Los proyectos de previsión de la demanda con IA para el inventario de almacén suelen venderse como un intercambio sencillo: instala el modelo, mantén menos existencias y pierde menos ventas. La realidad es más moderada. Según McKinsey, la previsión impulsada por IA puede reducir los errores de previsión entre un 20% y un 50%, disminuir las ventas perdidas y la falta de disponibilidad de productos hasta un 65% y reducir los niveles de inventario entre un 20% y un 30%. Esas cifras se citan constantemente, y con la misma constancia se interpretan mal. Describen un rango de resultados posibles en condiciones favorables, no un promedio garantizado. Cuánto cae el error depende de lo equivocada que fuera la previsión anterior; cuánto cae el inventario depende de si alguien se atreve a cambiar después los parámetros del stock de seguridad.

La pregunta correcta es si el ahorro sobrevive al contacto con tus SKU, tus datos y tu ritmo de reposición.

De dónde proceden realmente las ganancias de la previsión de la demanda con IA

La previsión tradicional se fija sobre todo en una cosa: cuánto se vendió de este SKU en el pasado. Las medias móviles, el suavizado exponencial y los modelos estacionales extrapolan la curva de ventas. Eso funciona para los artículos estables y se rompe en cuanto la curva se dobla. La diferencia de la previsión con aprendizaje automático no es un algoritmo más ingenioso. Es la variedad de señales que el modelo puede procesar a la vez: cambios de precio, calendarios de promociones, clima, festivos, movimientos de la competencia y variación de los plazos de entrega de los proveedores. Con más señales, un modelo tiene la oportunidad de ver por qué la demanda está a punto de girar, y no solo que giró la última vez.

Una competición pública ofrece un punto de referencia relativamente limpio. La competición M5 utilizó datos diarios de ventas de Walmart, con precios y eventos del calendario incluidos. La propuesta ganadora superó al más fuerte de 24 benchmarks en aproximadamente un 22% según la medida de error ponderada de la competición, y las 50 mejores propuestas superaron ese benchmark en más de un 14%. El aprendizaje automático ganó con claridad, pero en una tarea de previsión sobre un único conjunto de datos históricos, no en toda la cadena de reposición, proveedores y flujo de caja de un almacén real.

Un estudio académico publicado se acerca más a la vida diaria del almacén. Investigadores que trabajaban en la distribución farmacéutica regional utilizaron ventas diarias reales de farmacias de 2014 a 2019, ocho categorías de medicamentos durante 2,106 días, y compararon un modelo de bosque aleatorio con una referencia estacional ingenua, que simplemente usa la demanda de exactamente siete días antes como previsión. El modelo redujo el error de previsión entre un 23.9% y un 26.5%. La referencia se eligió con honestidad, y eso importa: muchos almacenes tendrían dificultades para superarla. Steve Morlidge examinó las previsiones de ocho empresas de la cadena de suministro y descubrió que alrededor del 52% de ellas eran menos precisas que una previsión ingenua. Una gran parte del esfuerzo profesional de previsión estaba produciendo resultados peores que suponer que el próximo periodo se parecerá a este. La primera ganancia de la previsión con IA a veces consiste simplemente en corregir ese rendimiento negativo.

Más señales también cuestan más. Las señales hay que limpiarlas, alinearlas y etiquetarlas: ¿debe una semana de promoción contar para la base, significa cero ventas en un día de rotura de stock que no hubo demanda o que no hubo existencias, deben descontarse las devoluciones? Hasta que se respondan esas preguntas, el modelo aprende los patrones equivocados, solo que más rápido.

Tres formas en que fracasan los proyectos de previsión de la demanda con IA para el inventario de almacén

El primer fracaso son las promociones. Una promoción es un pico de demanda fabricado por la empresa, y el registro histórico contiene pocos ejemplos de ella, cada uno con un descuento, un canal y un paquete distintos. Un modelo puede tratar fácilmente un gran pico promocional como la nueva normalidad y pedir de más, o subestimar la siguiente porque cambió la mecánica. El enfoque viable es alimentar al modelo con las variables de la promoción de forma explícita y que un planificador revise cada promoción importante por adelantado, en lugar de dejar que el modelo adivine.

El segundo fracaso son los SKU nuevos y la cola larga. Un SKU nuevo no tiene historia, así que el modelo solo puede razonar por analogía con productos antiguos similares, y el error es grande por naturaleza. Los SKU de cola larga tienen el problema opuesto: demanda baja e intermitente, tres unidades hoy y ninguna la semana que viene, difícil de modelar de forma estable con datos escasos. Sin embargo, estos dos grupos ocupan una parte desproporcionada de la atención del almacén. Esperar que un solo modelo gestione tanto los artículos principales como miles de SKU de cola larga no es realista. El patrón habitual es la segmentación: previsión con IA para los artículos principales, reglas estadísticas sencillas más cobertura humana para la cola.

El tercer fracaso es la disrupción. Una pandemia, la congestión portuaria o el cierre de un proveedor no tienen muestra en la historia, o solo una, así que el modelo no puede aprenderla. Una cifra de una encuesta vinculada a Gartner de 2024 citada en la cobertura del sector situó en el 68% la proporción de organizaciones de la cadena de suministro que experimentaron disrupciones graves o moderadas en el año anterior. Lo que un modelo puede hacer es acortar el tiempo de detección, detectando un giro de la demanda antes y ajustándose más rápido. No puede predecir un shock que nunca ha ocurrido. Tratar la IA como una bola de cristal es la forma más habitual en que mueren estos proyectos.

Cuánto inventario ahorra realmente, calculado paso a paso

El error de previsión y el stock de seguridad están vinculados directamente: según la fórmula estándar, el stock de seguridad es aproximadamente proporcional a la desviación estándar del error de previsión, así que reducir el error reduce el colchón necesario en una proporción similar con el mismo nivel de servicio. La reducción de inventario del 20% al 30% de McKinsey corresponde a la reducción de error del 20% al 50% trasladada por esa fórmula. Pero el traslado no es automático. La precisión mejora, el inventario no se adelgaza solo. Alguien tiene que bajar los parámetros del stock de seguridad y los puntos de pedido, y mantenerse firme cuando llegue el primer susto por rotura de stock. Como dice un análisis centrado en el CFO de esas mismas cifras de McKinsey, si no se restablece la política operativa, la ganancia de precisión queda varada y el retorno es cero.

Dimensión Previsión estadística tradicional Previsión de la demanda con IA Nota
Entradas Ventas históricas, estacionalidad Ventas más precio, promociones, clima, eventos externos Más señales, mayor coste de limpieza
Cambio del error Referencia Entre un 20% y un 50% menor, según la investigación de McKinsey Un rango, depende de la referencia inicial
Stock de seguridad Fijado a partir de una hipótesis de error fija En teoría cae en proporción al error Solo se materializa si los parámetros se restablecen a mano
Mejor ajuste SKU estables con larga historia SKU principales con señales ricas Limitado para SKU nuevos y de cola larga
Modos de fallo Puntos de inflexión, promociones Promociones, SKU nuevos, disrupciones Ambos fallan, en lugares distintos
Escenario ilustrativo Inventario de $10m, stock de seguridad del 40% Error un 25% menor, stock de seguridad unos $1m menor Escenario ilustrativo, no un retorno prometido

El escenario ilustrativo es deliberadamente sencillo. De $10 millones de inventario, $4 millones son stock de seguridad. Reduce el error un 25% y el stock de seguridad cae en teoría unos $1 millón, aproximadamente $200,000 al año en coste de mantenimiento evitado con un coste de posesión del 20%. Que se materialice depende de que se cumplan tres cosas a la vez: que el error realmente cayera un 25%, que los parámetros del stock de seguridad realmente se bajaran y que el nivel de servicio realmente no bajara. Si falla una sola, la aritmética se derrumba.

También hay un juicio contraintuitivo que conviene enunciar pronto: una previsión más precisa puede hacer que un almacén sea más difícil de gestionar a corto plazo. Un stock de seguridad más fino significa menos tolerancia a las entregas tardías, y los problemas que el inventario grueso solía ocultar afloran de golpe. La previsión con IA no pone a prueba el modelo, sino si la reposición, las compras y la gestión de proveedores pueden seguir el ritmo de un inventario más ajustado. Instala el modelo sin cambiar el proceso, y el inventario ahorrado vuelve en forma de roturas de stock y gastos de expedición.

El coste hay que contarlo aparte. Un piloto típico abarca una categoría o un canal durante 90 días, con la previsión de IA y el método actual funcionando en paralelo, comparando el error y la carga de trabajo del planificador antes de cualquier ampliación. Para un almacén con unos pocos cientos de SKU y demanda estable, los métodos tradicionales más planificadores con experiencia ya pueden ser suficientes.

El progreso técnico cambia el límite inferior del error, no la incertidumbre subyacente de la demanda. El trabajo de previsión de la demanda con IA para el inventario de almacén merece una evaluación seria, pero la prueba no debe ser la precisión de una diapositiva de un proveedor. Deben ser tres cifras sobre tus propios datos: cuántos puntos cayó el error, cuántos puntos de stock de seguridad estuviste dispuesto a recortar y si se movió la tasa de rotura de stock. Cuando esas tres coinciden, el proyecto se sostiene. Las preguntas que siguen abiertas, cuánto confiar en un modelo cuando las muestras de promoción son escasas, y quién escribe las reglas de respaldo para la cola larga, pueden ser lo que decida la próxima ronda de rendimiento de la previsión.

Por Dr. Chen, Investigador de la Cadena de Suministro Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.