ES
EN
EU
La inteligencia artificial promete transformar la cadena de suministro desde un sistema de planificación periódica hacia otro capaz de detectar riesgos, simular alternativas y recomendar decisiones continuamente. McKinsey considera que este cambio puede redefinir el trabajo de los planificadores industriales. Pero los últimos estudios de Gartner, MIT y BCG revelan una contradicción: mientras la inversión en IA se acelera, muchas compañías todavía no consiguen demostrar sus beneficios económicos. La cuestión ya no es cuánta inteligencia artificial incorporar, sino cómo convertirla en mejores decisiones empresariales.
Las tres claves
🟢 Una nueva capacidad de anticipación. La IA permite integrar información de demanda, proveedores, producción, inventarios y transporte para detectar desviaciones y evaluar respuestas con mayor rapidez. McKinsey plantea una transición desde los ciclos de planificación hacia decisiones continuas.
🟡 La transformación todavía está empezando. El 63% de los líderes de Compras encuestados por Gartner espera mejoras significativas de productividad gracias a la IA, pero solo el 25% ha rediseñado las funciones y puestos de trabajo para aprovecharla.
🔴 El riesgo de invertir sin transformar. Según Gartner, el 55% de los responsables de Supply Chain encuestados no tiene claro el retorno de sus inversiones en IA. En otro estudio, BCG encuentra que solo el 13% de los operadores logísticos participantes declara resultados financieros medibles.
El fin de la planificación por calendario
Durante décadas, las cadenas de suministro industriales han funcionado siguiendo un calendario.
Se revisaba la demanda, se actualizaban las previsiones, se negociaban los aprovisionamientos y se ajustaba la producción. Las desviaciones se analizaban en reuniones periódicas. Si aparecía un problema entre dos ciclos, la organización reaccionaba con llamadas, correos, hojas de cálculo y decisiones extraordinarias.
La inteligencia artificial comienza a cuestionar ese modelo.
Andrew Shih, especialista de McKinsey, describe el cambio en un podcast publicado el 14 de octubre: los sistemas de IA pueden vigilar continuamente los datos de una empresa y coordinar análisis cuando aparecen nuevas circunstancias.
La idea es sencilla, pero sus consecuencias son profundas: la planificación puede responder a los cambios de la realidad, en lugar de esperar a la siguiente reunión programada.
Pensemos en un fabricante europeo que depende de componentes procedentes de China. Un retraso en un puerto asiático puede coincidir con un incremento inesperado de pedidos y una reducción de inventarios de seguridad.
Hoy, esas señales pueden llegar a departamentos distintos, en momentos diferentes. Compras conoce el problema del proveedor, Logística detecta el retraso, Producción analiza el riesgo y Comercial descubre que algunos clientes necesitan adelantar entregas.
Un sistema de planificación conectado podría reconocer simultáneamente esas circunstancias, evaluar su impacto y proponer alternativas: adelantar compras, modificar transportes, redistribuir inventarios o revisar temporalmente la secuencia productiva.
La diferencia no consiste en que la IA envíe correos más deprisa. Consiste en que la empresa pueda comprender las consecuencias de un cambio antes de que se convierta en una interrupción.
Es un escenario tecnológico posible, no una capacidad que deba darse por implantada en cualquier solución comercial.
De optimizar departamentos a optimizar la empresa
La segunda transformación puede ser todavía más importante.
Durante años, las empresas han intentado mejorar individualmente sus funciones: Compras busca mejores condiciones, Producción persigue eficiencia, Logística reduce costes de transporte y Comercial intenta maximizar ventas.
Pero las decisiones óptimas para un departamento no siempre son las mejores para el conjunto de la organización.
Comprar grandes cantidades puede reducir el precio unitario, pero aumentar los inventarios y el capital inmovilizado. Elegir el transporte más económico puede comprometer entregas. Minimizar existencias puede elevar el riesgo de parada industrial.
Boston Consulting Group identifica precisamente esta limitación en su investigación The AI-First Supply Chain, publicada en junio.
Sus especialistas sostienen que los sistemas basados en agentes de IA pueden ampliar el conjunto de alternativas que una organización es capaz de evaluar, coordinando decisiones que tradicionalmente se tomaban de manera secuencial.
BCG estima que, en determinadas organizaciones y bajo sus hipótesis de transformación, podrían conseguirse reducciones de hasta el 30% en capital circulante y mejoras de dos a cuatro puntos porcentuales en el margen EBITDA.
Son proyecciones de potencial, no resultados demostrados para todas las empresas.
Pero permiten entender dónde se encuentra el verdadero valor económico.
El objetivo no es necesariamente conseguir el precio de compra más bajo, sino encontrar la combinación más competitiva de coste, inventario, disponibilidad, servicio y riesgo.
Para los responsables de Compras, esto supone una ampliación considerable de su influencia sobre los resultados empresariales.
La paradoja: más inversión en IA, pero pocos resultados demostrables
El entusiasmo tecnológico contrasta con lo que muestran las investigaciones más recientes.
En agosto, Gartner publicó que el 55% de los responsables de cadenas de suministro encuestados no tenía una visión clara del retorno económico de sus inversiones en inteligencia artificial.
BCG llegó a una conclusión similar al estudiar a 30 grandes operadores logísticos internacionales. El 97% consideraba la IA una prioridad estratégica y el 67% disponía de un presupuesto específico. Sin embargo, solo el 13% afirmaba estar obteniendo resultados financieros medibles.
Las cifras proceden de muestras distintas y no deben extrapolarse automáticamente a toda la industria. Pero ilustran una dificultad recurrente: implantar tecnología resulta más sencillo que reorganizar una empresa para aprovecharla.
Mike Raftery, especialista de McKinsey con una larga trayectoria en planificación industrial, advierte de un riesgo muy reconocible: multiplicar aplicaciones aisladas y proyectos piloto que producen demostraciones atractivas, pero cuyo impacto sobre el negocio resulta difícil de identificar.
El peligro es sustituir un mosaico de hojas de cálculo por otro de herramientas de IA igualmente desconectadas.
Gartner incluso ha advertido del fenómeno denominado agent washing: presentar como agentes autónomos capacidades que, en realidad, son automatizaciones convencionales o asistentes con un alcance mucho más limitado.
No es una distinción meramente tecnológica. Tiene consecuencias económicas.
Una aplicación capaz de resumir incidencias de proveedores puede ahorrar tiempo. Un sistema que identifica esas incidencias, evalúa su impacto económico y facilita una respuesta coordinada puede modificar el resultado operativo.
La diferencia está en la integración con los procesos, los datos y las decisiones reales.
El comprador industrial cambia de función
La transformación también afecta al trabajo de las personas.
Según un estudio de Gartner publicado el 8 de octubre, el 63% de los responsables de Compras encuestados espera que la IA mejore significativamente el rendimiento de sus departamentos durante los próximos tres años.
Sin embargo, apenas una cuarta parte ha rediseñado funciones o responsabilidades como consecuencia de su implantación.
Existe, por tanto, una distancia entre lo que se espera de la tecnología y la preparación organizativa para utilizarla.
McKinsey plantea que los profesionales de planificación deberán dedicar progresivamente menos tiempo a producir análisis rutinarios y más a definir objetivos, establecer restricciones, cuestionar recomendaciones y supervisar decisiones.
Un comprador podría dejar de emplear buena parte de su jornada recopilando información sobre pedidos, precios y proveedores para concentrarse en interpretar riesgos, desarrollar relaciones estratégicas y negociar soluciones complejas.
Esto no significa que desaparezca la necesidad de conocimiento especializado.
Al contrario.
Raftery advierte de que una organización excesivamente dependiente de la IA puede perder capacidad para cuestionar recomendaciones aparentemente convincentes. La experiencia adquirida resolviendo problemas reales sigue siendo esencial para detectar cuándo un resultado técnicamente coherente no tiene sentido industrial.
El riesgo es especialmente importante cuando los sistemas empiezan a recomendar decisiones con consecuencias económicas difíciles de revertir.
Cuanto más automatizada esté la cadena de suministro, más importante será determinar quién responde de cada decisión.
El dato que falta puede ser más importante que el algoritmo
La investigación publicada por el MIT Global SCALE Network el 27 de octubre introduce un contrapunto necesario.
Sus investigadores reconocen el potencial de la IA para mejorar previsiones, inventarios y operaciones, pero advierten de que la tecnología no puede resolver por sí sola los problemas organizativos o de información.
Una recomendación será poco fiable si el sistema desconoce que un proveedor tiene restricciones de capacidad, que un componente necesita una homologación especial o que determinados materiales no pueden sustituirse sin modificar el proceso productivo.
Andrew Shih identifica en el podcast de McKinsey un requisito fundamental: construir una capa de información que permita a los agentes comprender correctamente los datos y su contexto empresarial.
No basta con conectar la IA al ERP.
Es necesario que interprete qué significan realmente las fechas comprometidas, las condiciones de suministro, las especificaciones técnicas, los inventarios disponibles y las restricciones contractuales.
Para Compras, esta cuestión es decisiva.
La información más valiosa de un proveedor no siempre está recogida en una base de datos estructurada. Puede encontrarse en certificados, acuerdos de calidad, condiciones de fabricación, compromisos logísticos o conocimientos acumulados por los compradores.
Convertir esa información en conocimiento accesible, verificable y seguro será una parte fundamental de la transformación.
Y exige precauciones. La información comercial sensible, los precios negociados, los datos de clientes y las condiciones contractuales no pueden introducirse indiscriminadamente en aplicaciones externas.
La calidad de los datos, la ciberseguridad y la gobernanza dejan de ser responsabilidades exclusivas del departamento tecnológico.
Por dónde empezar: un problema real, no cien experimentos
En su intervención, Shih propone una recomendación especialmente útil para empresas industriales: elegir un problema importante, suficientemente acotado para resolverlo, pero con consecuencias económicas relevantes.
Más ambicioso que una demostración tecnológica. Menos complejo que transformar de una sola vez toda la organización.
Gartner coincide en recomendar inicialmente actividades repetitivas con resultados medibles y errores de bajo impacto, como determinadas previsiones de referencias estables o ajustes supervisados de parámetros de reposición.
A partir de ahí, una empresa industrial podría desarrollar un proyecto centrado en anticipar rupturas de suministro de una familia de componentes críticos.
El sistema debería integrar pedidos, consumo, inventarios, plazos reales de entrega y restricciones de proveedores. Su función inicial sería detectar incidencias, evaluar alternativas y proponer actuaciones para que las personas responsables las validen.
El éxito no se mediría por el número de consultas realizadas al sistema, sino por indicadores empresariales: menos paradas, reducción de urgencias logísticas, menor inventario innecesario y mayor fiabilidad de entrega.
Solo después tendría sentido ampliar el sistema a nuevas familias de materiales y decisiones.
Esta secuencia permite aprender sin entregar prematuramente el control de operaciones críticas a una tecnología que todavía presenta limitaciones.
De la eficiencia individual a una nueva ventaja competitiva
La verdadera frontera de la inteligencia artificial en la cadena de suministro no está en producir más informes ni en automatizar tareas administrativas aisladas.
Está en conectar decisiones que hoy permanecen fragmentadas.
La empresa que detecte antes un problema, comprenda mejor sus consecuencias y coordine más rápidamente una respuesta podrá gestionar de forma distinta sus costes, inventarios y relaciones con proveedores.
No significa que todas las decisiones vayan a automatizarse ni que la experiencia humana pierda importancia. Tampoco garantiza que cualquier inversión en IA sea rentable.
Significa que el valor del conocimiento industrial puede multiplicarse cuando se combina con sistemas capaces de analizar continuamente información relevante.
McKinsey anticipa un cambio profundo en lo que significa planificar. MIT recuerda que la tecnología necesita datos fiables y criterio humano. Gartner y BCG muestran que el retorno económico dependerá de cómo se rediseñen los procesos y las responsabilidades.
Las cuatro perspectivas apuntan hacia una misma conclusión.
La próxima ventaja competitiva de Compras no consistirá únicamente en negociar mejor con los proveedores, sino en ayudar a toda la empresa a tomar mejores decisiones antes de que los problemas aparezcan.
Y para conseguirlo, la transformación más importante quizá no sea la del software, sino la de la propia organización.
Fuentes
- McKinsey & Company (14/10/2026). Voices on Planning: The AI-powered future of supply chain. Podcast con Andrew Shih y Mike Raftery, presentado por Daphne Luchtenberg. Podcast y transcripción.
- MIT Center for Transportation & Logistics (27/10/2026). Can AI Transform Supply Chain Planning? Global Researchers Weigh the Opportunities and Limitations. Análisis.
- Gartner (08/10/2026). Gartner Survey Shows Chief Procurement Officers Stalling on Needed AI Role Redesign. Resultados de la investigación.
- Gartner (05/08/2026). Gartner Survey Finds Majority of Chief Supply Chain Officers Unclear on AI Investment Returns. Estudio.
- Gartner (20/05/2026). Gartner Warns of Agent Washing Risks in Supply Chain Planning Technology Market. Análisis.
- Boston Consulting Group (24/08/2026). AI Hasn’t Fully Paid Off Yet in Logistics. But It Will. Investigación.
- Boston Consulting Group (02/06/2026). The AI-First Supply Chain. Análisis.
- Gartner (29/04/2026). Gartner Survey Finds Technology Integration and Talent Perceived as Key Roadblocks to Scaling AI in Supply Chain. Resultados.
Foto: martin-sanchez-j2c7yf223Mk-unsplash
