El potencial de los LLM y los sistemas fundacionales en la cadena de suministro

Redactar y adaptar textos, apoyo a la hora de sintetizar información y generación nuevos enfoques e ideas innovadoras. En el plano profesional, estas son las 3 peticiones más habituales que le hacemos los usuarios a ChatGPT. La fuente es bastante fiable: la propia plataforma de OpenAI.

Más allá de estos encargos ‘generalistas’ -cualquiera de nosotros seguramente ha utilizado estos ‘prompts’ en algún momento en su trabajo-, lo cierto es que ChatGPT y otros sistemas similares pueden también aplicarse a tareas más concretas. Y la supply chain, obviamente, no es una excepción. En este artículo vamos a repasar las aplicaciones de los sistemas de IA fundacionales -entre los que se incluyen Large Language Models (LLM) como ChatGPT- en la cadena de suministro.

Qué son los Large Language Models (LLM)

Los Large Language Models (LLM) son un tipo específico de modelo de IA fundacional -si quieres saber más sobre el tema, te sugiero que consultes este Ebook- entrenado con volúmenes masivos de datos textuales. Su objetivo no es resolver una única tarea concreta, sino aprender una comprensión general del lenguaje que pueda reutilizarse en múltiples contextos.

Gracias a este entrenamiento, los LLM son capaces de redactar textos, resumir información, responder preguntas complejas, razonar a partir de datos no estructurados o traducir conceptos técnicos a un lenguaje más accesible. Herramientas como ChatGPT son un ejemplo claro de este enfoque: un único modelo que puede desempeñar tareas muy distintas sin necesidad de ser reentrenado para cada una de ellas.

Beneficios de la IA aplicada a la cadena de suministro

Un LLM es especialmente bueno en una cosa: trabajar con el lenguaje. Y eso, en supply chain, tiene un potencial enorme cuando lo conectas con sistemas que ya existen (ERP, WMS, TMS, data warehouses…).

Entonces, el potencial del LLM en supply chain no está en pedirle simplemente que “optimice” —una tarea para la que, al menos por ahora, no es suficientemente eficiente ni fiable—, sino en ayudar a las personas a interactuar mejor con los sistemas de planificación existentes, entender sus resultados y tomar decisiones más rápidas y fundamentadas.

Veamos algunos de los principales beneficios.

Simplificar el uso de plataformas avanzadas complejas

La planificación avanzada ha demostrado que puede reducir costes, mejorar niveles de servicio y contener inventario. El problema es que, en el día a día, el valor de un sistema de optimización no depende solo de que encuentre la mejor solución, si no de que esta sea comprensible y genere confianza.

En muchas empresas, el “gap” aparece justo ahí. La plataforma de optimización calcula; pero los equipos que la pilotan desconfían. Esto puede provocar preguntas que tardan horas o días en resolverse, dependencias de perfiles técnicos para consultas relativamente simples, y una sensación persistente de “no sé por qué el sistema ha decidido esto”.

En este contexto, los Large Language Models (LLMs) están empezando a jugar un papel muy concreto y útil: convertirse en una capa de interacción y traducción entre las personas y los sistemas de planificación, especialmente cuando hay decisiones complejas detrás (restricciones, dependencias, escenarios, prioridades…).

En supply chain, hay preguntas que se repiten de forma constante:

• “¿Por qué hemos servido esta demanda desde este proveedor (y no desde otro)?”
• “¿Qué pasa si sube la demanda en esta zona un 10%?”
• “¿Podemos limitar el número de proveedores por motivos de calidad o riesgo?”
• “¿Qué impacto tendría bloquear este carril de transporte?”
• “¿Qué SKU está generando más roturas y por qué?”

Estas preguntas habituales buscan respuestas claros pero, sin embargo, responderlas suele implicar revisar parámetros, consultar tablas, ejecutar cálculos, simular escenarios… Y en muchas organizaciones, esto significa: abrir un ticket, esperar a un analista, consultar a un técnico, volver a ejecutar… y en definitiva perder mucha agilidad a la hora de tomar decisiones.

Ahí es donde los LLM se convierten en herramientas muy útiles, no como sustitutos del motor matemático, sino como una interfaz inteligente para acceder a sus resultados, explicarlos y explorarlos.

Previsión de series temporales

La IA también está empezando a aplicarse a la previsión de series temporales, aunque, en este caso, técnicamente no hablamos de LLM si no de los conocidos como Time Series Foundation Models (en español, modelos fundacionales de series temporales). Al entrenarse con grandes volúmenes de datos históricos, pueden aprender patrones comunes y generar pronósticos de forma rápida para una amplia variedad de comportamientos, desde demandas intermitentes hasta patrones estacionales o eventos puntuales.

En este contexto, es posible imaginar un escenario en el que el usuario proporcione series temporales junto con información contextual a la plataforma, y el sistema devuelva una previsión acompañada de explicaciones, métricas de rendimiento y recomendaciones sobre cómo mejorarla. Con este tipo de modelos, se podría alcanzar un proceso de previsión de alta calidad con un esfuerzo mínimo y sin necesidad de profundos conocimientos técnicos.

Toma de decisiones y responder a escenarios “what-if”

De nuevo, no hablamos estrictamente de LLM, si no, en este caso, de Decision Foundation Models (modelos fundacionales de decisión). Este tipo de IA va más allá de la predicción de series temporales, sino que también pueden aplicarse a problemas de toma de decisiones. Gracias a este entrenamiento previo, el modelo puede abordar distintos tipos de decisiones con un ajuste mínimo.

En este contexto cuando el usuario pregunta un “¿y si…?” (what-if), el LLM interpreta la intención (por ejemplo, “bloquea este proveedor” o “limita esta planta”) y lanza el escenario. Luego compara el resultado con el plan actual y lo explica.

El principal beneficio que no hace falta entrar en matemáticas avanzadas: para negocio, la respuesta suele ser “sube/baja el coste”, “se compromete el servicio”, “aparece un riesgo”, “se desplaza la carga”, “no hay solución factible”…

Hacer accesible la información que ya existe (pero está dispersa)

Parte del problema es que los datos de supply chain viven en silos: tablas, informes, dashboards, herramientas distintas, nomenclaturas diferentes… y preguntas que requieren cruzar varias fuentes. Un LLM puede actuar como “orquestador” de consultas: no porque “sepa” los datos, sino porque puede pedirlos a los sistemas correctos y ‘componer’ una respuesta.

Riesgos de aplicar los LLM y la IA a la cadena de suministro

Si aplicas los LLM a la operativa de tu cadena de suministro, hay dos preocupaciones inevitables:

Privacidad y datos sensibles

La forma más sensata de plantearlo es no volcar los datos dentro del modelo. En lugar de eso, el LLM actúa como capa de razonamiento y lenguaje, mientras que los datos y cálculos se quedan dentro de tu entorno (bases de datos, solvers, sistemas internos).

‘Hallucinations’ y respuestas “que suenan bien”

En supply chain, una respuesta incorrecta no es un fallo anecdótico: puede costar dinero, servicio y/o reputación de marca.

Por eso, el modus operandi más recomendable no es “pregúntale al LLM y confía”, sino:

• que el LLM proponga la acción (consulta, escenario, restricción)
• que el sistema valide (reglas, permisos, checks)
• que la plataforma de gestión de la cadena de suministro lo calcule,
• y que el LLM explique el resultado.

El impacto de los LLM en el equipo de supply chain

Si hablamos del impacto operativo, un enfoque “LLM como copiloto de planificación” bien diseñado suele traducirse en:

• Más autonomía del planner para explorar escenarios sin depender de ingeniería o analytics.
• Menos fricción interna: menos idas y vueltas para explicar “por qué”.
• Decisiones más rápidas cuando hay cambios (demanda, capacidad, proveedores, transporte).
• Mejor adopción del sistema de planificación: si se entiende, se usa; si se usa, genera valor.

Conclusión: cuando la planificación se entiende, empieza a generar valor real

En la cadena de suministro, uno de los principales desafíos -más allá de calcular la respuesta a un problema- es convertir esa respuesta en una decisión que el negocio entienda, confíe y ejecute.

Desde esta perspectiva, el valor de los LLMs no está en “hacer el plan” ni en sustituir las plataformas de optimización de la supply chain, sino en acercar la planificación avanzada a las personas que toman decisiones cada día. Al actuar como una capa de interpretación y diálogo, permiten explorar escenarios, entender los porqués detrás de cada propuesta y reducir la fricción entre modelos complejos y realidad operativa.

Si el siguiente nivel de madurez en supply chain pasa por cerrar la brecha entre lo que el sistema calcula y lo que el negocio necesita decidir, los LLMs —integrados de forma responsable y conectados a herramientas sólidas de planificación— se perfilan como un habilitador clave para lograrlo.