvían. Mantener el modelo alineado requiere ingeniería recurrente y atención operativa. La propia Galia describe actualizaciones semanales de datos y prioridades que cambian diaria, semanal o estacionalmente. 2
La explicación de precios de RouteSolver reconoce que la complejidad y el tamaño del problema afectan al esfuerzo de modelización y a la potencia computacional, y por tanto al coste. Es una información más útil que la promesa genérica de un ROI rápido. La evaluación debería incluir modelo inicial, configuración recurrente, cómputo, interfaces y trabajo humano restante alrededor del solver. 21
La afirmación general de Atoptima de manejar todas las restricciones del negocio crea una responsabilidad correspondiente. Cuando un plan matemáticamente válido falla operativamente, la solución debe incluir corregir el modelo y sus hipótesis. No puede limitarse a explicar el cálculo o formar al planificador para aceptarlo. La perspectiva de Holimization se aplica directamente: la tarea real es hacer económicamente fiel el problema numérico, no solo resolverlo. 20
El material público no revela un reparto contractual de esa responsabilidad continua ni un remedio vinculado al rendimiento financiero neto. Por ello, los porcentajes de sus casos siguen siendo afirmaciones de beneficios con una cuenta incompleta del coste de propiedad.
Componentes del software
El conjunto técnico tiene una estructura reconocible. La oferta de ingeniería de 2022 identifica aplicaciones de optimización Julia desplegadas como microservicios. El puesto full-stack de enero de 2026 nombra explícitamente Angular, NestJS y Postgres para la aplicación envolvente, con servicios en la nube y procesos automatizados de despliegue. Es un conjunto de capas compacto y comprensible, aunque todas requieren operación y mantenimiento. 15 16
El manifiesto versionado de paquetes de Coluna identifica BlockDecomposition, MathOptInterface, DynamicSparseArrays y bibliotecas Julia auxiliares. Su documentación exige un motor compatible de programación matemática. Son dependencias reales del marco público y explican tanto su capacidad de composición como el trabajo de integración bajo una aplicación de optimización. La configuración de los solvers comerciales no se publica por completo. 18 4
El cliente JavaScript público proporciona ejemplos de integración. Coluna expone infraestructura de optimización reutilizable; los modelos específicos del cliente y la aplicación alojada siguen siendo dependencias separadas. 19 3
Esta evidencia respalda ingeniería original. Atoptima desarrolla infraestructura de optimización en lugar de limitarse a asociar su marca a un benchmark de un solver ajeno. Las afirmaciones comerciales de rendimiento siguen necesitando examen independiente: la página de RouteSolver alterna entre 30 y 40 veces más rápido que los solvers del mercado sin nombrar un conjunto común de datos, versiones competidoras o requisitos comparables de solución. Estos multiplicadores no demuestran una ventaja general de ingeniería. 21
Los mecanismos de seguridad siguen poco documentados
La empresa afirma alojar en Francia, proteger la soberanía de los datos e incorporar ciberseguridad al diseño. La vacante de ingeniería incluye responsabilidades de seguridad. Ninguna fuente especifica aislamiento de clientes, acceso administrativo restringido, recuperación ante cambios destructivos o privilegios de agentes automatizados. La geografía y los lemas de diseño no acreditan esos mecanismos. 20 16
La nueva opción de agentes introduce una frontera concreta: Galia puede conservar la clave de IA del cliente y el contexto empresarial suministrado. El anuncio revisado no explica almacenamiento de credenciales, acceso del proveedor, autorización de herramientas ni separación entre edición de modelos y autoridad de ejecución. Esos controles importan cuando un agente puede alterar las restricciones usadas para generar un plan operativo. 14
El criterio pertinente es poder contener errores y compromisos de seguridad. La aprobación del planificador puede impedir que se publique un mal plan, pero no describe protección ante robo de credenciales, acceso excesivo a datos o cambios fuera de la frontera prevista del proyecto.
Puntuación de supply chain
La puntuación global es la media con igual ponderación de 25 puntuaciones parciales.
Profundidad en supply chain
| Criterio | Puntuación |
|---|---|
| Planteamiento económico | 6/10 |
| Decisiones como resultado final | 8/10 |
| Claridad conceptual sobre supply chain | 7/10 |
| Independencia de doctrinas obsoletas | 4/10 |
| Resistencia al maquillaje de KPI | 3/10 |
Media: 5,6/10.
Planteamiento económico — 6/10. Los costes de transporte y recursos son objetivos concretos. Las medidas operativas ponderadas y los objetivos de volumen procesado siguen necesitando una valoración coherente de las consecuencias comerciales más amplias. 2 10
Decisiones como resultado final — 8/10. Rutas, planes de carga y programas son salidas ejecutables con usos operativos claros. Su valor empresarial depende de las hipótesis que los generan. 8 9
Claridad conceptual sobre supply chain — 7/10. El proveedor reconoce claramente la importancia de acoplar preparación, carga y transporte. Es una distinción sustancial frente a optimizar cada operación por separado. 7 8
Independencia de doctrinas obsoletas — 4/10. El modelo centrado en el solver sigue dependiendo de objetivos y restricciones preparados. Las afirmaciones de automatización completa ocultan el trabajo continuo del planificador que mantiene utilizables esas entradas. 13 21
Resistencia al maquillaje de KPI — 3/10. Las afirmaciones de velocidad y ahorro suelen omitir métodos comparativos y costes completos. La transición de ahorros esperados a logrados en Logtran no se concilia públicamente. 8 21
Sustancia de las decisiones y la optimización
| Criterio | Puntuación |
|---|---|
| Profundidad de la modelización probabilística | 4/10 |
| Sustancia distintiva de optimización o aprendizaje automático | 7/10 |
| Tratamiento de restricciones reales | 8/10 |
| Automatización de decisiones y productividad laboral | 5/10 |
| Resiliencia ante la complejidad operativa real | 5/10 |
Media: 5,8/10.
Profundidad de la modelización probabilística — 4/10. La investigación robusta y estocástica, junto con los experimentos sobre solicitudes dinámicas, acredita capacidades relevantes. La evidencia pública del producto no conecta la incertidumbre operativa conjunta con una selección calibrada de decisiones económicas. 5 6 11
Sustancia distintiva de optimización o aprendizaje automático — 7/10. El marco abierto contiene ingeniería algorítmica original. La puntuación queda limitada por la dificultad de representar la economía cambiante e incierta de supply chain dentro de sus formulaciones matemáticas. 3 4
Tratamiento de restricciones reales — 8/10. Los casos describen restricciones físicas y de programación acopladas con un detalle poco habitual. La distinción importante que permanece es entre satisfacer esas restricciones y maximizar el valor económico global. 8 9 10
Automatización de decisiones y productividad laboral — 5/10. Los resultados del solver y la integración asíncrona eliminan trabajo de cálculo. La afirmación medida más reciente sobre agentes atañe a la velocidad de análisis dentro de un proceso supervisado por planificadores; no se informa del trabajo residual total. 14 19
Resiliencia ante la complejidad operativa real — 5/10. La reoptimización dinámica y los experimentos pertinentes son útiles. La evidencia publicada no mide el rendimiento completo de recuperación ni las consecuencias económicas de perturbaciones correlacionadas. 11 21
Integridad del producto y la arquitectura
| Criterio | Puntuación |
|---|---|
| Coherencia arquitectónica | 6/10 |
| Claridad de los límites del sistema | 7/10 |
| Seriedad en seguridad | 2/10 |
| Austeridad del software y coste de propiedad | 5/10 |
| Compatibilidad con operaciones programáticas y asistidas por agentes | 7/10 |
Media: 5,4/10.
Coherencia arquitectónica — 6/10. Aplicaciones de solvers relacionadas, una interfaz de orquestación y un conjunto reconocible de tecnologías forman un producto coherente. El modelo económico que debe mantenerse sigue siendo específico del cliente. 15 16 17
Claridad de los límites del sistema — 7/10. La relación entre servicios de optimización y sistemas de gestión existentes es explícita. El código público también aclara la distinción entre marco, cliente de integración y aplicación comercial. 12 3 19
Seriedad en seguridad — 2/10. Las afirmaciones del producto no demuestran mecanismos de contención y recuperación. Los límites de credenciales y acceso a herramientas del agente añaden responsabilidades que el anuncio deja sin especificar. 20 14
Austeridad del software y coste de propiedad — 5/10. Las capas de software descritas están relativamente enfocadas. Modelización, configuración, integración y cómputo siguen requiriendo una cuenta completa de costes recurrentes. 16 17 21
Compatibilidad con operaciones programáticas y asistidas por agentes — 7/10. API, resultados asíncronos y exportaciones estructuradas proporcionan interfaces útiles para máquinas. Su disponibilidad es una evidencia más sólida que la etiqueta MCP. 19 2
Transparencia técnica
| Criterio | Puntuación |
|---|---|
| Documentación técnica pública | 8/10 |
| Inspección sin mediación del proveedor | 8/10 |
| Visibilidad de la portabilidad y la dependencia del proveedor | 6/10 |
| Transparencia del método de implantación | 6/10 |
| Densidad de evidencia tras las afirmaciones técnicas | 5/10 |
Media: 6,6/10.
Documentación técnica pública — 8/10. Código fuente, documentación algorítmica y artículos científicos exponen contenido importante de ingeniería. Las especificaciones comerciales de operación y seguridad están menos completas. 3 4 5
Inspección sin mediación del proveedor — 8/10. Una persona externa puede estudiar y ejecutar el marco público y examinar sus hipótesis de modelización. Es una ventaja significativa frente a afirmaciones de optimización no inspeccionables. 3 4
Visibilidad de la portabilidad y la dependencia del proveedor — 6/10. Los componentes abiertos y las interfaces estructuradas reducen algunas dependencias. Los modelos configurados, el conocimiento de integración y los solvers comerciales alojados siguen creando trabajo de migración. 3 19 17
Transparencia del método de implantación — 6/10. La vacante de implantación y los ejemplos técnicos exponen buena parte del proceso de modelización. La carga recurrente y la responsabilidad sobre cambios siguen menos claras comercialmente. 17 12
Densidad de evidencia tras las afirmaciones técnicas — 5/10. Los casos detallados y los algoritmos inspeccionables respaldan capacidades reales. Los multiplicadores universales de rendimiento y las mediciones incompletas de beneficios debilitan las afirmaciones generales. 9 3 21
Seriedad del proveedor
| Criterio | Puntuación |
|---|---|
| Seriedad técnica de la comunicación pública | 5/10 |
| Integridad de la hoja de ruta tecnológica | 6/10 |
| Claridad conceptual | 6/10 |
| Responsabilidad económica | 3/10 |
| Defendibilidad en un mundo de software agéntico | 5/10 |
Media: 5,0/10.
Seriedad técnica de la comunicación pública — 5/10. La investigación es específica y franca sobre las limitaciones matemáticas. La promesa comercial de cobertura completa de restricciones y decisiones óptimas es mucho menos disciplinada. 5 20
Integridad de la hoja de ruta tecnológica — 6/10. La ingeniería de optimización ha seguido siendo central bajo etiquetas sucesivas de IA. La nueva narrativa de agentes necesita resultados operativos medidos más allá de interactuar más rápido con el mismo núcleo. 12 15 14
Claridad conceptual — 6/10. La modelización operativa sistémica es una fortaleza real. Las necesidades predictivas y la incertidumbre se difuminan cuando un modelo se presenta como un gemelo digital que requiere poca información histórica. 7 13
Responsabilidad económica — 3/10. Las afirmaciones de beneficios no vienen acompañadas de un cálculo completo del coste de propiedad ni de un compromiso público de corregir hipótesis de modelo económicamente erróneas. 8 17 21
Defendibilidad en un mundo de software agéntico — 5/10. El software de optimización original y los modelos operativos acoplados proporcionan una base defendible. Un agente que principalmente facilita la planificación supervisada deja sin resolver la oportunidad mayor de productividad. 3 7 14
Fuentes
Aplicaciones de optimización de Atoptima. Sin fecha; consultado el 4 de noviembre de 2026.
[2] Flujos e interfaces de Galia
Galia Transport Optimization System. Sin fecha; consultado el 4 de noviembre de 2026.
[3] Algoritmo y código fuente de Coluna
Descripción de Coluna en una revisión fija del código. Revisión del 16 de septiembre de 2026.
[4] Documentación técnica de Coluna
Introducción y arquitectura de descomposición de Coluna. Generada el 18 de julio de 2025; consultada el 4 de noviembre de 2026.
[5] Diseño estocástico de redes y tratabilidad
Diseño de una red de distribución de dos niveles con incertidumbre de demanda. Imen Ben Mohamed, Walid Klibi y François Vanderbeck; manuscrito depositado el 27 de junio de 2019, publicación en revista en 2020.
[6] Investigación sobre rutas robustas
Branch-and-cut-and-price para rutas de vehículos robustas con capacidad e incertidumbre de mochila. Artur Pessoa, Michael Poss, Ruslan Sadykov y François Vanderbeck; manuscrito de 2018, publicado posteriormente en Operations Research en 2021.
[7] Acoplamiento de decisiones operativas
Solvers combinados. Sin fecha; consultado el 4 de noviembre de 2026.
[8] Implantación en Logtran y ahorros esperados
Proyecto de logística y transporte de Logtran. 22 de mayo de 2023.
[9] Caso de transporte minorista
Rutas de reposición en el sector minorista. Sin fecha; consultado el 4 de noviembre de 2026.
[10] Producción y distribución acopladas
Programación de producción y planificación de distribución. Sin fecha; consultado el 4 de noviembre de 2026.
[11] Investigación en ciclologística dinámica
Resumen de ADEME del proyecto Atoptima–AppliColis. 24 de octubre de 2025.
[12] Enfoque histórico de implantación
Entrevista de Atoptima con SCM Startups. 16 de mayo de 2022.
[13] Afirmaciones sobre IA de decisión y gemelos digitales
IA de decisión en supply chain: impacto e implantación. Página fechada el 27 de mayo de 2024; consultada el 4 de noviembre de 2026.
[14] Anuncio del agente Galia y MCP
Atoptima integra IA transversal en Galia. 2 de noviembre de 2026.
[15] Tecnologías históricas de ingeniería de aplicaciones
Vacante de Engineer in Optimisation Applications. Noviembre de 2022.
[16] Tecnologías actuales de ingeniería de aplicaciones
Vacante de Software Engineer Full-Stack. Enero de 2026.
[17] Trabajo de modelización, soporte y configuración
Vacante de Customer Delivery Manager. Febrero de 2026.
[18] Dependencias de software versionadas
Manifiesto de paquetes de Coluna. Revisión del 16 de septiembre de 2026; versión 0.8.2.
[19] Cliente de integración asíncrona
Cliente JavaScript mínimo de Galia en una revisión fija del código. Revisión del 14 de diciembre de 2021.
[20] Afirmaciones sobre empresa, cobertura y seguridad
Acerca de Atoptima. Sin fecha; consultado el 4 de noviembre de 2026.
[21] Alcance, incertidumbre y rendimiento de RouteSolver
Página de producto y preguntas frecuentes de RouteSolver. Sin fecha; consultada el 4 de noviembre de 2026.