Análisis de GAINSystems, proveedor de planificación de supply chain y optimización de inventario

Última actualización: 4 de noviembre de 2026

Volver al estudio de mercado

GAINSystems, comercializada como GAINS, ofrece software de planificación de demanda, optimización de inventario, reposición, planificación de producción y diseño de redes para empresas intensivas en inventario. Su plataforma incluye predicción de tiempos de entrega, automatización de compras, una interfaz de agentes y API para intercambiar datos de planificación y órdenes ejecutables con sistemas empresariales. GAINS cuenta con el respaldo de Francisco Partners; la adquisición de 3 Tenets Optimization en 2023 amplió su oferta de diseño de redes. (1, 8, 19, 22)

Puntuación global: 5,2/10

Dimensión	Puntuación
Profundidad en supply chain	5,6/10
Sustancia de las decisiones y la optimización	5,4/10
Integridad del producto y la arquitectura	4,6/10
Transparencia técnica	5,2/10
Seriedad del proveedor	5,0/10

GAINS publica cálculos de políticas de inventario con costes de posesión, recepción, expedición urgente y demanda no atendida, junto con alternativas evaluadas a distintos niveles de servicio. Su servicio de tiempos de entrega documenta una familia concreta de aprendizaje automático y un despliegue identificado. El software produce órdenes de reposición y producción mediante interfaces documentadas. (2, 10, 25)

Los límites afectan a lo que une esas piezas. Los documentos públicos no explican cómo se representa conjuntamente la incertidumbre de demanda y suministro en toda la selección de políticas, cómo se validan las predicciones del gemelo digital ni cómo se revisan y prueban los modelos económicos específicos del cliente. La automatización de compras aprende de los ajustes históricos de los compradores, lo que puede reproducir hábitos humanos sin demostrar que maximicen retornos futuros. Los nuevos agentes conversacionales ejecutan tareas aprobadas, pero su productividad adicional sigue sin medirse. GAINS es un sistema de planificación operativa con entradas económicas inspeccionables y automatización útil; su afirmación más amplia de una plataforma de decisiones en mejora continua está menos fundamentada.

GAINS frente a Lokad

Supongamos que un distribuidor debe elegir entre comprar un palé adicional para superar un umbral de transporte y conservar efectivo para otro producto. GAINS documenta mínimos de pedido, umbrales de transporte y restricciones de capacidad en la automatización de compras. Su API de inventario expone varios costes monetarios, y su función de nivel de servicio compara políticas alternativas. Lokad también trata las decisiones de inventario como decisiones económicas, pero implementa lógica específica del cliente mediante recetas numéricas programables que mantienen sus Supply Chain Scientists. (5, 25, Optimización de inventario de Lokad)

La diferencia importante es cómo se establece y mejora la lógica de decisión. Supply Decision Automation de GAINS aprende los ajustes y aprobaciones de compradores expertos. El enfoque de Lokad expresa directamente costes, incertidumbres y acciones factibles, y después revisa el modelo cuando los resultados operativos revelan un defecto. Un ajuste del comprador puede revelar una restricción ausente; tratarlo como la respuesta es una base más débil que descubrir por qué fue necesario y probar una corrección reutilizable.

Ambos sistemas necesitan ingeniería continua y conocimiento del cliente. GAINS ofrece aplicaciones configuradas y servicios especializados, mientras que Lokad mantiene software explícito de decisión para el cliente. La comparación es, por tanto, el coste y la calidad de producir decisiones y mejorar su lógica con el tiempo, incluido el trabajo del proveedor. Introduction to Supply Chain y Holimization de Lokad explican esa perspectiva de diseño; ninguno sustituye resultados de implantación medidos.

Selección económica de políticas: más sólida que un objetivo de servicio fijo

La API actual de inventario es la evidencia más clara de la maquinaria económica de GAINS. Publica políticas de inventario y un endpoint separado de nivel de servicio que expone factores de coste y alternativas evaluadas. El esquema incluye costes de posesión y recepción, precio, probabilidad de venta perdida, factores de expedición urgente y coste de no prestar servicio. También distingue cantidades calculadas de ajustes e intervenciones manuales. (11, 25)

Esto importa porque un nivel de servicio puede ser un objetivo arbitrario o la consecuencia de un cálculo económico. GAINS documenta la segunda posibilidad: comparar políticas mediante costes, en lugar de limitarse a pedir a los planificadores un fill rate. Su descripción de producto también afirma optimizar el servicio por artículo frente a un objetivo empresarial o una meta agregada. (3, 23)

Queda sin resolver el cálculo que conecta esas entradas. La probabilidad de perder una venta es distinta del daño esperado por perder el pedido de un cliente concreto; la falta de un componente puede detener la producción de varios artículos rentables. El esquema público no explica cómo entran esas interacciones en un objetivo compartido ni cómo se aprenden, cuestionan y actualizan los parámetros monetarios. Los campos de coste expuestos hacen el modelo más inspeccionable, pero no demuestran optimización económica de toda la cartera.

GAINS identifica algoritmos genéticos para sus estrategias de stock multiescalón. El nombre no explica el espacio de búsqueda, el tratamiento de restricciones, el objetivo estocástico ni la estabilidad de la política elegida. La página actual afirma interdependencias entre listas de materiales y niveles de red, pero no ofrece una formulación reproducible ni una comparación que muestre qué conserva el método a escala operativa. (3)

Predicción de tiempos de entrega: un mecanismo identificable con una frontera importante

El documento de tiempos de entrega describe modelos de boosting supervisado que usan características de material, ubicación y proveedor. Predicen fechas de entrega para artículos con poco historial aprendiendo relaciones entre registros. GAINS también informa de confianza de predicción y variabilidad del suministro. El servicio independiente ingiere datos de suministro y maestros de artículos y devuelve predicciones para la planificación. Sus controles de preparación exigen información histórica del artículo en la fecha de creación del pedido, lo que ayuda a impedir evaluaciones con información que aún no estaba disponible al formular la previsión. (2)

Es una mejora significativa frente a actualizar mecánicamente la media del proveedor. Aun así, quedan dos preguntas diferentes: con qué precisión se predice la fecha y cómo afecta a la compra toda la incertidumbre que la rodea. Un proveedor habitualmente rápido pero a veces muy tardío puede justificar una política distinta de otro sistemáticamente más lento. Mejorar una predicción central no elimina esa diferencia.

El esquema de políticas expone tiempo de entrega, una modificación manual de su variabilidad y error de previsión; el documento no publica la distribución conjunta ni explica cómo se acopla con la incertidumbre de demanda en el cálculo económico. El artículo de GAINS de 2026 separa explícitamente los valores sesgados de tiempo de entrega de la variabilidad, asignando esta última a ajustes del stock de seguridad. Es un modelo operativo más específico que una afirmación irrestricta de optimización probabilística. (15, 25)

La evidencia cuantitativa restante se refiere al error predictivo y a resultados de inventario, no a la calibración probabilística entre estados futuros. Retrasos correlacionados de proveedores, perturbaciones de demanda y decisiones contingentes de expedición urgente pueden cambiar sustancialmente qué política gana más dinero. Su tratamiento sigue sin divulgarse.

Automatizar compras: aprender del comprador no es aprender la economía

Supply Decision Automation observa los cambios de compradores por línea y pedido, modela qué pedidos aprueban y aplica esos patrones a reposiciones posteriores. Lo combina con mínimos de proveedor, umbrales de transporte y comprobaciones de capacidad. GAINS anuncia hasta un 80% de aprobación automática y reducción de carga de trabajo. (5)

El mecanismo plantea una pregunta fundamental sobre el objetivo de entrenamiento. Un comprador puede redondear cantidades al alza de forma habitual porque desconfía de la previsión, porque falta el mínimo del proveedor en los datos maestros o porque el exceso de stock es menos visible que los faltantes. Reproducir el ajuste escala el hábito. No identifica la razón económica, elimina la entrada incorrecta ni demuestra que el stock adicional se pague por sí mismo.

El ciclo de mejora debería distinguir una restricción válida de un arreglo costoso. Debería seguir la decisión hasta sus resultados posteriores, modificar el modelo y reproducir la lógica revisada antes de desplegarla. La página dice que el sistema aprende de resultados, pero no explica cómo corrigen estos la imitación de aprobaciones históricas. Es un límite importante de la afirmación de mejora continua.

El agente DEO añade conversación, comparación de escenarios, orquestación y ejecución automática tras la aprobación. Es un flujo documentado de asistente, con autorización humana integrada en la descripción. La cuestión de productividad es cuánto trabajo elimina más allá de la automatización de compras ya existente y si las decisiones rutinarias de gran volumen requieren nuevas conversaciones o aprobaciones. El material publicado no ofrece una respuesta medida. (4)

Los porcentajes de automatización de GAINS también usan denominadores distintos: la página de compras anuncia hasta el 80%, P3 afirma que muchas empresas alcanzan el 90–95% de las decisiones de compra y el caso Border States informa de un 90% de pedidos de compra automatizados en tres meses. No pueden combinarse en una reducción laboral de toda la suite. El esfuerzo restante incluye mantenimiento de políticas, excepciones, conversaciones con proveedores, reparación de datos y los propios servicios de GAINS. (5, 7, 14)

Border States: un caso financiero útil con atribución limitada

La evaluación de Nucleus Research de junio de 2025 informa de 21 millones de dólares de inventario liberado en seis a ocho meses de una red con 600 millones de dólares de inventario. Su ahorro anual aproximado de 4,8 millones aplica una tasa de posesión del 23% a esa liberación; los beneficios de productividad en compras superan los 40.000 dólares anuales. El ROI anunciado del 976% descansa, por tanto, principalmente en la economía de inventario de una herramienta adicional de tiempos de entrega desplegada en un entorno existente. (24)

La reducción de inventario es aproximadamente el 3,5% del valor de red indicado. Es económicamente plausible y muy distinto de interpretar un ROI espectacular como una reducción igualmente espectacular de inventario. La tasa de posesión también merece examen: algunos costes bajan con el stock, mientras que espacio de almacén, personal y otros gastos fijos pueden permanecer. El beneficio depende de qué recursos se liberan realmente o se reasignan de forma productiva.

El caso es más sólido que un testimonio de precisión porque identifica un cambio operativo, supuestos financieros y un periodo. Sus resultados deben seguir vinculados a la predicción de tiempos de entrega y a la situación inicial del cliente existente. No validan los agentes conversacionales posteriores, el coste de implantar la suite completa ni el retorno alcanzable por otro cliente.

El caso también informa de mejoras relativas del 65% en precisión del tiempo de entrega y del 31% en error. Sin definiciones de las métricas y población de prueba, esas cifras no establecen con qué fiabilidad se predicen recepciones tardías ni sus consecuencias financieras. (14)

Los gemelos digitales necesitan validación predictiva

GAINS describe su gemelo digital como un modelo vivo para probar cambios de inventario, abastecimiento, transporte y estructura de red dentro del flujo de planificación. Presenta la experimentación como libre de riesgo y afirma que el modelo muestra consecuencias en toda la supply chain. La página explica conectividad y usos, pero no especifica evaluación del error predictivo, calibración de incertidumbre ni validación de respuestas previstas a intervenciones. (6)

Una imagen actual de la red no demuestra cómo se comportará tras cambiar el abastecimiento. Los proveedores pueden modificar capacidad, la demanda puede migrar a sustitutos y puede surgir congestión en otra instalación. Son predicciones sobre cantidades futuras interrelacionadas. Un modelo puede estar perfectamente sincronizado con los registros actuales y recomendar aun así una intervención equivocada.

La brecha importa especialmente cuando la simulación alimenta la acción propuesta por un agente. Ejecutar escenarios deprisa puede amplificar un supuesto estructural erróneo. GAINS necesita pruebas de que el modelo predice adecuadamente las consecuencias operativas, seguidas de pruebas de que elegir acciones mediante él mejora la economía. Ni una visualización atractiva de la red ni la brecha de optimalidad de un solver convencional resuelven la cuestión.

Historia tecnológica e integridad de la hoja de ruta

Periodo	Registro público	Implicación
2015	La alianza con Ramco anunció incorporar la planificación y optimización de inventario GAINS a su oferta aeronáutica.	La integración de planificación precede al lenguaje actual de plataforma componible.
2019	El CEO Bill Benton habló de gemelos digitales, aprendizaje automático, futuras decisiones autónomas y conocimientos aportados por el proveedor.	La ambición de autonomía y la necesidad de mantener modelos ya eran explícitas.
2023	La adquisición de 3 Tenets Optimization amplió el diseño de red física, capacidad y transporte.	El perímetro de diseño creció mediante tecnología y personal identificables.
2024–2025	El documento de tiempos de entrega y el caso financiero de Border States documentaron un despliegue acotado de aprendizaje automático.	Esta afirmación concreta tiene un mecanismo y evidencia posterior.
2025–2026	Los agentes DEO y la automatización de suministro destacan acciones aprobadas, conducta de compradores y aplicaciones coordinadas.	El trabajo humano restante es central para evaluar la nueva narrativa de autonomía.

Fuentes: Ramco, entrevista de 2019, 3TO, método de tiempos de entrega, caso financiero, agentes, automatización.

En la entrevista de 2019, Benton trataba las decisiones sin humanos como una dirección futura y hablaba de envejecimiento de modelos, nuevas variables explicativas y responsabilidad compartida por los resultados. Era una predicción, no evidencia de una inteligencia autónoma amplia ya entregada. El registro de entonces respalda trabajos de optimización y previsión más estrechos. (18)

La descripción de GAINS de octubre de 2025 es más prudente sobre agentes: habla de asistentes conectados a herramientas de planificación, conservando el criterio humano. Sin embargo, el lenguaje general del producto presenta una plataforma que aprende y orquesta toda la supply chain. La cuestión material es qué decisiones antes manuales se han automatizado con fiabilidad y cuáles siguen consumiendo juicio recurrente. El despliegue publicado de tiempos de entrega responde mejor que la narrativa general de DEO. (20)

Una entrevista con un cliente aporta una perspectiva útil de continuidad. AmerCareRoyal describe su integración de 2021, una revisión de mejora 18 meses después, dos estudios de red y planes para añadir predicción de tiempos de entrega y actualizar a GAINS X. La plataforma evoluciona mediante proyectos de clientes y migraciones. El coste y el trabajo de esa evolución pertenecen a la evaluación de la hoja de ruta, junto con los anuncios de funciones. (21)

Componentes de software: modernizar tiene un coste recurrente

Un relato público de ingeniería aporta evidencia de proyecto inusualmente específica. El currículum de Oleg Poltoratskii identifica un encargo de migración arquitectónica de GAINS entre noviembre de 2023 y octubre de 2025, con evaluación del legado y fundamentos de una nueva arquitectura. Las tecnologías enumeradas pertenecen a ese encargo; no se especifica su cobertura actual de despliegue. (12)

Componente	Función o alcance documentado	Consecuencia operativa
Java y Spring	Framework de aplicación en la migración de 2023–2025.	Servicios y actualizaciones del framework requieren mantenimiento coordinado.
PostgreSQL y Databricks	Almacenamiento y procesamiento de datos en ese proyecto.	Movimiento de datos, estado de referencia y recuperación deben mantener consistencia entre capas de procesamiento.
Redis y Kubernetes	Comunicación entre instancias y escalado descritos en el encargo.	Estado distribuido y orquestación introducen más rutas de fallo y recuperación.
Confluent Kafka	Interacciones sincronizadas entre componentes.	La semántica de entrega y los reintentos afectan a la coherencia entre datos de planificación y acciones resultantes.
Servicios de aplicaciones Azure, configuración y gestión de API	Alojamiento y límites de servicios en la migración.	Los componentes gestionados conservan costes de alojamiento, configuración y seguridad.
GAINSConnect, GAINS X y servicios de predicción separados	La documentación actual identifica esos límites de aplicación.	Compatibilidad de versiones y disponibilidad determinan qué funciones puede usar una integración.

Fuentes: encargo de ingeniería, GAINSConnect.

Los componentes tienen funciones identificables, pero su masa operativa conjunta es considerable. Una decisión de compra puede depender de ingestión, datos maestros almacenados, procesamiento predictivo, cálculo de políticas y entrega a un ERP. Réplicas, cachés, colas y trabajos analíticos exigen recuperación coordinada y semántica de datos coherente. Trasladar estas tareas a servicios gestionados cambia quién las opera; no elimina el gasto ni la posibilidad de estados contradictorios.

La vacante actual de investigación operativa de GAINS busca modelado matemático, optimización y simulación, incluidos métodos lineales, enteros y estocásticos. Demuestra trabajo de ingeniería continuo. No identifica el solver desplegado ni expone las formulaciones que mostrarían cómo sobreviven al cálculo la economía no lineal y la incertidumbre. (13)

Integración, seguridad y propiedad de la lógica del cliente

GAINSConnect es una interfaz pública sustancial. Documenta carga asíncrona, idempotencia, paginación, webhooks, requisitos de versión y órdenes salientes. La documentación actual distingue órdenes de compra, transferencia, trabajo y producción, expone recomendaciones antes de enviarlas e indica a los integradores conservar identificadores de seguimiento para evitar procesamientos duplicados. Es infraestructura útil para operar sin supervisión e integrar con ayuda de agentes. (8, 10)

También hace visibles las responsabilidades de integración. El sistema receptor debe tratar correctamente las repeticiones; la aprobación y el envío determinan qué está listo para ejecutarse. Las políticas exportadas distinguen valores calculados de intervenciones del planificador, permitiendo investigar dónde cambió una recomendación. Son controles prácticos, aunque no proporcionan la historia completa, el entorno de pruebas ni el razonamiento económico necesarios para reproducir una decisión. (10, 11)

La documentación de autenticación describe endpoints por entorno y credenciales de cliente OAuth con tokens de acceso breves, junto con autenticación Basic. No demuestra aislamiento entre clientes, límites de mínimo privilegio entre servicios de planificación ni recuperación tras una intrusión. La seriedad de seguridad descansa así en un mecanismo de acceso documentado, con una descripción pública mucho más escasa de los límites subyacentes del daño. (9)

La configuración sigue siendo software. Mínimos de servicio, factores de coste, selección de modelos de inventario e intervenciones explícitas interactúan; algunos pueden alterar la economía de miles de decisiones. Una recomendación mala recurrente debería llevar a diagnosticar y corregir el modelo, no a acumular ajustes manuales. La API pública permite inspeccionar parte de la configuración, pero la documentación revisada no muestra versionado, reproducción histórica y reversión de la lógica numérica bajo control del cliente. (25)

P3 promete implantación por fases y una tasa de éxito del 100%. Empezar con decisiones acotadas es un método práctico sensato; la afirmación universal de éxito no es refutable económicamente sin definición, población y tratamiento de proyectos que entran en operación sin retornos suficientes. El artículo de implantación de 2026 identifica un sistema desplegado en el que los usuarios no confían como un fracaso caro. La responsabilidad económica necesita una definición coherente de éxito que resista ese caso, incluido el coste del soporte especializado continuo. (7, 17)

Puntuación detallada

La media con igual peso de las 25 evaluaciones siguientes es 5,16/10, redondeada a 5,2/10.

Profundidad en supply chain

Criterio	Puntuación
Planteamiento económico	7/10
Resultado final de la decisión	7/10
Claridad conceptual sobre supply chain	6/10
Independencia de doctrinas centrales obsoletas	4/10
Resistencia al teatro de KPI	4/10

Media: 5,6/10.

Planteamiento económico — 7/10. La API expone varios costes monetarios y alternativas evaluadas con distintos niveles de servicio. No muestra un objetivo común que capture todas las interacciones entre productos, proveedores y acciones. (25)

Resultado final de la decisión — 7/10. Las interfaces documentadas devuelven compras, transferencias y órdenes de trabajo y producción. Aprobación y excepciones siguen formando parte del proceso operativo. (10)

Claridad conceptual sobre supply chain — 6/10. GAINS distingue el calendario de suministro de la demanda e incorpora economía de inventario y restricciones operativas. La relación de esos cálculos con las afirmaciones generales de DEO es menos explícita. (2, 5, 25)

Independencia de doctrinas centrales obsoletas — 4/10. Seleccionar políticas económicamente mejora objetivos uniformes de servicio, pero siguen destacando intervenciones de planificadores, revisión de excepciones y aprendizaje de prácticas existentes de compradores. (5, 11)

Resistencia al teatro de KPI — 4/10. El caso financiero de Border States ofrece supuestos interpretables. Porcentajes amplios de automatización, éxito de implantación indefinido y gemelos no validados siguen ocultando decisiones y resultados económicos reales. (6, 7, 24)

Sustancia de las decisiones y la optimización

Criterio	Puntuación
Profundidad del modelado probabilístico	5/10
Sustancia distintiva de la optimización o el aprendizaje automático	5/10
Tratamiento de restricciones reales	6/10
Automatización de decisiones y productividad laboral	6/10
Resiliencia ante la complejidad operativa real	5/10

Media: 5,4/10.

Profundidad del modelado probabilístico — 5/10. Predicción de tiempos de entrega y variabilidad del suministro reciben tratamiento explícito. No se divulga el modelado probabilístico conjunto ni su uso para elegir acciones económicamente preferibles. (2, 15)

Sustancia distintiva de la optimización o el aprendizaje automático — 5/10. La estimación mediante boosting es técnicamente identificable, y GAINS nombra una búsqueda genética de estrategias de inventario. La validación pública se concentra en el despliegue limitado de tiempos de entrega. (2, 3, 24)

Tratamiento de restricciones reales — 6/10. Se representan mínimos de proveedor, umbrales de transporte, capacidad, listas de materiales y tipos de orden. Su tratamiento combinado bajo condiciones futuras inciertas es menos inspeccionable. (3, 5, 10)

Automatización de decisiones y productividad laboral — 6/10. Border States informa de una automatización considerable de pedidos, y la integración permite ejecución sin supervisión. El trabajo total restante de operación y mejora no se mide de forma coherente entre las afirmaciones. (8, 14)

Resiliencia ante la complejidad operativa real — 5/10. El desarrollo de tiempos de entrega incluye controles de datos y refinamiento, mientras ACR documenta mejoras continuas. Aprender ajustes y ejecutar escenarios no establece un proceso eficiente para corregir el modelo económico subyacente. (2, 5, 21)

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
Parsimonia del software y coste de propiedad	3/10
Compatibilidad con operaciones programáticas y asistidas por agentes	6/10

Media: 4,6/10.

Coherencia arquitectónica — 5/10. Los servicios de predicción separados y las interfaces documentadas tienen funciones comprensibles. Las herramientas de diseño adquiridas y la plataforma en evolución no exponen un único modelo de decisión versionado. (2, 8, 19)

Claridad de los límites del sistema — 6/10. La API especifica datos cargados, órdenes que salen del sistema y obligaciones del ERP receptor. Las dependencias numéricas profundas siguen controladas por el proveedor. (8, 10)

Seriedad en seguridad — 3/10. Los tokens OAuth breves son un mecanismo de acceso concreto. La evidencia pública es insuficiente sobre aislamiento, límites de privilegios y recuperación de servicios o credenciales comprometidos. (9)

Parsimonia del software y coste de propiedad — 3/10. El proyecto de migración abarca infraestructura distribuida considerable; las políticas de clientes y proyectos de mejora continua exigen especialistas. No se cuantifica públicamente esa carga recurrente de propiedad. (12, 21)

Compatibilidad con operaciones programáticas y asistidas por agentes — 6/10. Las API, esquemas y semántica de integración públicas respaldan operación automática y asistencia de programación. La lógica de optimización es menos accesible que sus entradas y salidas. (8, 10, 25)

Transparencia técnica

Criterio	Puntuación
Documentación técnica pública	7/10
Inspección sin mediación del proveedor	5/10
Portabilidad y visibilidad de la dependencia	4/10
Transparencia del método de implantación	5/10
Densidad de evidencia tras las afirmaciones técnicas	5/10

Media: 5,2/10.

Documentación técnica pública — 7/10. GAINSConnect expone guías y esquemas OpenAPI útiles, con campos de costes e intervenciones. El detalle comparable sobre optimizador y modelos predictivos es menor. (8, 25)

Inspección sin mediación del proveedor — 5/10. Un tercero puede inspeccionar interfaces y parte del modelo de datos económicos. Reproducir decisiones y validar el gemelo depende aún de información ajena a la documentación pública. (6, 25)

Portabilidad y visibilidad de la dependencia — 4/10. Órdenes y políticas se exportan mediante API documentadas. Sigue sin estar clara la exportabilidad de modelos, conducta aprendida y lógica de decisión específica del cliente. (10, 11)

Transparencia del método de implantación — 5/10. P3 explica el despliegue por fases, y el documento de tiempos de entrega describe controles de preparación y refinamiento. Las pruebas de mantenimiento y el despliegue de lógica numérica modificada no están igual de documentados. (2, 7)

Densidad de evidencia tras las afirmaciones técnicas — 5/10. La API y el caso de tiempos de entrega aportan mecanismos y resultados. Las afirmaciones amplias de aprendizaje autónomo y gemelos digitales carecen de validación equivalente. (4, 6, 24)

Seriedad del proveedor

Criterio	Puntuación
Seriedad técnica de la comunicación pública	4/10
Integridad de la hoja de ruta tecnológica	5/10
Claridad conceptual	5/10
Responsabilidad económica	6/10
Defendibilidad en un mundo de software agéntico	5/10

Media: 5,0/10.

Seriedad técnica de la comunicación pública — 4/10. Los documentos técnicos son mucho más precisos que las afirmaciones de simulación sin riesgo, éxito universal de implantación y agentes en mejora continua. Esas afirmaciones superan la evidencia publicada. (6, 7)

Integridad de la hoja de ruta tecnológica — 5/10. El registro conecta adquisiciones concretas y un despliegue de tiempos de entrega con evidencia financiera posterior. La antigua ambición de autonomía se concilia menos claramente con el trabajo humano y las actualizaciones actuales. (18, 19, 21, 24)

Claridad conceptual — 5/10. GAINS articula coste, variabilidad y ejecución de decisiones. Su mecanismo de imitación deja sin resolver la distinción entre reproducir criterio histórico y aprender mejores elecciones económicas. (5, 25)

Responsabilidad económica — 6/10. Border States incluye supuestos financieros y un periodo de medición. La garantía más amplia de éxito carece de una condición clara de fracaso, contabilidad neta del coste de propiedad y responsabilidad de remediación divulgada. (7, 24)

Defendibilidad en un mundo de software agéntico — 5/10. Los modelos de inventario, la experiencia con datos de tiempos de entrega y la integración de ejecución tienen sustancia más allá del software conversacional. Queda por demostrar el valor adicional de los agentes DEO sobre la automatización existente. (2, 4, 25)