Doxa 2604

Por qué la IA agencial podría transformar el aprovisionamiento

Por Heiner Himmelreich, Ilan Oshri, Paolo Scala y Anas Zaidani

IA generativa

Harvard Business Review

#Doxa #IAAgencial #Aprovisionamiento #AutomatizaciónInteligente #CadenaSuministro #NegociaciónAutónoma #GestiónProveedores #EficienciaOperativa #AnálisisPredictivo #Resiliencia #TransformaciónDigital

Resumen. El área de compras se beneficia de la IA con agentes más que casi cualquier otra función empresarial, ya que su trabajo es estructurado, cuantificable financieramente y está repleto de tareas que requieren un juicio profundo y que se han resistido a la automatización tradicional. Sin embargo, su adopción sigue siendo baja porque las verdaderas barreras son organizativas, no tecnológicas. Las empresas que están teniendo éxito están rediseñando sus procesos de compras en torno a la IA, en lugar de simplemente añadir nuevas herramientas a los flujos de trabajo existentes. Están otorgando a compras la responsabilidad de las iniciativas de IA, fortaleciendo la base de datos, integrando la gobernanza en las implementaciones desde el principio y midiendo los resultados comerciales en lugar del uso. Quienes implementan estos cambios ya están mejorando la productividad, la gestión de proveedores y el rendimiento financiero, y creando ventajas que serán difíciles de igualar para la competencia.

En toda la empresa, la IA con capacidad de gestión de agentes está pasando de la fase piloto a la de producción.

Según una encuesta reciente sobre la adopción de IA agente en 385 organizaciones, los equipos de desarrollo de software han alcanzado el 35%, las operaciones de TI el 31% y el marketing el 26%. Sin embargo, el departamento de compras se queda muy atrás, con tan solo un 9%.

Esa brecha resulta sorprendente, porque es en el ámbito de la contratación pública donde la base de evidencia para la IA con agentes es más sólida, el retorno de la inversión es más evidente y la diferencia entre el potencial y la práctica actual es mayor.

La función parece hecha a medida para la IA automatizada. Sus flujos de trabajo son de gran volumen y parcialmente estructurados. Sus resultados (selección de proveedores, términos contractuales, niveles de gasto) son directamente medibles en términos financieros. Sus puntos débiles (procesamiento manual de documentos, datos de proveedores fragmentados, señales de riesgo no detectadas) coinciden precisamente con las capacidades de los sistemas autónomos. Y, sin embargo, su adopción es lenta. ¿Por qué?

La limitación no es tecnológica, sino organizativa. Podemos afirmarlo con seguridad porque hemos estudiado las compras a lo largo de más de una década de transformaciones tecnológicas, desde la planificación de recursos empresariales (ERP) y la automatización robótica de procesos (RPA) hasta la automatización inteligente, lo que nos brinda una perspectiva privilegiada sobre el cambio organizativo que se está produciendo actualmente con la IA con agentes.

En este artículo, que se basa no solo en investigaciones recientes sino también en entrevistas exhaustivas realizadas con líderes de compras y proveedores de tecnología de diversos sectores, comenzaremos explicando por qué las compras están estructuralmente predispuestas a beneficiarse de la IA con agentes. A continuación, analizaremos la experiencia práctica de organizaciones que ya están aprovechando este valor, identificaremos las barreras organizativas que limitan su adopción y concluiremos con siete acciones que los líderes pueden implementar de inmediato para mejorar.

Por qué el departamento de compras debería liderar el cambio hacia la gestión activa.

El departamento de compras combina tres características que rara vez se encuentran juntas en otras áreas. Cada una de ellas, por sí sola, justificaría la asignación de agentes; juntas, hacen que el departamento de compras esté mejor posicionado para obtener beneficios que casi cualquier otra función de la empresa.

La primera es la visibilidad económica. Pocas funciones traducen la actividad en resultados financieros de forma tan directa. Las mejoras en la selección de proveedores, la disciplina de precios, los términos contractuales y el cumplimiento normativo repercuten inmediatamente en el resultado final, cuantificable en la misma moneda que utiliza el director financiero.

El segundo aspecto es la estructura de procesos a gran escala. Desde la incorporación de proveedores hasta la gestión de solicitudes de propuestas (RFP) y el seguimiento de contratos, las compras operan mediante flujos de trabajo repetibles de múltiples pasos, precisamente los entornos en los que los agentes que pueden razonar, actuar y adaptarse a diferentes tareas aportan un valor desproporcionado.

El tercer factor es la fricción persistente. La mayoría de las organizaciones de compras aún dependen de la intervención manual en puntos críticos: validación de documentos, evaluación de riesgos de proveedores, clasificación errónea de categorías y coordinación de partes interesadas. No se trata de casos aislados, sino de ineficiencias sistémicas, y la mayoría se ha resistido a la automatización tradicional precisamente porque requieren criterio en lugar de seguir reglas.

Para comprender el valor que la gestión de compras puede obtener mediante la adopción inteligente de la IA, consideremos una importante empresa energética que gestiona una de las mayores operaciones de compras de Europa. Cada año, entre 30 000 y 40 000 proveedores solicitan su inclusión en su registro. Cada solicitud implica hasta 25 documentos y un proceso de cualificación de más de 20 pasos. Un equipo de aproximadamente 25 personas gestiona las nuevas solicitudes y el seguimiento continuo de 18 000 proveedores activos. Durante años, el cuello de botella fue estructural y el riesgo real. Un proveedor que pagara los salarios con retraso o evadiera impuestos podía causar graves daños a la reputación antes de que el equipo de cumplimiento se percatara. La única solución parecía ser contratar más personal, hasta 2025.

Fue entonces cuando, con apoyo externo para la implementación, la empresa desplegó un conjunto de agentes de IA para gestionar la cualificación y el seguimiento. El proceso ahora es algo así:

• Un agente de IA guía a los proveedores entrantes a través del formulario, identificando cuándo han seleccionado la categoría de servicio incorrecta de una lista de 30 a 40 opciones, un error que ocurre en aproximadamente el 30% de las solicitudes.
• Un segundo proceso prioriza la cola cotejando los proveedores que la empresa realmente necesita en las próximas semanas.
• Un tercer proceso analiza fuentes estructuradas y no estructuradas (sistemas internos, bases de datos de terceros y la web abierta) para detectar señales de incumplimiento, como impuestos impagados, conflictos laborales y acusaciones de fraude contra ejecutivos.
• Una cuarta opción ofrece al director de compras un informe conversacional sobre cualquier proveedor antes de una reunión, extrayendo datos que, de otro modo, el director de compras tardaría una hora en recopilar manualmente.

Seis meses después de la puesta en marcha del primer agente de IA, la acumulación de pedidos pendientes se había reducido en un 20 %. Los índices de satisfacción de los proveedores habían aumentado. La precisión, que partía del 60 % en la primera pasada, había subido a entre el 70 % y el 80 %, y se encaminaba hacia el 95 % a plena capacidad. El sistema no era perfecto y nunca se diseñó para funcionar sin supervisión humana. Pero para un equipo de 25 personas que gestionaba un flujo de trabajo que, de otro modo, habría requerido mucha más gente, fue transformador.

Un importante fabricante de equipos originales para la industria automotriz ofrece otro modelo de implementación de agentes que se encuentra en una etapa más avanzada de madurez y está orientado a una categoría de valor diferente. La empresa ha reconstruido su modelo operativo de adquisiciones en torno a resultados comerciales: mejora en la negociación, ahorros generados e impacto en el EBIT. El proceso comenzó en 2023 con proyectos piloto de GenAI basados ​​en texto (asistentes de licitación y herramientas similares), pero la empresa pronto descubrió que el tiempo que estos liberaban no podía monetizarse dentro de los procesos heredados. En 2024, pasó de optimizar casos de uso individuales a rediseñar todo el ciclo de vida de las adquisiciones con IA integrada en su lógica comercial.

El resultado es un ecosistema integrado de agentes vinculados a palancas económicas específicas en la selección, el perfilado, la licitación y la negociación de proveedores. Aproximadamente el 70 % del trabajo de compras se gestiona ahora mediante una única interfaz de chat, con un gestor que coordina la recuperación de información, la ejecución de herramientas y la integración del sistema. Una prueba A/B controlada de tres meses produjo mejoras significativas en la velocidad, un aumento cuantificable en la negociación y una contribución sustancial al EBIT, todo ello monitorizado con las mismas métricas aplicadas al rendimiento general de las compras, sin utilizar indicadores indirectos específicos de la adopción de la IA.

Estos no son ejemplos aislados. En nuestra investigación, hemos observado que la IA con agentes está empezando a transformar la gestión de compras de maneras que las encuestas y las presentaciones a proveedores aún no han reflejado. Una empresa global de servicios ha implementado nueve agentes y siete sistemas RPA en producción para la automatización de licitaciones. Un proveedor líder de software empresarial ha desarrollado una plataforma de análisis, razonamiento y acción que opera a lo largo de toda la cadena de suministro. Una importante empresa de servicios ha codificado su enfoque en un marco de compras propio con el objetivo de lograr un aumento de productividad del 45 %. Una importante cadena europea de tiendas de descuento ha alcanzado el punto en que 18 de sus 30 empleados de compras utilizan herramientas de IA generativa a diario. Se trata de sistemas en producción, no de prototipos de investigación, y ofrecen resultados medibles.

¿Por qué la mayoría de las organizaciones se están quedando atrás?

Si la tecnología es viable y sus ventajas son sólidas, ¿por qué su adopción en el ámbito de las compras sigue siendo tan baja? Tres barreras se repiten constantemente en nuestras entrevistas, no como limitaciones técnicas, sino como decisiones de diseño organizativo.

El primer aspecto es la rendición de cuentas y el control. Las adquisiciones se basan en estructuras de aprobación formales. Se sitúan en la intersección de los ámbitos legal, financiero y operativo, y sus decisiones conllevan consecuencias contractuales y financieras. La introducción de sistemas que influyen activamente en las decisiones de abastecimiento plantea interrogantes sobre la responsabilidad y la auditabilidad que simplemente no surgen en una herramienta de marketing o un programa de desarrollo de software. La mayoría de las organizaciones responden limitando la autonomía de los agentes y preservando la aprobación humana con tanta firmeza que neutralizan los beneficios de los sistemas basados ​​en agentes.

El segundo problema es la propiedad fragmentada. En muchas empresas, el departamento de compras se beneficia de las iniciativas de IA, pero no es el propietario. Las soluciones son diseñadas e impulsadas por los equipos de TI o los equipos digitales centrales, con una participación operativa limitada por parte del propio departamento de compras. El resultado es una discrepancia previsible entre el diseño del sistema y la realidad operativa. Los proyectos piloto tienen éxito en condiciones controladas, pero la escalabilidad se estanca cuando los sistemas se enfrentan a la compleja y caótica realidad de los flujos de trabajo de aprovisionamiento reales.

El tercer problema radica en que los datos se consideran un añadido de última hora. Los datos maestros de proveedores son inconsistentes. La categorización de gastos es incompleta. Los sistemas heredados de planificación de recursos empresariales no se diseñaron como entrada para sistemas autónomos, y los datos que contienen suelen estar fragmentados entre unidades de negocio, regiones geográficas y adquisiciones. Sin embargo, muchas organizaciones intentan implementar agentes antes de abordar estos problemas fundamentales, para luego concluir que la tecnología ha fallado cuando, en realidad, los datos nunca le dieron la oportunidad.

Un modo de fallo similar se repite en nuestra investigación. Los proyectos piloto de asistencia en licitaciones generan mejoras en la productividad local, pero el tiempo liberado no se puede monetizar, ya que los procesos circundantes no se han rediseñado para aprovecharlo. Los profesionales con los que hablamos denominan a esto el problema de la «etapa de la creencia»: se lanzan los proyectos piloto, se celebra su adopción, pero la rendición de cuentas sobre el valor sigue sin estar clara. Muchas iniciativas de IA se estancan ahí indefinidamente.

El denominador común es claro: las organizaciones están intentando integrar la IA con capacidad de gestión de agentes en los modelos operativos existentes, en lugar de rediseñar los modelos en torno a ella.

El camino a seguir

Las empresas que hoy obtienen valor de la IA con agentes están tomando decisiones específicas sobre propiedad, secuencia, fundamentos, autonomía, capacidad, gobernanza y medición. Ninguna es principalmente técnica, y cada una potencia el valor de las demás. Esto es lo que han descubierto los líderes que están a la vanguardia:

Que el departamento de compras sea el propietario, no el beneficiario. En las implementaciones a gran escala, el departamento de compras lidera de principio a fin: define el caso de uso, gestiona las métricas de éxito y se responsabiliza del resultado operativo. El departamento de TI facilita la solución, pero no la impone. Las decisiones que conlleva cualquier implementación basada en agentes las toman quienes vivirán con las consecuencias.

Empieza por donde el dolor sea mayor. En lugar de seleccionar casos de uso de bajo riesgo, es mejor centrarse en los procesos con los cuellos de botella económicos u operativos más evidentes: la incorporación de proveedores, la generación de solicitudes de propuestas (RFP) y el monitoreo del cumplimiento. Las implementaciones avanzadas que hemos analizado van aún más allá. En lugar de enfocar la IA en la adquisición de tecnología (que suele representar una pequeña parte del gasto total con un margen de negociación limitado), se centran en materiales directos y servicios complejos. El principio es la concentración de valor, lo que acelera el aprendizaje y produce resultados demasiado significativos como para ignorarlos cuando surgen preguntas sobre la escalabilidad.

Trate los datos como infraestructura. Aborda la calidad de los datos ahora, no después. Es un requisito indispensable para la autonomía, fundamental antes de que los agentes puedan tomar decisiones. Las inversiones en datos maestros de proveedores, taxonomía de gastos e integración se realizan desde el principio, no se implementan posteriormente tras un fallo en el despliegue. Acepta que esto retrasará el lanzamiento visible de tu primer agente y considéralo como el precio a pagar por una ventaja acumulativa.

Diseño para una autonomía gradual. No conciba la autonomía como un interruptor binario. Diseñe una progresión deliberada desde el rol de asesor hasta la toma de decisiones con intervención humana, y finalmente, la plena autonomía bajo supervisión. Esta progresión no será uniforme en todas las tareas. En áreas estructuradas y de bajo riesgo (análisis repetitivo, validación de contratos), los agentes avanzarán rápidamente. En actividades de alto riesgo, como las negociaciones, el agente podría permanecer en un rol de asesor indefinidamente. La autonomía es una herramienta, no un fin en sí misma.

Desarrollar capacidades, no solo casos de uso. En lugar de lanzar proyectos aislados, cree “fábricas de agentes” internas: enfoques repetibles para identificar, implementar y escalar agentes en todo el proceso de compras. Considere la primera implementación como el inicio de una cartera. El equipo que la creó la lleva adelante en la siguiente, con componentes reutilizables, y estos componentes y patrones de gobernanza compartida se mantienen en cada implementación posterior. Los profesionales de compras pasarán de ser ejecutores de tareas a gestores de un ecosistema de agentes, aplicando su criterio donde la IA se queda corta. La ventaja se multiplica, por lo que a quienes se incorporen más tarde les resultará cada vez más difícil ponerse al día.

Incorpore la gobernanza desde el principio. Integre la gobernanza como parámetro de diseño. Los derechos de aprobación, los registros de auditoría, las rutas de escalamiento y los mecanismos de anulación deben especificarse antes de que el primer agente entre en funcionamiento, y no negociarse después de que surja una cuestión de cumplimiento. Las implementaciones maduras van más allá: cada agente debe contar con un caso de inversión claro desde el principio, vinculado a una fase específica del proceso de adquisición, una palanca de valor definida e indicadores clave de rendimiento (KPI) financieros medibles. Esto obliga a cada agente a operar bajo el mismo escrutinio que un comprador o gerente de categoría humano, y evita el modo de fallo más común en las implementaciones basadas en agentes, que ocurre cuando un piloto funcional no se puede escalar porque la capa de gobernanza se añadió tardíamente.

Mida los resultados comerciales, no la adopción. Realice un seguimiento de la IA con agentes utilizando las mismas métricas que aplica al rendimiento general de las compras: ahorros generados, mejora en la negociación, reducción de costes, contribución al EBIT y rapidez en la toma de decisiones en situaciones críticas. Considere como secundarias las métricas de proceso, como la reducción del tiempo de ciclo, el uso de chatbots o la adopción de programas piloto. La medición basada en el valor es lo que transforma la IA con agentes de una función de apoyo a una cocreadora de resultados económicos.

...

El departamento de compras no se ha quedado atrás en la adopción de la IA con capacidad de gestión por la inmadurez de la tecnología. Se ha quedado atrás porque las implicaciones organizativas son más complejas y porque históricamente esta función se ha organizado de forma que resulta difícil abordar dichas implicaciones. Pero esto está cambiando. Las organizaciones que hemos analizado en este artículo no esperaron a que se dieran las condiciones perfectas. Comenzaron con un enfoque limitado, realizaron mediciones honestas y ampliaron lo que funcionó. Ese es el modelo. La tecnología está lista. La pregunta ya no es si el departamento de compras adoptará la IA con capacidad de gestión, sino qué organizaciones serán las primeras en obtener esa ventaja.

Lea más sobre IA generativa o temas relacionados: IA y aprendizaje automático, automatización, tecnología y análisis, gestión del cambio, modelos de negocio y gestión de la información.

Heiner Himmelreich es socio y director de Boston Consulting Group, donde lidera el trabajo en tecnología y ventaja digital. Su trabajo se centra en la transformación digital y la aplicación estratégica de tecnologías emergentes en diversos sectores.

Ilan Oshri es el director de CODE (Centro para la Empresa Digital) de la Universidad de Auckland y un destacado experto en estrategia digital y externalización. Su investigación analiza cómo las organizaciones gestionan y obtienen valor de la transformación digital y basada en inteligencia artificial.

Paolo Scala es consultor sénior en BCG Platinion, la unidad de diseño e implementación tecnológica de BCG, con sede en Milán. Está especializado en la transformación impulsada por la tecnología y la operacionalización de la IA avanzada en entornos empresariales complejos.

Anas Zaidani es director de BCG Platinion, la unidad de diseño e implementación tecnológica de BCG, con sede en Bruselas. Miembro de la red global de expertos de BCG en abastecimiento y adquisición de tecnología, se especializa en transformaciones a gran escala impulsadas por la optimización de costos, el abastecimiento de tecnología y los modelos operativos basados ​​en inteligencia artificial.