Hay un patrón que merece atención en los almacenes que han adoptado el pronóstico con IA. Las métricas de precisión del pronóstico mejoran, a veces notablemente, y sin embargo las roturas de stock no disminuyen. En algunas operaciones aumentan. La intuición dice que esto no debería ocurrir: un mejor pronóstico debería significar un mejor abastecimiento. Pero un pronóstico es solo el primer eslabón de una cadena más larga, y cuando los eslabones posteriores fallan, el estante se vacía sin importar lo bueno que haya sido la predicción. Esta es la paradoja del reaprovisionamiento con pronóstico de demanda de IA, y tiene menos que ver con los algoritmos que con todo lo que ocurre después de producir el pronóstico.

Por qué la precisión del pronóstico de demanda con IA no te garantiza disponibilidad

La cadena causal pasa por cinco variables que se interponen entre un pronóstico y un estante abastecido. La primera es el ciclo de reaprovisionamiento: el pronóstico puede actualizarse semanalmente mientras las órdenes de compra salen mensualmente, y esa sola discrepancia significa que incluso un pronóstico correcto persigue una demanda que nunca puede alcanzar. La segunda es la restricción del tamaño de lote: un proveedor exige cajas completas o palés completos, de modo que un pronóstico que pide unas pocas docenas de unidades o bien se redondea hacia arriba generando exceso de stock, o bien se redondea hacia abajo hasta convertirse en una orden que nunca se emite. La tercera es el desfase del plazo de entrega: las mercancías pasan semanas en tránsito, la demanda se mueve entretanto, y un pronóstico que era preciso al emitirse está desfasado cuando realmente importa. La cuarta es el consumo silencioso del stock de seguridad: una vez que el sistema confía en el pronóstico, recorta el colchón, y con un colchón más fino cualquier perturbación afecta directamente a la disponibilidad. La quinta son las promociones y los valores atípicos: un pico promocional se interpreta como la nueva normalidad, o una auténtica rampa previa a una promoción se suaviza como si fuera ruido, y cualquiera de las dos lecturas erróneas distorsiona la cantidad de reaprovisionamiento.

Cualquiera de estos factores puede romper la disponibilidad, y en la práctica varios se rompen a la vez mientras se enmascaran entre sí. Cuando ocurre una rotura de stock, el primer instinto es culpar al modelo, reajustarlo, sustituirlo, alimentarlo con más datos, y tras una ronda completa de ese trabajo los parámetros de reaprovisionamiento quedan exactamente donde estaban, y las roturas de stock continúan. La paradoja tiene un núcleo sencillo: la organización trata el pronóstico como si fuera el reaprovisionamiento, cuando el reaprovisionamiento es un sistema de parámetros y el pronóstico es solo una de sus entradas.

Dos casos ilustran el mecanismo. El primero es un distribuidor de artículos para el hogar que implantó un modelo de pronóstico y vio cómo las tasas de error en las categorías principales se reducían notablemente. La dirección tomó esa mejora como licencia para bajar el factor de stock de seguridad un escalón, con el razonamiento de que un mejor pronóstico necesitaba menos colchón. Entonces el plazo de entrega de un proveedor se alargó unas dos semanas. Las mercancías entrantes no llegaron, el colchón era más fino que antes, y los artículos más vendidos sufrieron roturas de stock durante cerca de un mes. En el análisis posterior, el modelo no tuvo la culpa. El error fue traducir la precisión del pronóstico directamente en una reducción de inventario sin que nadie comprobara si los plazos de entrega se habían movido o si el ciclo de pedidos había seguido el ritmo. El pronóstico mejoró, y la política de inventario se volvió más frágil.

El segundo caso es un almacén de bienes de consumo estacionales donde el modelo predecía bien los periodos planos pero gestionaba mal la rampa previa a la promoción. Con solo unos pocos años de historia, la rampa parecía estadísticamente un valor atípico, y el modelo la suavizó hasta hacerla desaparecer. Compras pidió según el número suavizado, la promoción se abrió con roturas de stock inmediatas, y cuando llegó el reaprovisionamiento de emergencia la promoción ya estaba a la mitad. De nuevo, el algoritmo no era la causa raíz. Las reglas de valores atípicos no distinguían entre una rampa explicable, como una promoción, una temporada o el lanzamiento de un producto nuevo, y el ruido genuino. Una regla estadística aplicada indiscriminadamente terminará eliminando precisamente la señal que el negocio más necesita.

Lista de verificación del reaprovisionamiento con pronóstico de demanda de IA antes de tocar el modelo

Que el reaprovisionamiento con pronóstico de demanda de IA funcione en la práctica depende menos de un modelo más preciso que de una revisión disciplinada de los parámetros. Antes de ajustar cualquier modelo, recorre esta lista punto por punto:

Elemento de la lista Pregunta que plantearse Desajuste habitual
Ciclo de reaprovisionamiento ¿La frecuencia de pedido coincide con la frecuencia de actualización del pronóstico? Pronóstico semanal, pedidos mensuales
Restricciones de tamaño de lote ¿Las cantidades mínimas y los embalajes están dentro del modelo? Cantidad pronosticada por debajo del mínimo, pedido retrasado
Desfase del plazo de entrega ¿Los cambios en el plazo de entrega se retroalimentan en tiempo real? Plazo de entrega alargado, stock de seguridad aún sobre el plazo antiguo
Stock de seguridad ¿Se fija por nivel de servicio o se recorta a ojo? El pronóstico mejora, el colchón se recorta, la volatilidad se convierte en rotura de stock
Reglas de valores atípicos ¿Las promociones, las temporadas y los lanzamientos se tratan por separado? Rampa suavizada hasta desaparecer, promoción interpretada como base
Responsabilidad Cuando ocurre una rotura de stock, ¿quién puede cambiar los parámetros? Todos miran el pronóstico, nadie es dueño del reaprovisionamiento

El sentido de la lista es separar las responsabilidades. El equipo de pronóstico es dueño de si el pronóstico es preciso. El equipo de reaprovisionamiento es dueño de si los parámetros son correctos. Con esas métricas separadas, una revisión de rotura de stock puede identificar qué lado falló en lugar de colapsar todo en «el modelo estaba mal». La secuencia que recomiendo es: primero congelar los parámetros de reaprovisionamiento, observar la estructura de las roturas de stock durante un periodo, luego cambiar el modelo, y después volver a comprobar los parámetros tras el cambio de modelo. Invierte el orden y nunca podrás distinguir un problema del modelo de un problema de parámetros.

He aquí el juicio contraintuitivo que está en el corazón de esto: cuanto más preciso es el pronóstico, menos a la ligera deberías recortar el stock de seguridad. La intuición dice que un buen pronóstico necesita menos colchón, y que el inventario liberado es beneficio. Pero en la teoría de inventarios, el stock de seguridad no protege principalmente contra el error de pronóstico. Protege contra la variabilidad del plazo de entrega, los envíos cortos y los choques de demanda, cosas que un pronóstico no puede controlar. Una ganancia de precisión justifica eliminar el stock extra mantenido porque se temía que el pronóstico fuera erróneo. No justifica eliminar todo el colchón. Confundir ambas cosas hace que el sistema se vuelva más frágil precisamente a medida que mejora el pronóstico, porque un colchón fino convierte cualquier alargamiento del plazo de entrega en una rotura de stock. No es casualidad que muchos almacenes vean aumentar las roturas de stock justo en los meses en que sus métricas de pronóstico se ven mejor. Eso no es ironía. Es causalidad.

Unas palabras sobre calibrar las expectativas de la propia IA. El valor del pronóstico de demanda con IA es real: maneja la escala de categorías y los patrones históricos que ningún planificador humano puede calcular a mano, y convierte el pronóstico de una conjetura basada en la experiencia en un número revisable. Pero su retorno no está en la métrica de precisión. Está en cuánto mejora la cadena de reaprovisionamiento junto con él. Comprar un modelo sin cambiar el proceso de reaprovisionamiento es como cambiar el salpicadero y dejar el motor intacto, y así es exactamente como sobrevive la paradoja del reaprovisionamiento con pronóstico de demanda de IA incluso a medida que mejoran los modelos. El ROI debe medirse en menos roturas de stock y rotaciones de inventario más rápidas, no en unos pocos puntos de precisión de pronóstico ganados mientras los estantes están vacíos. Una métrica de precisión que se ve bien sobre un estante vacío es un retorno de papel.

Cerraré con una pregunta abierta en lugar de una conclusión. Una vez que el pronóstico es lo bastante bueno, ¿dónde se sitúa el siguiente cuello de botella de la disponibilidad? Mi observación es que se desplaza de «no podemos calcular» a «no podemos movernos lo bastante rápido»: si los ciclos de pedido, la coordinación con proveedores y la gestión de excepciones siguen operando a la velocidad de la generación anterior mientras el modelo corre a la actual. El progreso en el pronóstico termina poniendo a prueba la velocidad de respuesta de la organización. No hay una respuesta estándar, y cada almacén responderá de forma diferente, pero plantear la pregunta vale más que cambiar a otro modelo.

Por Dr. Chen, Investigador de la Cadena de Suministro

Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.