Cómo la IA generativa mejora la gestión de la cadena de suministro

Las empresas se enfrentan a diversos desafíos complejos a la hora de diseñar y optimizar sus cadenas de suministro. Aumentar su resiliencia, reducir los costes y mejorar la calidad de su planificación son solo algunas de ellas. Durante las últimas décadas, los avances de las tecnologías de la información han permitido a las empresas pasar de la toma de decisiones sobre la base de la intuición y la experiencia a métodos más automatizados y basados en los datos. Como resultado, las empresas han aumentado la eficiencia, han reducido sustancialmente los costes y han mejorado el servicio de atención al cliente.

Por desgracia, los planificadores de negocios y los ejecutivos todavía tienen que dedicar mucho tiempo y esfuerzo a entender las recomendaciones que salen de sus sistemas, analizar varios escenarios y realizar análisis hipotéticos. Actualizar los modelos matemáticos de las herramientas de gestión de la cadena de suministro para reflejar los cambios en el entorno empresarial también lleva mucho tiempo. Para abordar estos problemas, los planificadores y ejecutivos han tenido que recurrir a los equipos de ciencia de datos o a los proveedores de tecnología para explicar los resultados o realizar cambios en el sistema.

Los avances recientes en los modelos lingüísticos grandes (LLM), un tipo de IA generativa, permiten realizar estas actividades sin ese apoyo, lo que reduce el tiempo de toma de decisiones de días y semanas a minutos y horas y aumenta drásticamente la productividad y el impacto de los planificadores y ejecutivos. En este artículo analizaremos cómo se pueden utilizar las LLM para generar información a partir de datos que permitan a los ejecutivos entender mejor el estado de sus cadenas de suministro, responder a preguntas hipotéticas y actualizar las herramientas de gestión de la cadena de suministro para tener en cuenta el entorno empresarial actual. También destacaremos los desafíos que las empresas deben superar para adoptar las LLM y las oportunidades de ampliar sus aplicaciones en el futuro.

Las experiencias que compartiremos provienen principalmente del empleo por parte de Microsoft de un sistema basado en LLM para gestionar el suministro de servidores y otro tipo de hardware a más de 300 centros de datos de todo el mundo en apoyo de sus servicios en la nube. Microsoft puso a prueba su sistema basado en LLM de marzo de 2023 a octubre de 2023 antes de implementarlo por completo en noviembre de 2023. Desde entonces, el sistema ha tenido un impacto notable en la eficiencia y la productividad, medido por el tiempo de respuesta a los incidentes y la velocidad a la hora de tomar decisiones, y se espera que esos beneficios aumenten a medida que el sistema se perfeccione aún más con el tiempo. Sin embargo, las capacidades de las que hablamos no dependen del uso de un producto de Microsoft; para lograrlas se podría utilizar una amplia variedad de LLM de alta calidad disponibles en la actualidad.

Ahora analicemos las ventajas que pueden ofrecer las LLM.

[  1  ]

Data Discovery and Insights

Pensemos en una cadena de suministro clásica con un número determinado de proveedores de materias primas, fábricas que producen productos y minoristas que los venden. Con un máster, un planificador puede hacer preguntas en lenguaje sencillo, como «¿Cuánta materia prima de tipo T tiene hoy en día el proveedor S?» o «¿Cuál es la opción más barata para enviar artículos de la fábrica F a la tienda R?» El LLM puede traducir esas preguntas en consultas de ciencia de datos que, a su vez, se introducen en el repositorio de datos de la empresa (por ejemplo, una base de datos SQL) y, a continuación, dar una respuesta en una frase completa. Desde el punto de vista de la privacidad, el LLM se puede utilizar como un servicio en la nube, lo que significa que los datos de propiedad no necesitan transferirse a un LLM de terceros.

Más allá de servir como una herramienta para entender el estado actual de la cadena de suministro de una empresa, el LLM se puede utilizar para explicar las decisiones que toma el sistema de cadena de suministro y proporcionar información adicional, como información sobre las tendencias. Por ejemplo, un planificador podría hacer preguntas sobre las tendencias recientes: «¿Qué fábrica fue la más productiva la semana pasada?» o «¿Cuál fue el número o el porcentaje de casos del mes pasado en los que el coste total de envío superó los 50 000$?» A continuación, ofrecemos ejemplos concretos de los primeros en adoptar el LLM para el descubrimiento de datos y la información.

Seguimiento de la demanda cambiante.

La computación en nube es un negocio multimillonario que exige que proveedores como Amazon, Microsoft, Google y otros hagan grandes inversiones en la construcción de centros de datos, los equipen con hardware y los operen de manera que su capacidad esté fácilmente disponible. Deben satisfacer constantemente la creciente demanda de esos servicios y, al mismo tiempo, minimizar los costes operativos y de hardware. Con ese fin, los proveedores de servicios en la nube toman decisiones periódicas sobre el despliegue del hardware teniendo en cuenta muchos factores de coste, como el envío y la depreciación del hardware, y aspectos operativos, como la compatibilidad del hardware, el inventario y el personal disponible para llevar a cabo los despliegues de servidores.

En Microsoft, la demanda de servidores proviene de grupos empresariales internos que poseen diferentes ofertas de nube (por ejemplo, Azure Storage, Azure Virtual Machines y Microsoft 365). La demanda se especifica mediante una solicitud, que incluye el tipo y el número de servidores necesarios, la región en la que deben estar acoplados los servidores y la fecha ideal de acoplamiento. Al utilizar esas solicitudes como datos, el equipo de cadena de suministro genera normalmente un plan de demanda único. Los ingenieros de Microsoft utilizan periódicamente una herramienta de optimización computarizada para elaborar un plan logístico que asigna el hardware real de los almacenes de suministros y especifica cuándo se enviará a los centros de datos. Los planificadores de Microsoft supervisan el plan logístico. Sus tareas incluyen confirmar que el plan logístico cumple con las necesidades de la empresa y garantizar que los servidores se han desplegado de acuerdo con el plan logístico. El grupo empresarial suele utilizar los servidores desplegados durante varios años hasta que se retiran del servicio.

El LLM se puede utilizar para explicar las decisiones que toma el sistema de cadena de suministro y proporcionar información adicional, como información sobre las tendencias.

Los planificadores también supervisan los cambios en el plan de demanda, denominado deriva de la demanda, mensualmente para asegurarse de que el plan revisado cumple con todos los requisitos de los clientes y se ajusta a las directrices presupuestarias. La tarea de evaluar la deriva de la demanda la realizan tradicionalmente los planificadores, quienes suelen incluir en el proceso a científicos e ingenieros de datos de diferentes unidades de negocio. Una vez entendidos los cambios, los planificadores preparan un resumen ejecutivo para explicar los cambios en cada región.

La tecnología basada en la LLM ahora hace todo esto. Genera automáticamente un informe por correo electrónico en el que se detalla quién hizo cada cambio y el motivo por el que lo hizo. También señala los posibles errores que los planificadores pueden revisar. Por ejemplo, supongamos que la demanda (el número total de servidores) del nuevo plan es inferior a la del anterior. El correo electrónico puede indicar la razón exacta por la que la demanda disminuyó, por ejemplo, la introducción de una nueva generación de hardware más eficiente que permite utilizar menos servidores. Esta herramienta de LLM permite a los planificadores completar el análisis de la deriva de la demanda por sí mismos en cuestión de minutos; antes, tardaban alrededor de una semana.

Hacer cumplir los contratos.

En la industria de la automoción, los fabricantes de equipos originales (OEM) como Ford, Toyota y General Motors tienen miles de proveedores y varios contratos con cada uno. Estos contratos especifican los detalles del precio que paga el OEM, los requisitos de calidad, los plazos de entrega y las medidas de resiliencia que los proveedores deben tomar para garantizar el suministro. Tras introducir los datos de LLM de miles de contratos, un OEM pudo identificar las reducciones de precio a las que tenía derecho por superar un umbral de volumen determinado. Su equipo de aprovisionamiento había pasado por alto esa oportunidad por la complejidad y el número de contratos. El resultado fue un ahorro de millones de dólares en aprovisionamiento.

[  2  ]

Answers to What-If Questions

Un máster permite a los planificadores hacer preguntas detalladas. He aquí algunos ejemplos: «¿Cuál sería el coste adicional de transporte si la demanda total de productos aumentara un 15%?» «¿Cuál sería el coste de aprovisionamiento adicional si el minorista R solo utilizara productos de la fábrica F?» «¿Podemos satisfacer toda la demanda si cerramos la fábrica F?» «¿Cuánto se reduciría el coste total de producción del producto P si el coste de la materia prima de tipo M fuera 1 dólar menos por unidad?»

Así es como un LLM puede responder a preguntas como estas de forma precisa y eficaz. Muchas tareas de optimización se escriben en forma de programas matemáticos, que tienen en cuenta la estructura de la cadena de suministro y todos los requisitos empresariales y generan recomendaciones eficaces para la cadena de suministro. Un máster no sustituye al modelo matemático, sino que lo complementa. En concreto, traduce una consulta humana en un código matemático, es decir, un pequeño cambio en el modelo matemático original utilizado para elaborar el plan. Por ejemplo, exigir que un minorista utilice productos de una fábrica en particular puede hacerse añadiendo un requisito matemático, o «restricción», que prohíba a otras fábricas enviar productos a ese minorista. Este pequeño cambio en el modelo matemático se introduce luego en la herramienta de cadena de suministro para elaborar un plan modificado, que solo se utiliza para compararlo con el existente. Como antes, el resultado del nuevo modelo matemático pasa luego por el LLM para producir la respuesta en lenguaje humano. (Para obtener más información sobre este enfoque de utilizar un LLM para obtener información actualizada sobre la cadena de suministro y hacer preguntas hipotéticas, puede encontrar el código fuente abierto y los puntos de referencia de Microsoft en github.com/Microsoft/OptiGuide.)

Tenga en cuenta cómo los planificadores de las operaciones de servicios en la nube de Microsoft utilizan esta capacidad para crear un plan de gestión logística que asigne los servidores para que se envíen de los almacenes a los centros de datos. Para cada solicitud, las decisiones principales consisten en (1) el tipo de servidor y el almacén que se utilizará para satisfacer la demanda, (2) la fecha de envío y (3) el destino de acoplamiento de los servidores (el centro de datos específico y la ubicación específica dentro del mismo). El objetivo es minimizar el coste total de los múltiples componentes, como los gastos de envío y el coste de oportunidad estimado de retrasar el despliegue de los servidores más allá de la fecha ideal.

Alana Paterson fotografió petroleros y portacontenedores en el extranjero para una historia sobre los efectos del ruido oceánico en la vida marina.

Cuando los planificadores reciban el resultado de la herramienta de optimización, pueden confirmar que cumple con las necesidades empresariales y asegurarse de que se ejecuta en consecuencia. Sin embargo, los problemas de optimización subyacentes son tan complejos que puede resultar difícil, si no imposible, entender de inmediato el razonamiento detrás de cada decisión. Por lo tanto, los planificadores suelen ponerse en contacto con los ingenieros y científicos de datos que desarrollaron la herramienta de optimización para obtener información adicional. Los planificadores y los ingenieros suelen necesitar varias rondas de interacciones para explorar a fondo un problema o un escenario hipotético, lo que puede provocar un retraso de días. Ahora, el sistema basado en la LLM permite a los planificadores obtener en unos minutos respuestas a preguntas como «¿Cuál es el aumento porcentual del coste si despachamos un pedido específico antes de la fecha solicitada en comparación con otra fecha?» y «¿Cuál sería el aumento de costes si desactiváramos un almacén determinado durante una semana?»

[  3  ]

Interactive Planning

Los planificadores pueden utilizar la tecnología de LLM para actualizar los modelos matemáticos de la estructura de una cadena de suministro y los requisitos empresariales para reflejar el entorno empresarial actual. Además, un máster puede poner al día a los planificadores sobre un cambio en las condiciones comerciales.

Supongamos que los planificadores reciben información en tiempo real de que una planta de fabricación específica está inactiva durante siete días debido a una tormenta invernal. Para actualizar el plan de ventas y operaciones (S&OP) para tener en cuenta la interrupción sin la ayuda de un LLM, los planificadores tendrían que contratar a los equipos de TI y ciencia de datos para realizar los ajustes necesarios en el plan, un proceso que podría llevar mucho tiempo. Sin embargo, con la ayuda de un LLM, los planificadores pueden pedir directamente al sistema que genere un nuevo plan que evite utilizar la instalación interrumpida. Si el nuevo plan no es capaz de satisfacer toda la demanda prevista, la herramienta de planificación asistida por LLM no solo generará un S&OP actualizado y los costes correspondientes (por ejemplo, los costes de aprovisionamiento y transporte), sino que también identificará la demanda que no se puede satisfacer y el impacto en la rentabilidad.

En los próximos años, la tecnología basada en la LLM apoyará los escenarios de toma de decisiones de principio a fin.

La necesidad de cambiar el plan de suministro también puede estar impulsada por la tecnología basada en la LLM. Por ejemplo, tras analizar los datos de envío de un proveedor específico, puede generar una alarma de que el plazo de entrega del proveedor ha aumentado significativamente en los últimos meses. Además, la tecnología basada en la LLM predecirá la hora probable del próximo envío y se lo comunicará al planificador. Reconociendo que el aumento del plazo de entrega afectará negativamente al nivel de servicio en una región específica, a menos que se tomen medidas correctivas, el planificador puede pedir al sistema basado en LLM que vuelva a ejecutar la herramienta de planificación con la nueva información y genere un nuevo plan. Ese plan, que el LLM transmite a los planificadores en un lenguaje humano sencillo, puede incluir envíos rápidos por parte del proveedor o la transferencia del inventario desde un almacén que la empresa tiene en otra región a la región afectada.

El uso de los LLM de la forma descrita aquí es todavía relativamente nuevo. Prevemos que en los próximos años la tecnología basada en la LLM respaldará los escenarios de toma de decisiones de principio a fin. Por ejemplo, los usuarios pueden describir en un lenguaje sencillo el problema de toma de decisiones que desean resolver. Podría ser un problema de producción específico (dada una red compleja de plantas de fabricación, dónde y cuándo producir un producto determinado) o un problema de asignación de inventario (dado el inventario limitado en un almacén, cómo debe asignarse a las distintas tiendas para satisfacer la demanda de la manera más eficiente). La tecnología actual es capaz de generar esos modelos (matemáticos) y una recomendación, pero validar que el modelo represente correctamente el entorno empresarial sigue siendo un desafío actualmente.

[  4  ]

Overcoming Barriers

A medida que las empresas comiencen a adoptar un LLM en la gestión de la cadena de suministro, tendrán que superar diversos obstáculos para implementarlo de forma eficaz.

Adopción y formación.

Utilizar un LLM para optimizar las cadenas de suministro requiere un lenguaje muy preciso. Por ejemplo, si un usuario pregunta: «¿Podemos utilizar mejor la fábrica F?» la palabra «mejor» puede interpretarse de varias maneras: costes más bajos, mayor rendimiento, un rendimiento más equilibrado a lo largo del tiempo, etc. Cada interpretación lleva a decisiones diferentes. Por lo tanto, es crucial que las personas que utilizan el sistema reciban formación. Puede que los planificadores necesiten formarse para hacer preguntas más precisas, y los gerentes y ejecutivos pueden necesitar formación sobre las capacidades y limitaciones de la tecnología basada en la LLM.

Por esas razones, Microsoft está desplegando gradualmente esta nueva tecnología y la herramienta descrita anteriormente para responder a las preguntas hipotéticas solo admite un conjunto de preguntas comunes. La empresa supervisará las interacciones, la precisión y los mecanismos de respaldo de los usuarios y, a continuación, ampliará la cobertura con el tiempo. Los planificadores han recibido formación sobre la tecnología y se les ha hecho la serie de preguntas que admite la herramienta actualmente.

Alana Paterson

Dell Technologies también reconoce la importancia de mejorar las cualificaciones de su fuerza laboral para utilizar las LLM en su cadena de suministro. La experiencia inicial de la empresa con el uso de la IA a través de una asociación con un proveedor de aplicaciones para la cadena de suministro ha creado tanto un deseo de lo que es posible como una urgencia por preparar a las personas para gestionar la IA. «Formar a nuestra fuerza laboral humana para que hagan las preguntas correctas sobre la IA generativa está demostrando ser un desafío mayor que la tecnología en sí misma», dijo Sasha Pailet Koff, vicepresidenta sénior, a uno de nosotros (Tom). Y añadió: «Es fundamental desarrollar líderes que puedan gestionar la IA generativa en lugar de una fuerza laboral humana. Solo entonces podrán las empresas elegir los flujos de trabajo de aplicaciones correctos que mejor se adapten a la toma de decisiones de la IA».

Verificación.

La tecnología LLM puede producir de vez en cuando un resultado incorrecto. Por lo tanto, un desafío general es mantener la tecnología «dentro de los rieles», es decir, identificar los errores y recuperarse de ellos. Las empresas se enfrentan actualmente a este desafío proporcionando a los LLM ejemplos detallados y específicos de cada dominio que aumentan la precisión de sus resultados y añadiendo mecanismos para identificar con antelación las consultas que la tecnología no admite. Por ejemplo, si se hace una pregunta no admitida, el sistema basado en LLM proporciona una respuesta por defecto, como «Lamentablemente, no puedo ayudar con esta pregunta; esta es la lista de preguntas compatibles». Naturalmente, la dificultad de verificar la precisión aumentará con la complejidad del resultado. Por ejemplo, supongamos que dejamos que el LLM genere todo un programa matemático para crear un plan logístico optimizado desde cero. ¿Cómo comprobaría el sistema que es correcto? ¿Y cómo podemos asegurarnos de que el programa elaborará un plan óptimo en un tiempo razonable? Siguen siendo preguntas pendientes que requieren más investigación.

Nuevas funciones laborales.

A medida que la tecnología de LLM conduzca a un alto grado de automatización, el papel de los ejecutivos y los planificadores cambiará. En lugar de dedicarse a un proceso de toma de decisiones que lleva mucho tiempo y es propenso a errores humanos, los planificadores podrán aplicar la tecnología de LLM para generar más información sobre su tecnología de planificación de la cadena de suministro y explicar las recomendaciones de la misma. Esto se traducirá en un mayor nivel de confianza de los usuarios y en una adopción significativa de las recomendaciones de las herramientas. Del mismo modo, en el aprovisionamiento, los empleados tendrán que dedicar mucho menos tiempo a generar nuevos contratos; los LLM podrán diseñar contratos para una categoría de producto específica y proporcionar información sobre el desempeño anterior de varios proveedores para ayudar a los ejecutivos a elegir el más adecuado.

Dicho de otra manera, una fuerza laboral que utilice herramientas basadas en la LLM podrá cambiar su enfoque de las tareas repetitivas del día a día a las actividades de valor añadido, como pensar estratégicamente en las diversas actividades de la cadena de suministro o colaborar internamente en todas las áreas funcionales y externamente con los proveedores y los clientes. Por ejemplo, los planificadores de la demanda pueden colaborar con los planificadores comerciales (que son responsables del marketing, los precios y los descuentos) para entender el impacto de la operación en la previsión de la demanda. Según nuestra experiencia, ese tipo de colaboración no existe actualmente en la mayoría de las organizaciones. El desafío, por supuesto, es garantizar que el liderazgo derribe las barreras que existen entre las áreas funcionales y modifique los procesos empresariales para permitir la colaboración.

. . .

A pesar de estos desafíos, estamos seguros de que la tecnología basada en la LLM transformará la gestión de la cadena de suministro en un futuro próximo y mejorará su eficiencia, resiliencia, productividad y precisión. Complementará las tecnologías actuales de la cadena de suministro y permitirá a los planificadores interactuar directamente con las herramientas de la cadena de suministro sin necesidad de científicos o ingenieros de datos. Las empresas podrán automatizar un número importante de procesos de la cadena de suministro e incluso crear otros nuevos, por ejemplo, integrando los procesos comerciales y de previsión. De hecho, esa integración se traduciría en un sistema cerrado de gestión de la cadena de suministro, en el que las funciones de comercio, cadena de suministro y finanzas colaborarían para desarrollar un plan de suministro que cumpliera con todos los objetivos y requisitos empresariales y financieros. Dentro de unos años, la tecnología basada en la LLM podría revolucionar realmente la gestión de la cadena de suministro.