Volver a la investigación de mercado
Pigment es una plataforma en la nube para crear aplicaciones de planificación financiera y operativa. Los usuarios definen datos multidimensionales, fórmulas, previsiones, escenarios, informes y flujos de trabajo. Su oferta de supply chain abarca demanda, inventario, capacidad y planificación de ventas y operaciones, con vínculos a los planes financieros. Los agentes de IA ayudan en el análisis y la construcción de modelos. (1, 9, 25)
Puntuación global de supply chain: 6,1/10.
| Dimensión | Puntuación |
|---|---|
| Profundidad en supply chain | 5,2/10 |
| Sustancia de las decisiones y la optimización | 5,4/10 |
| Integridad del producto y la arquitectura | 7,0/10 |
| Transparencia técnica | 6,8/10 |
| Seriedad del proveedor | 6,2/10 |
La mayor aportación de Pigment es un entorno de planificación programable con herramientas cada vez más capaces de mantener el propio modelo. Su documentación expone métodos de previsión, protecciones de producción, modos de fallo y un trabajo de ingeniería considerable sobre componentes de código abierto. Persiste la principal limitación para la supply chain: un modelo flexible y una preparación más rápida de escenarios no demuestran un motor de decisiones económicas que opere sobre la incertidumbre conjunta de demanda y suministro. El Planner Agent sigue en la hoja de ruta pública. (3, 9, 15, 17, 25)
Pigment explica cómo contiene el Python generado y aplica acceso de solo lectura al asumir la identidad de un usuario. También documenta comportamientos menos tranquilizadores en la aplicación: los cambios de fórmulas pueden alterar los controles de acceso, las modificaciones del modelo pueden ser permanentes y algunas funciones de IA recientes quedan fuera del proceso habitual de despliegue. (9, 10, 14, 15, 16)
Pigment frente a Lokad
Pigment proporciona herramientas para que una empresa construya sus propias aplicaciones de planificación. El cliente decide qué cantidades prever, qué fórmulas las conectan, qué escenarios comparar y qué plan aprobar. La optimización de supply chain de Lokad se centra en calcular decisiones operativas ordenadas por su valor económico bajo incertidumbre. Sus Supply Chain Scientists mantienen el modelo numérico y la preparación de datos necesarios para producir esas decisiones. La perspectiva general de diseño aparece en Introduction to Supply Chain. (1, 9)
Para comprar un componente, Pigment puede conectar una previsión de demanda, una lista de materiales, el inventario actual, supuestos sobre tiempos de entrega y un cálculo de compra. Cheerz describe una aplicación así. La pregunta más difícil es cuánto comprar cuando son inciertas la llegada del proveedor, la demanda, el rendimiento productivo y los usos alternativos del dinero. El enfoque de Lokad asigna consecuencias económicas a los posibles resultados y evalúa conjuntamente las acciones disponibles. Pigment ofrece un entorno de modelado en el que aún habría que diseñar y validar gran parte de esa lógica. (7, 29)
El Modeler Agent de Pigment puede reducir los costes de implantación automatizando la construcción de fórmulas y modelos. Pero producir una fórmula rápidamente no demuestra que exprese el objetivo empresarial correcto. La prueba de productividad consiste en determinar si los equipos del cliente pueden revisar y mejorar de forma segura el modelo de decisiones con menos esfuerzo total, incluidas la revisión, las comprobaciones de regresión y el seguimiento operativo. (9, 26)
El modelo numérico: previsiones y escenarios antes que decisiones económicas
Los cálculos de inventario son programables, no una doctrina de optimización suministrada
Pigment documenta cálculos iterativos entre bloques, incluido un ejemplo de inventario que conecta existencias iniciales, reposiciones entrantes y existencias finales a lo largo del tiempo. Su mecanismo PREVIOUSOF actual permite hasta diez métricas en una configuración iterativa, con una dimensión común de iteración. Son primitivas de cálculo útiles para expresar la lógica de un cliente. (29)
No eligen la formulación económica. Una ecuación de inventario puede ser correcta mientras su regla de reposición ignora sustituciones, caducidad, entregas irregulares de un proveedor o el coste de oportunidad del capital escaso. Añadir dimensiones o fórmulas no añade automáticamente las alternativas de decisión correspondientes. Como explica Holimization, la mejora importante puede ser cambiar lo que contempla el modelo, en vez de calcular con más precisión dentro de sus supuestos existentes.
La oferta pública de supply chain destaca los planes conectados y la comparación rápida de escenarios. Esto ayuda a examinar consecuencias de capacidad o compras entre funciones. No expone un objetivo nativo que ordene acciones operativas competidoras por su retorno económico esperado, ni un método suministrado para valorar conjuntamente la incertidumbre de demanda, tiempos de entrega y capacidad. Ese trabajo sigue siendo una parte sustancial del diseño de la aplicación. (1, 5, 29)
La documentación de previsiones aporta detalles cuantitativos útiles
La función Predictions de Pigment produce una previsión base con límites inferior y superior para un intervalo de predicción del 95%. Su selección AutoML evalúa varios modelos por serie mediante MASE sobre el último 20% de los datos históricos. Las opciones documentadas incluyen AutoETS, Chronos-2, Prophet y métodos más sencillos; Chronos-2 se utiliza sin ajuste fino específico del cliente. (2, 3)
Los benchmarks publicados usan MASE, una medida de error relativa a una referencia ingenua estacional:
| Benchmark | MASE medio de Chronos-2 | Referencia ingenua estacional |
|---|---|---|
| Mensual, horizonte de 12 meses | 1,102 | 1,000 |
| Semanal, horizonte de 52 semanas | 0,900 | 1,000 |
| Diario, horizonte de 365 días | 0,718 | 1,000 |
El conjunto de datos se centra en métricas empresariales habituales, especialmente series financieras de ventas, y no contiene datos de clientes. TimesFM 2.5 mensual obtiene 0,981 en la misma comparación. Por tanto, Chronos-2 pierde frente a la referencia ingenua en esa prueba mensual, pese a las afirmaciones generales de rendimiento superior que la rodean. Estos resultados no se pueden trasladar a la reposición por SKU y ubicación ni interpretar como porcentajes de previsiones correctas. (3)
Un intervalo de predicción aporta información útil sobre incertidumbre; su cobertura nominal del 95% no equivale a una precisión de previsión del 95%. Para tomar decisiones de inventario falta una distribución conjunta validada de las cantidades que afectan a la acción. Las bandas marginales de series individuales no especifican la demanda correlacionada entre productos, los tiempos de entrega inciertos de los proveedores ni el coste de los faltantes de stock resultantes. La documentación pública de Pigment no muestra esas incertidumbres combinadas en un cálculo del valor de las acciones. (2, 5)
Los factores externos pueden predecir sin explicar una intervención
Pigment acepta hasta diez métricas de factores externos. Los datos deben cubrir al menos el 90% de los periodos históricos y futuros; los valores ausentes se rellenan. Una prueba de Granger examina hasta cinco retardos y selecciona un factor cuando un valor p cae por debajo de 0,005. Prophet puede mostrar un coeficiente de impacto asociado; la documentación no ofrece ese coeficiente para Chronos-2 ni AutoML. (4)
Una variable de marketing puede ayudar a predecir ventas porque el equipo de marketing ya sabe algo sobre la demanda. Eso no establece qué ocurriría si la empresa modificase el gasto. Del mismo modo, el tiempo meteorológico futuro o los precios de la competencia deben preverse, salvo que se conozcan de antemano. Importan su incertidumbre y su disponibilidad en la fecha original de decisión. El procedimiento de selección documentado no demuestra una optimización causal de promociones ni la propagación conjunta de la incertidumbre. (4)
El artículo de supply chain de Pigment de agosto de 2026 defiende expresamente previsiones en forma de rangos y reconoce tiempos de entrega variables. Sin embargo, el caso anterior de un retailer anónimo organiza la planificación en torno a una única cifra de demanda consensuada y escenarios para alcanzar objetivos. La plataforma puede acomodar ambas prácticas; la metodología del cliente determina si la incertidumbre informa la decisión o se comprime en un plan consensuado. (5, 6)
Productividad de los agentes: construir el modelo es el avance sustancial
La construcción del modelo puede acelerarse, pero la validación sigue siendo necesaria
El Modeler Agent crea y modifica bloques, fórmulas, dimensiones y calendarios. Su documentación de octubre de 2026 describe los modos Ask, Build y Plan & Build, con aceptación automática opcional salvo para eliminaciones. Los cambios son permanentes y se atribuyen al miembro que los inició en el historial de la aplicación. (9)
Pigment afirma que el agente crea el 70% de las métricas y fórmulas nuevas. También informa de una aplicación de gastos generales de Unilever North America construida y puesta en marcha en 25 días, frente a una alternativa estimada de cuatro a seis meses. Es evidencia sobre velocidad de construcción en planificación financiera. La comparación no aporta un contrafactual medido, tasa de defectos, esfuerzo posterior de mantenimiento ni resultados de decisiones de supply chain. (26)
El mantenimiento de modelos consume trabajo especializado caro: conciliar definiciones, rastrear dependencias, ajustar fórmulas y reconstruir informes. Un agente puede reducir ese trabajo. La ganancia económica depende de la calidad y longevidad de la aplicación resultante, no de la proporción de código o fórmulas generados automáticamente. Un gran volumen de métricas innecesarias aumentaría el mantenimiento en vez de la productividad.
La planificación diaria conserva un fuerte componente humano
Cheerz afirma haber reducido su ciclo mensual de planificación operativa de una semana a menos de un día y el inventario en un 30%. Su aplicación de compras importa datos diarios del sistema de existencias y modela componentes mediante una lista de materiales preparada. El caso de planificación de leche infantil y nutrición médica de Danone describe una tarea de preparación del plan estratégico que pasó de dos semanas a un día, condicionada a recibir los datos a tiempo. Su modelo personalizado de S&OP y estrategia se construyó con Statera Consulting en tres meses. (7, 8)
Estos casos identifican reducciones significativas de carga de trabajo. Sus denominadores siguen siendo procesos concretos, no el coste total de mantener correctas las decisiones operativas. Una consolidación más rápida también permite más ciclos de planificación, como señala Cheerz. Revisar con mayor frecuencia puede mejorar la capacidad de respuesta manteniendo la dependencia de las mismas aprobaciones humanas y correcciones del modelo. Ningún caso demuestra reposición autónoma en toda la operación del cliente. (7, 8)
MCP es un conector; las herramientas que modifican modelos requieren su propia evaluación
El servidor MCP de Pigment autentica al usuario, aplica los permisos existentes y permite excluir bloques del acceso de la IA. Su registro de cambios de herramientas de octubre incluye recuperación de datos brutos, inspección de dependencias e investigación del rendimiento; la ordenación y los umbrales de los datos recuperados ahora se ejecutan en la herramienta de IA externa. (11, 28)
El conector por sí solo es una integración de poco esfuerzo, no evidencia de un motor de decisiones de supply chain. Trasladar el flujo de preguntas e informes del usuario a un asistente externo conserva el modelo operativo manual subyacente. El trabajo agentivo más sustancial de Pigment está en cambiar y mantener la aplicación, con ejecución controlada y herramientas documentadas. La planificación económica autónoma sigue sin evidencias de entrega efectiva. (9, 15, 25)
Arquitectura de seguridad y coste de cambiar modelos de forma segura
El Python generado se trata como código hostil
El artículo de ingeniería de Pigment de junio de 2026 describe el entorno de ejecución del Python generado por Analyst Agent. La ejecución usa trabajadores dedicados, aislamiento por ejecución, acceso de red bloqueado, ausencia de credenciales montadas, límites de recursos, un sistema de archivos raíz de solo lectura, almacenamiento temporal desechable y gVisor. Cada pod de sandbox atiende una ejecución. El artículo rechaza expresamente las comprobaciones con expresiones regulares como frontera de seguridad suficiente. (15)
Para conjuntos de datos mayores, un servicio de confianza recupera los datos y los introduce en el sandbox, que sigue sin disponer de credenciales de la nube. Es una respuesta de diseño sustancial frente a prompts maliciosos, código generado inseguro y exposición accidental de datos. La seguridad se impone fuera del programa generado. El artículo ofrece una arquitectura concreta que examinar y probar. (15)
Otro artículo de abril explica la suplantación administrativa de identidad: un estado firmado de solo lectura llega al middleware de la API y cada endpoint debe declarar si permite esas sesiones. Un analizador propio durante la compilación rechaza las declaraciones ausentes. Esto reduce el riesgo de que un endpoint nuevo eluda el control silenciosamente. La garantía aún depende de clasificar correctamente los endpoints permitidos; no es una prohibición de toda escritura posible impuesta por la base de datos. (16)
Los permisos sobre fórmulas pueden socavar los permisos sobre datos
Pigment documenta cómo un modelador sin derechos de administración de seguridad puede aun así exponer datos restringidos al cambiar una fórmula usada en reglas de acceso. Su mitigación coloca los bloques vulnerables en una Security Folder accesible solo a usuarios autorizados en materia de seguridad. El artículo recomienda inicialmente modeladores de confianza y después explica esta separación técnica. (14)
El mecanismo importa porque el código del modelo participa en la definición de la política de seguridad. Por tanto, el diseño de contención debe abarcar la cadena de dependencias que calcula los permisos, no solo la métrica final de derechos de acceso. Identificar y proteger correctamente esas dependencias se convierte en trabajo continuo de configuración a medida que evolucionan los modelos. Los cambios más rápidos escritos por agentes aumentan la importancia de esta frontera; confiar en la persona que escribe el prompt no hace seguro cualquier cambio generado. (14)
El despliegue y la recuperación tienen excepciones importantes
Test & Deploy de Pigment separa los cambios estructurales del uso en producción, pero los datos generalmente no se sincronizan entre entornos. Su documentación advierte de que los cambios urgentes en reglas de acceso de producción se sobrescribirán en el siguiente despliegue, salvo que se repitan en desarrollo. También advierte de que desplegar una fórmula puede descartar entradas existentes si las anulaciones están deshabilitadas. Son vías de fallo concretas que requieren revisión y pruebas. (13)
La documentación de Modeler limita actualmente las aplicaciones gestionadas con Test & Deploy al modo Ask. Esto restringe su capacidad anunciada de escribir modelos dentro del flujo gobernado de la aplicación. Frames, la nueva función de interfaces generadas, tampoco admite Test & Deploy: los autores duplican, iteran y publican en su lugar. (9, 10)
Frames sí tiene una frontera de ejecución documentada. La especificación pública de creación de Pigment describe JavaScript ejecutado en un iframe aislado de origen opaco, con acceso de red, carga de código externo, almacenamiento del navegador y acceso al padre bloqueados. Las fuentes y destinos de datos declarados median la interacción con el modelo. Por separado, su documentación de producto permite a los usuarios autorizados en seguridad desactivar los diálogos de confirmación de escritura. El aislamiento del navegador reduce la exposición del código; no valida el significado empresarial de una escritura permitida. (10, 12)
Recuperar bloques también es más complejo que una orden de deshacer. El proceso documentado suele ofrecer copias diarias de los siete días anteriores, restaura los bloques como objetos nuevos y inicialmente los restringe a los administradores de la aplicación. Devolver sus datos al modelo activo puede exigir copiar o conciliar mediante fórmulas. Esto protege la recuperación frente a una divulgación amplia accidental, pero deja un trabajo de restauración considerable después de un cambio incorrecto del modelo. (19)
Lista de componentes de software y coste de operación
| Capa | Componentes declarados | Evidencia |
|---|---|---|
| Aplicación | C# ASP.NET Core en Linux, servicios Go; interfaz React y TypeScript | La oferta actual de SRE especifica la pila de producción. (18) |
| Datos y mensajería | PostgreSQL mediante Cloud SQL y CloudNativePG, SingleStore, Elasticsearch, RabbitMQ, Temporal | La misma oferta los identifica como componentes desplegados de la plataforma. (18) |
| Infraestructura | Google Kubernetes Engine, Terraform, ArgoCD, Istio, Vault | Responsabilidades actuales de infraestructura. (18) |
| Predictions | Python, Dask, Google Cloud Storage, transferencias Avro | Arquitectura de ingeniería de septiembre de 2025. (17) |
| Análisis con agentes | LangGraph/LangChain en el diseño de 2024; un servicio reforzado de ejecución Python documentado en 2026 | Descripciones de ingeniería fechadas. (15, 23) |
Es un conjunto considerable de software. Múltiples sistemas de datos, colas, un servicio de flujos de trabajo, una malla de servicios y un entorno distribuido de previsión crean obligaciones de actualización, observabilidad, control de acceso y recuperación de incidentes. La cuestión económica es si cada capa se justifica por capacidades entregadas al cliente. Pigment aporta evidencias inusualmente útiles de esas obligaciones de ingeniería, pero no un coste por decisión de supply chain mantenida ni por carga de trabajo comparable.
El artículo de Dask explica que el servicio original de previsiones agotaba los recursos de una sola máquina. Su sustituto prepara los datos mediante almacenamiento en la nube y distribuye el trabajo. Pigment encontró un defecto de autoescalado que podía dejar asignados más de 200 trabajadores, aportó un parche y añadió su propio tratamiento del apagado de trabajadores y la cancelación de subtareas generadas. Es ingeniería que va más allá de anunciar un nombre importado del código abierto, y un ejemplo concreto del coste de mantenimiento que crea esa dependencia. (17)
El sandbox de Python tiene otro coste explícito: pods de reserva precalentados permanecen asignados para reducir la latencia de arranque. El artículo informa de un inicio de alrededor de uno a dos segundos e identifica la capacidad inactiva pagada como contrapartida. Esos tiempos corresponden al inicio de ejecución, no a un cálculo completo de optimización de supply chain. (15)
La configuración del cliente añade un coste distinto. Las dependencias de fórmulas, reglas de seguridad, definiciones de escenarios, importaciones e interfaces generadas necesitan responsables. Predictions también consume una cuota anual de suscripción según el número de series calculadas; borrar o dejar caducar un resultado no devuelve la cuota. Por tanto, recalcular y experimentar con frecuencia tiene una dimensión comercial de coste, además del cómputo y la revisión. (2, 9, 13)
La página de seguridad de Pigment especifica operación en varias zonas y un objetivo probado de recuperación ante desastres de seis horas, con hasta 24 horas de pérdida de datos. Son objetivos explícitos de recuperación. La restauración y conciliación en la aplicación siguen determinando con qué rapidez puede un equipo de planificación volver a tomar decisiones fiables tras un modelo dañado o una importación incorrecta. (19, 20)
Historia tecnológica e integridad de la hoja de ruta
| Periodo | Desarrollo público | Evaluación |
|---|---|---|
| 2020–2021 | Serie A en diciembre de 2020 y Serie B de 73 millones de dólares en noviembre de 2021; el producto buscaba sustituir la planificación colaborativa basada en hojas de cálculo. | La propuesta inicial se centraba en modelado y datos empresariales compartidos. (21) |
| Mayo de 2023 | Pigment AI anunció acceso conversacional y análisis empresariales más rápidos. | El posicionamiento de IA generativa llegó después del momento ChatGPT; debe juzgarse por las entregas posteriores. (22) |
| Octubre de 2024 | Ingeniería describió un analista LangGraph, uso de herramientas, interacción humana y dificultades de prueba. | El artículo trataba los consejos no solicitados de optimización empresarial más amplia como un fallo de alcance del analista. (23) |
| Marzo de 2025 | Se anunciaron los agentes Analyst, Modeler y Planner como hoja de ruta, con pruebas privadas. | Tres funciones anunciadas no equivalían a tres productos disponibles de forma general. (24) |
| Septiembre de 2025 | Se documentaron la arquitectura distribuida de previsiones y los problemas de dependencias. | Son visibles trabajos concretos de implementación y tratamiento de fallos. (17) |
| Marzo–octubre de 2026 | Se lanzó Modeler; se publicaron diseños de contención y suplantación de identidad; se informó del uso para construir modelos. | Las entregas reales respaldan la orientación hacia la productividad. (9, 15, 16, 26) |
| Octubre–noviembre de 2026 | Se anunció una Serie E de 250 millones de dólares; Planner sigue en la hoja de ruta. | La financiación no cierra la brecha pendiente en capacidades entregadas de decisión operativa. (25, 27) |
El historial de desarrollo incluye capacidades entregadas y relatos públicos de los problemas de ingeniería que generaron. El Planner inacabado sigue siendo importante porque recomendar acciones operativas económicas es la capacidad más directamente pertinente para este análisis. (9, 15, 17, 25)
La tensión conceptual está entre una plataforma que ayuda a las personas a construir y debatir planes y un sistema que calcula continuamente mejores acciones. Los propios casos de clientes de Pigment destacan alineación, exploración de escenarios y reuniones de planificación más eficaces. Su orientación reciente sobre incertidumbre es más sólida que una doctrina de planificación con una única cifra, pero no se ha establecido el vínculo técnico entre esa orientación y una regla de decisión operativa validada. (5, 6, 8)
Responsabilidad económica
La reducción de inventario de Cheerz y las mejoras de tiempo de planificación identificadas ofrecen resultados concretos que el comprador puede investigar. No aíslan la contribución de Pigment de cambios en la frecuencia del proceso, mejores datos maestros, trabajo de consultores o un modelo de planificación recién construido. La responsabilidad del creador de la aplicación sobre las fórmulas hace especialmente importante esa atribución. (7, 8)
Una prueba de aceptación seria debería conectar la lógica de decisiones desplegada con los resultados reales, con referencias acordadas y responsabilidad explícita de corregir los fallos. Una ejecución correcta del software, entradas puntuales o una adopción amplia pueden coexistir con una regla de reposición económicamente mala. Los casos públicos de Pigment no definen un remedio para esa situación ni muestran una recomendación operativa perjudicial seguida hasta su reformulación y nuevas pruebas prospectivas. Sus controles de cambios de software apoyan ese trabajo; no aportan la evaluación económica. (8, 13, 19)
Puntuación de supply chain
Profundidad en supply chain
| Criterio | Puntuación |
|---|---|
| Enfoque económico | 5/10 |
| Resultado final en forma de decisiones | 5/10 |
| Claridad conceptual sobre supply chain | 6/10 |
| Independencia de doctrinas centrales obsoletas | 4/10 |
| Resistencia al teatro de los KPI | 6/10 |
Promedio: 5,2/10.
Enfoque económico — 5/10. Las cantidades financieras y operativas pueden compartir un modelo. No se demuestra un objetivo nativo de ordenación de acciones que contemple todas las consecuencias económicas de demanda y suministro inciertos. (1, 5, 29)
Resultado final en forma de decisiones — 5/10. Los clientes crean aplicaciones de compras e inventario, pero planes y escenarios siguen siendo el resultado dominante. La capacidad específica de Planner continúa en la hoja de ruta. (7, 25)
Claridad conceptual sobre supply chain — 6/10. Las orientaciones recientes reconocen demanda y suministro inciertos. Las evidencias públicas de implementación son más débiles al convertir esa incertidumbre en opciones operativas valoradas conjuntamente. (4, 5)
Independencia de doctrinas centrales obsoletas — 4/10. La planificación consensuada, la alineación de objetivos y la revisión humana repetida de escenarios siguen siendo centrales en los despliegues de clientes. Ejecutar esos procesos más deprisa no sustituye sus límites metodológicos. (6, 8)
Resistencia al teatro de los KPI — 6/10. Los benchmarks de previsión usan errores definidos y revelan resultados perdedores. Las afirmaciones de productividad tienen alcances de tareas identificables, aunque las métricas generales de generación por agentes y las alternativas estimadas aportan evidencia limitada de valor económico neto. (3, 7, 26)
Sustancia de las decisiones y la optimización
| Criterio | Puntuación |
|---|---|
| Profundidad del modelado probabilístico | 5/10 |
| Sustancia distintiva de optimización o aprendizaje automático | 6/10 |
| Tratamiento de restricciones reales | 5/10 |
| Automatización de decisiones y productividad laboral | 6/10 |
| Resiliencia ante la complejidad operativa real | 5/10 |
Promedio: 5,4/10.
Profundidad del modelado probabilístico — 5/10. Los intervalos de previsión y la discusión explícita de incertidumbre mejoran una oferta de previsión puramente puntual. No se muestran calibración conjunta ni propagación hacia decisiones de demanda y suministro. (2, 5)
Sustancia distintiva de optimización o aprendizaje automático — 6/10. La selección de previsiones, el modelado computacional y los agentes de construcción de modelos tienen mecanismos inspeccionables. Integrar modelos de código abierto y fórmulas flexibles no demuestra por sí solo una optimización distintiva de supply chain. (3, 9, 17, 29)
Tratamiento de restricciones reales — 5/10. Los modelos dimensionales y los cálculos de componentes construidos por clientes pueden representar detalles operativos. La calidad del espacio de acciones, las restricciones y las aproximaciones económicas sigue dependiendo de cada aplicación. (7, 29)
Automatización de decisiones y productividad laboral — 6/10. El ahorro en tareas y la aceleración de la construcción de modelos son sustanciales. No se mide el trabajo completo de operación y mejora, incluida la validación y la gestión de excepciones. (7, 8, 26)
Resiliencia ante la complejidad operativa real — 5/10. La inspección, despliegue y restauración de modelos apoyan la corrección. Falta un ciclo demostrado desde un fallo económico hasta una formulación de decisiones revisada y nuevas pruebas. (9, 13, 19)
Integridad del producto y la arquitectura
| Criterio | Puntuación |
|---|---|
| Coherencia arquitectónica | 8/10 |
| Claridad de los límites del sistema | 7/10 |
| Seriedad en seguridad | 8/10 |
| Sobriedad del software y coste de operación | 4/10 |
| Compatibilidad con operaciones programáticas y asistidas por agentes | 8/10 |
Promedio: 7,0/10.
Coherencia arquitectónica — 8/10. Cálculo, análisis y edición de modelos comparten objetos explícitos de planificación. Las interfaces y capacidades de edición más recientes siguen teniendo excepciones al ciclo de despliegue establecido. (9, 10, 13)
Claridad de los límites del sistema — 7/10. La documentación distingue lógica del modelo, interfaces generadas, herramientas externas y servicios de ejecución. Varios controles importantes dependen de la configuración del cliente y del modo de producto. (10, 11, 12, 15)
Seriedad en seguridad — 8/10. Los controles publicados de ejecución y API abordan vías concretas de amenaza, con aplicación fuera del código generado. Los permisos derivados de fórmulas y las excepciones de despliegue dejan riesgos importantes de configuración. (13, 14, 15, 16)
Sobriedad del software y coste de operación — 4/10. La plataforma mantiene un conjunto amplio de componentes con estado y de orquestación. Los problemas documentados de capacidad y dependencias hacen tangible su coste de mantenimiento; no se cuantifica el coste total por cliente. (17, 18)
Compatibilidad con operaciones programáticas y asistidas por agentes — 8/10. Los agentes pueden inspeccionar y modificar el modelo, mientras el código generado tiene límites definidos de ejecución. Los cambios gobernados en producción y la evaluación económica autónoma están menos completos. (9, 12, 15, 28)
Transparencia técnica
| Criterio | Puntuación |
|---|---|
| Documentación técnica pública | 8/10 |
| Inspección sin mediación del proveedor | 6/10 |
| Visibilidad de la portabilidad y la dependencia del proveedor | 5/10 |
| Transparencia del método de implantación | 8/10 |
| Densidad de evidencias tras las afirmaciones técnicas | 7/10 |
Promedio: 6,8/10.
Documentación técnica pública — 8/10. El material detallado de producto e ingeniería expone mecanismos, límites y vías de fallo conocidas. El comportamiento actual en producción todavía no es reproducible de forma independiente solo con documentación. (3, 13, 15, 17)
Inspección sin mediación del proveedor — 6/10. Las fórmulas, interfaces y tablas de benchmarks públicas permiten un escrutinio técnico significativo. Reproducir resultados de clientes o el entorno completo de cálculo alojado requiere más acceso. (3, 7, 12, 29)
Visibilidad de la portabilidad y la dependencia del proveedor — 5/10. Las interfaces públicas de integración y agentes mejoran la accesibilidad. Las aplicaciones del cliente dependen de dimensiones, fórmulas, permisos y flujos específicos de Pigment cuyo coste de migración no está establecido. (9, 12, 13, 29)
Transparencia del método de implantación — 8/10. Despliegue, recuperación, controles de modelado y trabajos de implantación identificados están bien descritos. El esfuerzo recurrente completo y los criterios de aceptación económica son menos visibles. (8, 9, 13, 19)
Densidad de evidencias tras las afirmaciones técnicas — 7/10. Las publicaciones de ingeniería conectan las afirmaciones con implementaciones y defectos concretos. La automatización de supply chain y el beneficio económico neto tienen menos evidencias de evaluación que la mecánica de la plataforma. (7, 15, 17, 25)
Seriedad del proveedor
| Criterio | Puntuación |
|---|---|
| Seriedad técnica de la comunicación pública | 6/10 |
| Integridad de la hoja de ruta tecnológica | 7/10 |
| Claridad conceptual | 6/10 |
| Responsabilidad económica | 5/10 |
| Defensibilidad en un mundo de software agentivo | 7/10 |
Promedio: 6,2/10.
Seriedad técnica de la comunicación pública — 6/10. Los artículos técnicos reconocen dificultades de ingeniería y límites de seguridad. El lenguaje general de productividad de IA a veces supera los benchmarks y alcances de despliegue más estrechos que se aportan. (3, 15, 17, 26)
Integridad de la hoja de ruta tecnológica — 7/10. La progresión desde modelado colaborativo hasta agentes de análisis y construcción de modelos incluye entregas identificables. La permanencia de Planner en la hoja de ruta deja inacabada la promesa de supply chain más trascendente. (21, 22, 23, 24, 25)
Claridad conceptual — 6/10. Pigment reconoce que construir y mantener modelos limita la productividad de planificación. Su modelo operativo público es menos claro al sustituir previsiones consensuadas y selección manual de escenarios por reglas económicas de decisión. (5, 6, 9)
Responsabilidad económica — 5/10. Los casos identificados informan de beneficios concretos y trabajo de implantación. Esos relatos no resuelven la responsabilidad de validar la lógica de decisiones construida por el cliente ni los remedios ante retornos pobres. (7, 8, 26)
Defensibilidad en un mundo de software agentivo — 7/10. Un entorno de cálculo gobernado y herramientas que modifican el modelo ofrecen un valor más duradero que el acceso conversacional por sí solo. El reto pendiente es demostrar que construir aplicaciones más rápido produce mejores decisiones recurrentes con menos esfuerzo total. (9, 13, 15, 28)
Fuentes
[1] Software de planificación de supply chain (SCP) | Pigment
Software de planificación de supply chain (SCP) | Pigment. Actual; consultado el 4 de noviembre de 2026. Alcance del producto y planificación conectada.
[2] Previsión mediante aprendizaje automático
Previsión mediante aprendizaje automático. 2026-05-13; consultado el 4 de noviembre de 2026. Intervalos, proceso de previsión y cuota de suscripción.
[3] Elegir el modelo de previsión
Elegir el modelo de previsión. 2026-05-05; cuerpo actual; consultado el 4 de noviembre de 2026. Selección de modelos y tablas de benchmarks publicadas.
[4] Usar factores externos en las previsiones
Usar factores externos en las previsiones. Actual; consultado el 4 de noviembre de 2026. Selección de factores, reglas de completitud y coeficientes de impacto.
[5] Mantener planes creíbles de supply chain ante la incertidumbre de demanda y previsión
Mantener planes creíbles de supply chain ante la incertidumbre de demanda y previsión. 2026-08-07; actualizado el 2026-09-03; consultado el 4 de noviembre de 2026. Rangos de demanda y variabilidad del suministro.
[6] Cómo un retailer de moda transformó su supply chain con Pigment
Cómo un retailer de moda transformó su supply chain con Pigment. Sin fecha; consultado el 4 de noviembre de 2026. Implantación anonimizada, previsión consensuada y práctica de escenarios.
[7] Cómo Cheerz redujo su inventario un 30% con Pigment
Cómo Cheerz redujo su inventario un 30% con Pigment. Sin fecha; consultado el 4 de noviembre de 2026. Resultados identificados de inventario y carga de trabajo; construcción de la aplicación.
[8] Cómo Danone transformó su planificación de demanda con Pigment
Cómo Danone transformó su planificación de demanda con Pigment. Sin fecha; consultado el 4 de noviembre de 2026. Implantación identificada de planificación estratégica y ahorro de tiempo condicionado.
Ejecutar Modeler Agent. 2026-03-04; actualizado el 2026-10-19; consultado el 4 de noviembre de 2026. Modos operativos, cambios permanentes, permisos y restricciones de despliegue.
[10] Crear experiencias con Frames
Crear experiencias con Frames. Actual; consultado el 4 de noviembre de 2026. Publicación, confirmación de escritura y límites de despliegue.
Servidor MCP. 2026-03-06; actualizado el 2026-11-02; consultado el 4 de noviembre de 2026. Autenticación, acceso a datos e integración con clientes externos.
[12] Construcción de Pigment Frames: instrucciones públicas para agentes
Construcción de Pigment Frames: instrucciones públicas para agentes. Actual; consultado el 4 de noviembre de 2026. Especificación pública del proveedor para JavaScript generado y restricciones del sandbox.
[13] Comprender Test & Deploy para las funciones de Pigment
Comprender Test & Deploy para las funciones de Pigment. 2026-03-05; actualizado el 2026-10-01; consultado el 4 de noviembre de 2026. Comportamiento de entornos, anulaciones en producción y despliegue de reglas de seguridad.
[14] Usar Security Folder para modelar sin depender de la confianza y proteger los datos
Usar Security Folder para modelar sin depender de la confianza y proteger los datos. 2025-08-22; consultado el 4 de noviembre de 2026. Vías documentadas de exposición mediante fórmulas y mitigación.
[15] Aislar la ejecución de código generado por LLM | Blog técnico de Pigment
Aislar la ejecución de código generado por LLM | Blog técnico de Pigment. 2026-06-10; consultado el 4 de noviembre de 2026. Modelo de amenazas, aislamiento de ejecución en producción, transferencia de datos y costes de capacidad.
[16] Suplantación de identidad bien hecha: tokens, garantías de solo lectura y rastro de auditoría | Blog técnico de Pigment
Suplantación de identidad bien hecha: tokens, garantías de solo lectura y rastro de auditoría | Blog técnico de Pigment. 2026-04-08; consultado el 4 de noviembre de 2026. Aplicación de controles en la API y comprobaciones de cobertura durante la compilación.
[17] Cómo aceleramos nuestra canalización de previsiones con Dask | Blog técnico de Pigment
Cómo aceleramos nuestra canalización de previsiones con Dask | Blog técnico de Pigment. 2025-09-02; consultado el 4 de noviembre de 2026. Arquitectura distribuida de previsiones y correcciones de dependencias.
[18] Senior SRE — oferta pública de empleo de Pigment
Senior SRE — oferta pública de empleo de Pigment. Actual; recuperada mediante la API pública de Lever; consultado el 4 de noviembre de 2026. Pila de producción explícita, obtenida mediante la API pública de ofertas de Lever.
[19] Restaurar un bloque desde una copia de seguridad
Restaurar un bloque desde una copia de seguridad. Actualizado el 2025-11-10; consultado el 4 de noviembre de 2026. Alcance de restauración, restricciones de acceso y conciliación.
[20] Seguridad de datos certificada SOC2 Type 2 | Pigment
Seguridad de datos certificada SOC2 Type 2 | Pigment. Actual; consultado el 4 de noviembre de 2026. Objetivos de recuperación ante desastres y alcance de infraestructura.
[21] Pigment anuncia una Serie B de 73 millones de dólares
Pigment anuncia una Serie B de 73 millones de dólares. 2021-11-15; consultado el 4 de noviembre de 2026. Propuesta original de planificación e historia inicial de financiación.
[22] Pigment ofrecerá análisis empresariales más rápidos e inteligentes mediante Pigment AI
Pigment ofrecerá análisis empresariales más rápidos e inteligentes mediante Pigment AI. 2023-05-03; consultado el 4 de noviembre de 2026. Anuncio inicial de IA generativa.
[23] IA agentiva para el análisis de datos en Pigment | Blog técnico de Pigment
IA agentiva para el análisis de datos en Pigment | Blog técnico de Pigment. 2024-10-31; consultado el 4 de noviembre de 2026. Implementación fechada del agente y sus límites.
[24] Agentes de IA: cómo Pigment volverá a cambiar la planificación empresarial
Agentes de IA: cómo Pigment volverá a cambiar la planificación empresarial. 2025-03-25; actualizado el 2026-09-03; consultado el 4 de noviembre de 2026. Anuncio de tres agentes y estado de pruebas privadas.
[25] Hoja de ruta de planificación empresarial de Pigment: ¿qué viene después?
Hoja de ruta de planificación empresarial de Pigment: ¿qué viene después?. Actual; consultado el 4 de noviembre de 2026. Capacidades entregadas y elementos pendientes de la hoja de ruta.
[26] Unificar, construir, automatizar: el marco de Pigment para la planificación agentiva
Unificar, construir, automatizar: el marco de Pigment para la planificación agentiva. 2026-10-08; consultado el 4 de noviembre de 2026. Uso declarado del modelado y ejemplo de la aplicación de Unilever.
[27] Pigment capta 250 millones de dólares con una valoración de 2,3 mil millones
Pigment capta 250 millones de dólares con una valoración de 2,3 mil millones. 2026-10-21; consultado el 4 de noviembre de 2026. Anuncio actual de financiación.
[28] Registro de cambios de herramientas y skills
Registro de cambios de herramientas y skills. 2026-10-15; actualizado el 2026-11-03; consultado el 4 de noviembre de 2026. Cambios recientes en las responsabilidades de las herramientas de agentes externos.
[29] Cálculos iterativos entre varios bloques mediante PREVIOUSOF
Cálculos iterativos entre varios bloques mediante PREVIOUSOF. Actual; consultado el 4 de noviembre de 2026. Ejemplo iterativo de inventario y límites de cálculo.