El papel de la IA generativa en las cadenas de suministro

Justo como las interrupciones de la cadena de suministro se convirtieron en el tema frecuente de discusiones en las salas de juntas en 2020, la IA generativa se convirtió rápidamente en el tema candente de 2023. Después de todo, ChatGPT de OpenAI alcanzó 100 millones de usuarios en los primeros dos meses, lo que lo convirtió en la aplicación de consumo de crecimiento más rápido en la historia.

Las cadenas de suministro están, hasta cierto punto, bien adaptadas para las aplicaciones de IA generativa, dado que funcionan con y generan grandes cantidades de datos. La variedad y el volumen de datos y los diferentes tipos de datos agregan una complejidad adicional a un problema extremadamente complejo del mundo real: cómo optimizar el rendimiento de la cadena de suministro. Y aunque los casos de uso de la IA generativa en las cadenas de suministro son amplios, incluyendo una mayor automatización, previsión de la demanda, procesamiento y seguimiento de pedidos, mantenimiento predictivo de maquinaria, gestión de riesgos, gestión de proveedores y más, muchos también se aplican a la IA predictiva y ya han sido adoptados y desplegados a gran escala.

Este artículo describe algunos casos de uso que están especialmente bien adaptados para la IA generativa en las cadenas de suministro y ofrece algunas precauciones que los líderes de la cadena de suministro deben considerar antes de hacer una inversión.

Toma de decisiones asistida

El objetivo principal de la IA y el ML en las cadenas de suministro es facilitar el proceso de toma de decisiones, ofreciendo la promesa de una mayor velocidad y calidad. La IA predictiva hace esto proporcionando predicciones y previsiones más precisas, descubriendo nuevos patrones no identificados y utilizando grandes volúmenes de datos relevantes. La IA generativa puede llevar esto un paso más allá al respaldar varias áreas funcionales de la gestión de la cadena de suministro. Por ejemplo, los gerentes de la cadena de suministro pueden utilizar modelos de IA generativa para hacer preguntas aclaratorias, solicitar datos adicionales, comprender mejor los factores que influyen y ver el rendimiento histórico de las decisiones en escenarios similares. En resumen, la IA generativa hace que el proceso de debido diligencia que precede a la toma de decisiones sea significativamente más rápido y fácil para el usuario.

Además, en función de los datos y modelos subyacentes, la IA generativa puede analizar grandes cantidades de datos estructurados y no estructurados, generar automáticamente varios escenarios y proporcionar recomendaciones basadas en las opciones presentadas. Esto reduce significativamente el trabajo no valorado que actualmente realizan los gerentes de la cadena de suministro y les permite dedicar más tiempo a tomar decisiones basadas en datos y responder a los cambios del mercado de manera más rápida.

Una (posible) solución a la escasez de talento en la gestión de la cadena de suministro

En los últimos años, las empresas han sufrido una escasez de talento en la cadena de suministro debido al agotamiento de los planificadores, la rotación y una curva de aprendizaje pronunciada para los nuevos empleados debido a la naturaleza compleja del trabajo. Los modelos de IA generativa pueden ajustarse a los procedimientos operativos estándar de las empresas, los procesos comerciales, los flujos de trabajo y la documentación de software, y luego pueden responder a las consultas de los usuarios con información contextualizada y relevante. La interfaz de usuario conversacional comúnmente asociada con la IA generativa hace que sea significativamente más fácil interactuar con un sistema de soporte y permite refinar la consulta, lo que acelera aún más el tiempo que se tarda en encontrar la información correcta.

Combinar un sistema de aprendizaje y desarrollo basado en IA generativa con una toma de decisiones asistida por IA generativa puede ayudar a acelerar la resolución de varios problemas de gestión del cambio. También puede acelerar la incorporación de nuevos empleados al reducir el tiempo de capacitación y los requisitos de experiencia laboral. Más importante aún, la IA generativa puede empoderar a las personas con discapacidades al mejorar la comunicación, la cognición, la asistencia para leer y escribir, la organización personal y el aprendizaje y desarrollo continuo.

Aunque algunos temen que la IA generativa conducirá a pérdidas de empleo en los próximos años, otros piensan que elevará el nivel del trabajo al eliminar tareas repetitivas y hacer espacio para tareas más estratégicas. Mientras tanto, se predice que resolverá la escasez crónica actual de talento en la cadena de suministro y digital. Es por eso que aprender a trabajar con la tecnología es importante.

Construir el modelo de cadena de suministro digital

Las cadenas de suministro necesitan ser resilientes y ágiles, lo que requiere visibilidad entre empresas. La cadena de suministro necesita “conocer” toda la red para tener visibilidad. Sin embargo, construir el modelo digital de toda la red de la cadena de suministro de n niveles a menudo es costoso. Las grandes empresas tienen datos dispersos en decenas o cientos de sistemas, con la mayoría de las grandes empresas que gestionan más de 500 aplicaciones de forma concurrente en ERPs, CRMs, PLMs, Adquisición y Sourcing, Planificación, WMS, TMS, y más. Con toda esta complejidad y fragmentación, es extremadamente difícil unir de forma lógica estos datos dispersos. Esto se complica aún más cuando las organizaciones miran más allá de los proveedores de primer o segundo nivel, donde es poco probable que se recolecten datos en un formato estructurado.

Los modelos de IA generativa pueden procesar grandes cantidades de datos, incluidos datos estructurados (datos maestros, datos de transacciones, EDIs) y datos no estructurados (contratos, facturas, escaneos de imágenes), para identificar patrones y contexto con un procesamiento de datos limitado. Dado que los modelos de IA generativa aprenden de patrones y utilizan cálculos de probabilidad (con alguna intervención humana) para predecir la próxima salida lógica, pueden crear un modelo digital más verdadero de la red de la cadena de suministro de n niveles, más rápido y a gran escala, y optimizar la colaboración y la visibilidad interempresarial e intraempresarial. Este modelo de n niveles se puede enriquecer aún más para respaldar iniciativas de ESG, incluyendo pero no limitado a la identificación de minerales en conflicto, el uso de recursos o áreas ambientalmente sensibles, el cálculo de las emisiones de carbono de productos y procesos, y más.

Aunque la IA generativa proporciona una oportunidad significativa para que los líderes de la cadena de suministro sean innovadores y creen una ventaja estratégica, hay ciertas preocupaciones y riesgos que considerar.

Su cadena de suministro es única

Los usos generales de la IA generativa, como ChatGPT o Dall-E, actualmente son exitosos en la realización de tareas que son más amplias en naturaleza porque los modelos están entrenados con grandes cantidades de datos públicos disponibles. Para aprovechar realmente las capacidades de la IA generativa para la cadena de suministro empresarial, estos modelos deben ajustarse a los datos y el contexto específicos de la empresa. En otras palabras, no se puede utilizar un modelo entrenado de forma general. Los desafíos de gestión de datos, como la calidad de los datos, la integración y el rendimiento que obstaculizan los proyectos de transformación actuales, también pueden afectar las inversiones en IA generativa, lo que lleva a un ejercicio costoso y que consume mucho tiempo sin la solución de gestión de datos adecuada ya implementada.

La IA generativa depende de comprender patrones dentro de los datos de entrenamiento y, si los profesionales de la cadena de suministro han aprendido algo en los últimos tres años, es que las cadenas de suministro seguirán enfrentando nuevos riesgos y oportunidades sin precedentes.

Seguridad y regulaciones

El requisito básico de los modelos de IA generativa es el acceso a grandes cantidades de datos de entrenamiento para comprender patrones y contexto. Dicho esto, la interfaz de usuario similar a la humana de las aplicaciones de IA generativa puede llevar a la impersonación de usuarios, el phishing y otras preocupaciones de seguridad. Mientras que el acceso limitado al entrenamiento del modelo puede llevar a un rendimiento deficiente de la IA, otorgar un acceso ilimitado a los datos de la cadena de suministro puede llevar a incidentes de seguridad de la información donde se hace disponible información crítica y sensible a usuarios no autorizados.

También es incierto cómo los gobiernos elegirán regular la IA generativa en el futuro a medida que continúa creciendo la adopción y se descubren nuevas aplicaciones de la IA generativa. Varios expertos en IA han expresado su preocupación por el riesgo que plantea la IA, pidiendo a los gobiernos que detengan los experimentos gigantes de IA hasta que los líderes tecnológicos y los formuladores de políticas puedan establecer reglas y regulaciones para garantizar la seguridad.

La IA generativa ofrece una abundancia de oportunidades de mejora para aquellas organizaciones que puedan aprovechar esta tecnología y crear un multiplicador de fuerza para la ingeniosidad humana, la creatividad y la toma de decisiones. Dicho esto, hasta que no haya modelos entrenados y diseñados explícitamente para casos de uso de la cadena de suministro, la mejor manera de avanzar es con un enfoque equilibrado en las inversiones en IA generativa.

Establecer guardrails adecuados será prudente para asegurarse de que la IA proporcione un conjunto de planes optimizados para que cada usuario los revise y seleccione, alineados con los procesos comerciales y los objetivos. Las empresas que combinen “libros de juego comerciales” con IA generativa podrán aumentar la capacidad de los equipos para planificar, decidir y ejecutar, al mismo tiempo que optimizan los resultados comerciales deseados. Las organizaciones también deben considerar un caso de negocio sólido, la seguridad de los datos y los usuarios, y los objetivos comerciales medibles antes de invertir en nueva tecnología de IA generativa.