Por Juan Pablo Mendez
Socio y Gerente de Proyectos Senior, Miebach Chile
Antes de revisar estos impactos, primero pongamos en contexto: ¿qué significa planificar la cadena de suministro? Al respecto, desde Miebach planteamos la siguiente definición:
Planificación de la Cadena de Suministro = Proceso de toma de decisiones + balancear requerimientos del mercado con nuestros buffers operacionales
Un proceso de toma de decisiones dentro de la mirada de planificación de la cadena es cómo coordinamos acciones futuras dentro de la cadena de valor. Y balancear los requerimientos de mercado con nuestros buffers operacionales es proveer información hecha a medida del pasado que permita proyectar un rendimiento futuro.
Nuestros buffers operacionales responden, por ejemplo, ¿a qué nivel de stock requiero para cubrir las proyecciones futuras (trabajo, seguridad, WIP)? ¿Puedo modificar mis leadtimes de abastecimiento para cubrir la demanda requerida (marítimo o aéreo, nacional o importación)? ¿Puedo ofrecer un nivel de servicio diferenciado por canal de venta para poder cubrir mis requerimientos?
Por otro lado, la experiencia, dentro del contexto de la planificación, se puede definir de la siguiente manera:
Experiencia = Reconocimiento de patrones + Autorreferenciación
El reconocimiento de patrones es entender relaciones entre inputs y outputs a través de varias actividades. Y la autorreferenciación es linkear previas experiencias con situaciones actuales para tomar decisiones informadas.
Ya con estas definiciones, podemos hacer la siguiente relación entre planificación de la cadena de suministro, experiencia y soporte de IA en un software de planificación avanzado (APS, en sus siglas en inglés).
Cabe destacar que, de cierto modo, la IA ha estado presente en la planificación de la cadena de suministro desde hace mucho tiempo dentro de la forma de distintas heurísticas que permiten predecir un futuro comportamiento para soportar la toma de decisiones. Hoy, con modelos de Deep Learning como el de Chat GPT, ha aumentado de forma masiva la cantidad de data a procesar y las variables a considerar, las cuales los APS están incorporando.
Uno de los beneficios de la IA en los APS es que se presentan pocas “alucinaciones” (término referente a la respuesta de una IA que no tiene coherencia dentro del contexto solicitado), dado que los modelos tienden a calibrarse por la cantidad de data repetitiva que puede capturar desde los sistemas de la compañía (ERP, WMS, TMS, etc.), por ejemplo: Forecast vs venta, productividad de planta vs mix de producción, productividad del CD vs estructura de pedidos, entre otros, para “n” periodos (días por “n” años). Los tokens (cantidad de variables, término utilizado en IA), en general, se mantienen en el tiempo por lo que permite que los modelos se puedan autocorregir.
Para programar la producción, el uso de IA es excelente (dada la repetitividad de las tareas), mientras no ocurran eventos inesperados como, por ejemplo, un incendio en la planta o falla invalidante de una línea de producción, en lo que se requiere ajustar parámetros y/o depender de la experiencia del planificador/programador para la toma de decisiones.
Indicadores externos que permitan complementar la data de la empresa (como inflación, eventos deportivos, tipo de cambio, clima, por nombrar algunos) e información del mundo físico que permita nutrir de información al APS (ej: sensores) son desafíos del soporte de la IA en los APS que se están intentando remediar.
Las funciones del planificador de la cadena en un mundo infundido con IA no necesariamente lo liberarán de trabajo; si bien tareas como la administración de datos y la construcción de heurísticas estarán fuertemente soportadas por las IA, la labor de “bombero” (solucionador de problemas) y la comunicación dentro de la organización será mayor dado que se contarán con más herramientas para la toma de decisiones.
En el entretanto, para poder implementar estos modelos de IA (en conjunto con los APS) dentro de las organizaciones, las tareas del administrador de los datos y construcción de los modelos que permitan simular y proyectar los requerimientos (heurísticas) serán aún más requeridos para lograr la confianza de los resultados y “liberarse” de estas áreas.
Así, lo que está en cuestión es el grado de aportar valor que tendrá el planificador dentro de este mundo infundido con IA. ¿Existirá una “parálisis del análisis” o una sobre-confianza a los resultados entregados por los modelos? Es uno de los interrogantes que se desprende de este análisis.
Lo que sí sabemos es que en un mundo -con o sin IA-, el ABC de prioridad de implementación de sistemas de personas, procesos y sistemas, seguirá siendo válido. Por ello, los invitamos a revisar sus procesos y cómo interactúan los equipos dentro de la organización y sus sistemas para poder liberar todo el potencial de su cadena de suministro.
Para más información, conversemos en: latinoamerica@miebach.com
