Las empresas de éxito son aquellas capaces de equilibrar la demanda de sus productos y servicios con su oferta. Parece obvio, y siempre ha sido así.
“El IBP integra la estrategia, la cartera, la demanda, la oferta y las finanzas en un único plan de negocio, bajo la responsabilidad de la alta dirección, mediante un proceso mensual de replanificación centrado en las excepciones, lo que da como resultado un único plan operativo con un horizonte renovable de 24 meses o más”.” (Oliver Wight, 2005)
Aunque el objetivo y la estructura del proceso no han cambiado en los últimos 20 años —desde que pasó de limitarse a equilibrar la oferta y la demanda a generar un único plan integrado destinado a obtener el máximo valor empresarial global—, la rapidez y la calidad de esta integración son hoy en día completamente diferentes.
Un sistema data más integrado, con mayor capacidad de procesamiento y el uso de herramientas de inteligencia artificial, ha permitido gestionar un nivel de complejidad que antes era meramente una aspiración: los escenarios que antes tardaban semanas en elaborarse ahora se actualizan en tiempo real, el data, que antes se encontraba aislado en silos, ahora es comparable, y las decisiones que dependían de interminables reuniones de coordinación pueden reducirse ahora a meras confirmaciones.
Hemos observado un grado muy variable de adopción de la IA en el ámbito de la planificación y el presupuesto integrados (IBP) en todo el mercado. Si bien algunos sectores y funciones ya han dominado las herramientas y han alcanzado la madurez en su aplicación, otros retos siguen latentes y sin abordarse adecuadamente, tal y como se muestra en la tabla siguiente:
| Etapa del IBP | Madurez | Lo que ya se aplica en la práctica | Ejemplo Artefact |
|---|---|---|---|
| Revisión del portafolio | Bajo | Uso de la IA generativa para consolidar los datos de I+D y marketing y simular escenarios de cartera. | Gran sector B2B de la industria de las fragancias: implementación de inteligencia artificial generativa (GenAI) que convierte conceptos de marketing visual en descripciones técnicas y búsquedas de fórmulas. Resultados: 99%: reducción del tiempo dedicado a la verificación cruzada de la cartera (de varios días a tan solo 20 minutos) y un incremento de 35 veces en el número de simulaciones de nuevas fórmulas analizadas. |
| Revisión de la demanda | Alto | Modelos de aprendizaje automático que incorporan múltiples factores que influyen en la demanda, más allá de las ventas históricas: estacionalidad, condiciones meteorológicas, mercado y señales comerciales. | Líder en el sector de la distribución de gas: un centro unificado de inteligencia artificial que integra y prevé las curvas de demanda comercial de GLP a granel y envasado. Resultados: • Reducción del 2% en el MAPE global para la previsión de la demanda en comparación con el modelo anterior. • Reducción de 33% en los errores críticos de planificación comercial. • Se ha multiplicado por cuatro el número de carteras de clientes que operan dentro del nivel ideal de precisión en el suministro. |
| Revisión del suministro | Medio-alto | Gemelos digitales y optimización mediante aprendizaje automático para la toma de decisiones sobre capacidad, asignación y niveles de existencias. | Sector agroindustrial: simulador de planta y modelo de optimización adaptado a múltiples líneas de producción, lo que permite reducir las pérdidas y optimizar el margen por planta. |
| Conciliación integrada | Bajo-medio | Agentes que consolidan automáticamente el data procedente de distintas áreas para agilizar la conciliación de los planes operativos, comerciales y financieros. | Sector minorista: Herramienta que integra datos de expansión, geomarketing y finanzas data, y que elabora un estudio de viabilidad completo para una nueva tienda en cuestión de minutos (un proceso que antes requería semanas de trabajo de tres equipos). |
| Resumen ejecutivo | Bajo | BI aumentado que permite explorar escenarios en lenguaje natural, con resultados adaptados al perfil del directivo. | Sector de bienes de consumo: un proceso de varios años en el que se han desarrollado casos de uso integrales que conectan las áreas de finanzas, fijación de precios, operaciones y recursos humanos, lo que demuestra que el valor aumenta cuando los casos de uso se interconectan, en lugar de permanecer aislados. |
Como era de esperar, cuanto más se aproxima una etapa a un problema estadístico bien definido, más rápida ha sido su adopción. Cuanto más depende de la negociación organizativa, más lenta es su madurez.
Esto también indica en qué merece la pena invertir en este momento. En función de la importancia de la etapa en la que se encuentre el sector y de la madurez de la empresa, los responsables de la cadena de suministro y de las tecnologías de la información deben evaluar los proyectos piloto y los proyectos estructurales. En una empresa de bienes de consumo de rápida rotación (FMCG), por ejemplo, disponer de una previsión basada únicamente en series temporales supone quedarse muy rezagado con respecto a lo que se ha venido haciendo hasta ahora y generar valor para la competencia desde hace años. Desde otra perspectiva, para las empresas de los sectores cosmético o farmacéutico, caracterizados por un elevado ritmo de innovación, invertir en el avance de la revisión de la cartera, a pesar de su bajo grado de madurez, puede generar una ventaja competitiva significativa.
Lo que la IA aún no resuelve
A pesar de los notables avances, también observamos algunos retos intrínsecos en el proceso del IBP que siguen dependiendo en gran medida del criterio humano y de un profundo conocimiento del contexto organizativo.
- Establecimiento de objetivos e incentivos. Los departamentos de ventas, operaciones y finanzas suelen medir una misma transacción de diferentes maneras (volumen, margen, OTIF), y cada área se centra en optimizar su propio indicador clave de rendimiento (KPI). Ningún modelo resuelve esto por sí solo, ya que no se trata de un problema de data ni de precisión: es un problema de gobernanza, que consiste en decidir de forma explícita qué quiere priorizar la empresa cuando los objetivos departamentales entran en conflicto. Hasta que no se establezca esta definición con el punto de referencia adecuado, la IA solo automatizará el conflicto.
- Colaboración más allá de los límites de la organización. Las herramientas CPFR y VMI existen desde hace décadas y siguen evolucionando, pero ampliar su aplicación —es decir, sincronizar los planes con los proveedores y distribuidores de forma sistemática— sigue estando muy lejos de ser una realidad para la mayoría de las empresas de Brasil. Se trata de un cuello de botella estructural: depende de los contratos, de la confianza comercial entre las partes y de la compatibilidad de los sistemas entre los socios, y no solo de la tecnología disponible.
- Confianza en los modelos y en la adopción de la inteligencia artificial. Incluso cuando el modelo es técnicamente capaz, la organización se muestra reacia a transferirle el poder de decisión. Esta reticencia es, en gran medida, sensata; las decisiones sobre capacidad y cartera acarrean consecuencias demasiado costosas como para delegarlas sin un historial probado de precisión. El proceso implica un periodo de validación paralelo, en el que el modelo demuestra su precisión antes de asumir la toma de decisiones, en lugar de un salto directo de “sin IA” a “IA al mando”.”
La próxima tendencia: de asistente a agente coordinador
Es probable que los avances del nuevo IBP, que aprovecha la inteligencia artificial, en fases como la planificación de la demanda y la revisión del suministro sigan generando resultados superiores para las empresas y se integren cada vez más con el resto de fases del proceso. La visión de una cadena de suministro totalmente autónoma sigue siendo una aspiración, pero ya existen ejemplos de agentes que recopilan señales del mercado y noticias relevantes para dar forma a la demanda, activan automáticamente modelos de optimización y señalan inconsistencias antes de que un ser humano tenga que buscarlas.
En este nuevo escenario, la rutina del analista de IBP sufre una profunda transformación. El profesional que antes dedicaba dos tercios de su tiempo a consolidar datos dispersos de data, estructurar tablas dinámicas y organizar columnas para extraer información —solo para luego alinear casillas en presentaciones que quedaban obsoletas nada más crearlas— verá cómo su día a día cambia radicalmente. Su atención se centrará cada vez más en el análisis crítico y la verificación del trabajo de los agentes, la negociación con proveedores y clientes, y la identificación de oportunidades dentro del plan. Un trabajo mucho más interesante y con mayor valor añadido. Y es precisamente este analista, liberado de las tablas dinámicas, quien impulsará la madurez de las etapas que aún se encuentran rezagadas.
Dado que el objetivo del IBP de equilibrar la oferta y la demanda sigue siendo el mismo, pero sus herramientas han evolucionado hacia la dimensión de la IA, los conocimientos acumulados por los gerentes y directores en el proceso cobran aún más valor. Lejos de sustituir décadas de experiencia y de interpretación contextual, la IA es capaz de ampliar el alcance de este capital humano, lo que permite a los líderes utilizarlo para experimentar allí donde antes veían limitaciones, generando eficiencia en cada etapa crítica y sentando las bases para una plataforma más ágil e inteligente a medio plazo.
