IA para el reaprovisionamiento de tiendas: qué debe decidir el algoritmo, qué el comprador y cómo saber si ayuda

El reaprovisionamiento automático de tiendas no es nuevo. Lo nuevo es llamarlo agente de IA y pedirle que asuma más trabajo: no solo calcular una cantidad, sino preparar el pedido, explicarlo y, con el tiempo, enviarlo. Antes de decidir cuánto de eso delegar, conviene ver qué ocurre en las cadenas que ya piden así, porque las personas que usan esos sistemas siguen modificando lo que proponen, y los estudios de campo recientes han medido qué efecto tienen esas modificaciones.

1. De qué se compone un pedido y quién debe decidir cada parte

Un pedido de tienda es un cálculo pequeño envuelto en varios juicios. El cálculo es mecánico: las ventas previstas hasta que la próxima entrega llegue y esté en el lineal, más un margen de seguridad para la variabilidad, menos el stock disponible y el stock ya pedido. Los juicios no lo son: qué proveedor, si una promoción o un evento local subirá la demanda, si un producto nuevo merece espacio, si el stock de la trastienda existe de verdad. Repartir el trabajo siguiendo esa línea da a cada parte lo que hace bien:

2. Qué dicen los datos sobre las modificaciones

El estudio reciente más detallado sigue a una cadena europea de supermercados de gama alta que llevaba más de tres años con reaprovisionamiento automático, en dos grupos de perecederos, carne envasada y platos preparados¹. El personal de tienda podía aceptar o modificar cada propuesta. Sus recortes no eran aleatorios: cuando un producto se había agotado hacía poco, reducían el pedido propuesto bastante más a menudo, porque interpretaban las ventas bajas registradas en los días vacíos como una demanda baja. Esos recortes hacían después mucho más probable una nueva rotura de stock del mismo producto. Los autores lo llaman rotura de stock autoinfligida.

Las modificaciones en el otro sentido pueden ser acertadas. En una cadena de tiendas de conveniencia que introdujo un recomendador de reaprovisionamiento en unas tiendas y no en otras, los encargados subieron o adelantaron los pedidos de artículos muy vendidos ante una demanda que el sistema aún no había detectado, y se contuvieron con los de rotación lenta². Los dos tipos de modificación, uno junto al otro:

El despliegue en la cadena de conveniencia también mostró qué hacía el propio recomendador: los puntos de pedido subieron, los pedidos se hicieron más pequeños y más frecuentes, el nivel de servicio mejoró un 2,9 % sin stock adicional ni ventas perdidas, y los encargados dedicaron cada día un 36,5 % menos de tiempo a hacer pedidos². La lección de los dos estudios es la misma. La pregunta no es si las personas deben modificar los pedidos, sino qué modificaciones aportan información que el sistema no tiene.

3. Qué ayuda a usar bien las recomendaciones

El seguimiento de las recomendaciones rara vez es alto, incluso cuando la herramienta es buena. En Zara, cuya herramienta de precios de liquidación había aumentado los ingresos en un piloto, los responsables de cada país siguieron sus recomendaciones de precio en el 61,0 % de los casos en sus tiendas propias y en el 46,4 % en las franquicias; cuando la herramienta no recomendaba ninguna rebaja, los responsables rebajaban una mediana del 19,9 %³. Ese estudio trata de precios, no de pedidos, pero el patrón resulta familiar a cualquiera que haya implantado un sistema de reaprovisionamiento.

Tres resultados indican qué ayuda. Añadir un punto de referencia a la pantalla de Zara, para que los responsables vieran qué supondría seguir la herramienta, elevó el seguimiento en las franquicias en unos nueve puntos porcentuales y medio³. En experimentos en línea, quienes combinan su propia previsión con la de un algoritmo con un peso fijo cometen errores entre un 20 % y un 61 % mayores de lo necesario, y mostrar qué datos usa el algoritmo, sin abrir el modelo, redujo los errores en una cuarta parte⁴. En dos experimentos de campo sobre pedidos de inventario, mostrar a los encargados cómo había funcionado el algoritmo mejoró sus pedidos, y mostrar dónde había funcionado mal ayudó más que mostrar dónde había acertado⁵.

Para una herramienta de reaprovisionamiento, eso sugiere tres reglas de diseño: mostrar las cifras sobre las que se construye cada línea, mostrar el historial de la propia herramienta, fallos incluidos, y señalar las modificaciones que, según los datos, salen mal. El estudio de supermercados estimó que bloquear sin más los recortes hechos justo después de una rotura de stock habría eliminado un tercio de las roturas autoinfligidas y aumentado el beneficio en torno a un 1 %, con un aumento del coste de mantener stock del mismo orden, y apuntó que una alerta podría conseguir buena parte de ello¹.

4. Conceder la autoridad según las pruebas

La misma lógica fija cuánto se debe permitir hacer a un agente de IA de aprovisionamiento. Debe empezar aconsejando, para que sus propuestas puedan compararse con lo que pidieron de verdad los compradores. Puede pasar a preparar borradores para aprobar cuando sus consejos se acepten en su mayoría, y a ejecutar tras una sola confirmación cuando las personas apenas cambien sus borradores. Cada paso se concede por tipo de acción, un pedido de tienda por separado de un pedido a proveedor, y solo tras un periodo de prueba con umbrales escritos. La guía sobre los agentes de IA expone la escala completa. Algunos pedidos deben quedarse con una persona en cualquier nivel:

5. Medir el efecto

Los informes de los propios retailers muestran por qué hace falta cuidado. Ahold Delhaize explica que usa «algoritmos de pedido impulsados por IA» para equilibrar la disponibilidad con la reducción de la merma⁶, y comunica que su desperdicio alimentario baja, pero no atribuye ninguna cifra a los algoritmos; los cierres, las donaciones y un mejor control de las pérdidas movieron el mismo número. Los totales del grupo no pueden separar una herramienta de pedidos de todo lo demás que cambió ese año.

La comparación que sí puede hacerlo es la de tienda frente a tienda. Mantén una parte de tiendas comparables en las que la IA solo aconseje, mide la disponibilidad en lineal en los dos grupos durante las mismas semanas y lee el efecto como el cambio en la distancia entre ellos. Mide al mismo tiempo el valor del stock, porque una disponibilidad comprada con más inventario no es una mejora; la guía sobre roturas de stock y la guía del stock muerto explican cómo leer los dos lados tienda por tienda.

6. Una nota sobre la regulación

En la UE, un recomendador de reaprovisionamiento que usan los propios compradores de una cadena no suele ser uno de los sistemas a los que apunta el artículo de transparencia del Reglamento de IA; ese artículo se refiere a la IA que interactúa directamente con personas, como un asistente de chat, que debe dejar claro que es una IA. Otras dos disposiciones quedan más cerca: los responsables del despliegue deben asegurarse de que su personal tiene un nivel suficiente de alfabetización en IA, y los sistemas usados para supervisar y evaluar el rendimiento de los trabajadores se clasifican como de alto riesgo⁷. Clasificar a cada comprador según cómo salieron sus modificaciones se acercaría a lo segundo; medir la herramienta frente a tiendas de control, no.

7. Limitaciones

El estudio de supermercados abarca cinco tiendas, dos grupos de perecederos y ninguna promoción, y sus cifras de beneficio proceden de una simulación de políticas que no se aplicaron en la realidad. Dos de los experimentos se conocen aquí solo por sus resúmenes publicados, que no dan el tamaño de las muestras. Los datos de Zara son de 2010 a 2013 y se refieren a precios. En conjunto, los estudios coinciden más en la dirección que en la magnitud.

Cómo trabaja el agente de IA de aprovisionamiento de marql

El agente de IA de aprovisionamiento de marql sigue este diseño. Cada mañana, a partir de las seis, lee las cestas de pedido del espacio de reaprovisionamiento de marql, donde las cantidades salen de un motor de stock de seguridad y no del modelo de lenguaje. Cuando aconseja, propone; cuando se le permite preparar, escribe un borrador que el comprador edita, aprueba o rechaza como cualquier otro, con la etiqueta «Preparado por el empleado de compras con IA de marql». Un borrador que nadie ha tocado se retira a la mañana siguiente y se rehace con datos nuevos. Una cesta que necesita a una persona se queda con el comprador, con el motivo: demasiado grande, un proveedor que solo se conoce por las facturas o que no es el día de pedido del proveedor.

Cada propuesta se abre con «Por qué se ha propuesto», con la cobertura actual y la que habrá tras la entrega, y el plazo de entrega detrás de cada línea. Mientras solo aconseja, se compara con lo que pidieron las personas por su cuenta. Su KPI es la «Disponibilidad en lineal» en sus tiendas frente a tiendas de control en las que solo aconseja, con el valor del stock como límite que no puede superar para conseguirla. Para ejecutar pedidos tras confirmación tiene que aprobar antes un examen en un simulador de retail; ejecutar dentro de límites no está abierto a ningún cliente.