La incorporación de agentes de inteligencia artificial (IA) está marcando un antes y un después en el dinámico mundo de la Supply Chain Management (SCM), y la razón se encuentra en que estos sistemas avanzados están transformando la forma en que las empresas gestionan sus operaciones, ofreciendo ventajas significativas que impulsan la eficiencia, la precisión y la capacidad de adaptación.
Comencemos viendo de que se trata estos agentes de IA, también denominados agentes de IA autónomos.
Los agentes inteligentes son sistemas que pueden percibir su entorno y actuar de manera autónoma para alcanzar objetivos específicos. Utilizan sensores para recoger información y actuadores para interactuar con su entorno.
El entorno podría ser un mundo virtual donde el agente de IA aprende e interactúa. También podría ser el mundo físico en el que opera un robot impulsado por IA.
En concreto, un agente de IA es una aplicación o sistema capaz de ejecutar una tarea determinada sin intervención humana directa continua. Cuando se le asigna un objetivo, un agente de IA percibirá su entorno, evaluará las herramientas a su disposición y formulará un plan para lograr su objetivo.
Por ejemplo, en un entorno de SCM, se puede dar instrucciones a un agente de IA para que busque una lista de proveedores, les envíe un correo electrónico para solicitar presupuestos, clasifique las respuestas según el mejor precio, compare con precios del mercado y entregue recomendaciones con el razonamiento de cómo llegó a sus conclusiones.
Hasta aquí podría alegarse que es un flujo de procesos cuasi estándar, pero la diferencia con la propuesta de esta nota es que se cuenta ahora con un LLM.
Recordemos que los modelos de lenguajes grandes (LLM) actuales, como GPT-3.5 Turbo, GPT-4o, Gemini, Copilot, Claude 3, y otros, están ajustados para seguir instrucciones y se entrenan con grandes cantidades de datos. El entrenamiento a gran escala hace que estos modelos sean capaces de realizar algunas tareas de manera «cero». La indicación o prompt de disparo cero (Zero-shot) significa que el prompt utilizado para interactuar con el modelo no contendrá ejemplos ni demostraciones. El mensaje de disparo cero indica directamente al modelo que realice una tarea sin ningún ejemplo adicional que lo guíe.
Los LLM se pueden capacitar para realizar una serie de tareas. Uno de los usos más conocidos es su aplicación como IA generativa: cuando se da una indicación o se hace una pregunta, pueden producir un texto como respuesta.
Los agentes basados en LLM involucran aplicaciones que pueden ejecutar tareas complejas mediante el uso de una arquitectura que combina LLM con módulos clave como planificación y memoria. Al crear agentes, un LLM sirve como controlador principal o «cerebro» que controla el flujo de operaciones necesarias para completar una tarea o solicitud de usuario. El agente LLM puede requerir módulos clave como una memoria y uso de herramientas.
Entonces, ¿por qué necesitamos un agente?
Los modelos de lenguaje (LLM) se limitan al conocimiento en el que han sido entrenados, y este conocimiento puede volverse obsoleto rápidamente. No es factible volver a entrenar un modelo tan grande todos los días con la información más reciente o contar con información específica de la empresa.
Hay que considerar también algunas deficiencias de los LLM, como, por ejemplo: pueden alucinar, sus resultados no siempre son objetivos, tienen un conocimiento limitado o nulo de los acontecimientos actuales, y tienen que lidiar a veces con cálculos complejos.
Aquí es donde entra en juego un agente de IA, porque se puede utilizar herramientas externas para superar estas limitaciones y poder realizar una determinada tarea.
Una herramienta puede ser: una búsqueda de Google para obtener la información más reciente, un lenguaje como Python para ejecutar código, un acceso a una página de finanzas como Yahoo! Finanzas, a WolframAlpha para realizar cálculos complejos o utilizar APIs externas para obtener una información específica.
A continuación, se presenta un gráfico con los componentes principales
Categorías de agentes de IA
Agentes de acción: estos agentes son responsables de ejecutar tareas simples y directas. Por ejemplo, pueden llamar a una API financiera externa para recuperar la información de las acciones del mercado más recientes.
Agentes de planificación y Ejecución: estos agentes primero formulan un plan que incluye múltiples acciones, que luego ejecutan de forma secuencial.
Memoria de los agentes
Un agente utiliza un LLM como cerebro, pero es ayudado por una memoria que lleva un registro de todas las acciones realizadas y sus respuestas, si es un agente de conversación lleva un registro del historial de conversaciones, un registro de problemas y fallas de ejecución. Esta información le permite aprender más del entorno y contribuye a mejorar las respuestas.
Desarrolladores y usuarios
Los desarrolladores son los que preparan el ecosistema de los agentes y ayudan a los usuarios a preparar las plantillas de prompts y a volcarlas en el sistema, y a su vez los usuarios cumplen el doble rol de interactuar con el agente de acuerdo con el objetivo buscado por el agente, y a contribuir a la estandarización de los modelos de prompts. Desde otro punto de vista el agente AI puede cubrir un rol virtual como parte de un equipo de trabajo.
Planteado el ecosistema de agentes de IA, veamos algunas áreas donde dichos agentes están revolucionando la Supply Chain Management.
1. Automatización de Procesos. La IA puede automatizar tareas repetitivas de variada complejidad, como, por ejemplo: gestión automática de pedidos, optimización de rutas de transporte, programación de producción adaptativa a las condiciones de la demanda.
2. Optimización de la Planificación y Previsión de la Demanda. Los agentes de IA tienen la capacidad de analizar cantidades de datos históricos, tendencias de mercado y variables externas para predecir la demanda con mayor precisión, facilitando la reducción de inventarios, minimizando los quiebres de stock y logrando una mejor asignación de recursos.
3. Mejora en la Toma de Decisiones. Los agentes de IA proporcionan conocimientos basados en datos que permiten tomar decisiones más precisas y rápidas. Esto se traduce en: respuestas más ágiles a disrupciones en la SC, identificación proactiva de oportunidades de mejora, evaluación de escenarios «que-pasa-si» para en la planificación estratégica.
4. Mejora Continua y Aprendizaje. Los agentes de IA tienen la capacidad de aprender y mejorar constantemente basándose en nuevos datos y resultados, lo que lleva a: perfeccionamiento continuo de los procesos, adaptarse a nuevas condiciones de mercado, innovación constante en las prácticas de SCM.
5. Gestión de Riesgos. La IA puede identificar patrones y anomalías que podrían pasar desapercibidos para el ojo humano, permitiendo: detección temprana de problemas, implementación de medidas preventivas, mitigación de riesgos en la SC.
En el próximo artículo presentaré como se generan los agentes de IA, cuáles son los componentes y las herramientas disponibles para desarrollarlos, teniendo en cuenta los tipos y características de los entornos.
Autor: Jorge Aballay
Ing. Industrial –Facultad de Ingeniería, UBA
Profesor del IEEC.
CPIM, SCOR-P, ITIL, Data Analyst and Data Scientist Certificate with Python Track (DataCamp) y otros de Udemy, Coursera, Kaggle.
Publicaciones: https://ieec.edu.ar/author/jaballay/
Nota: la imagen de cabecera y la primera imagen del artículo fue creada con Copilot | Designer, la interior se desarrolló para este artículo.
