IA agéntica en S&OP: ¿a quién despides cuando el agente se equivoca?
Todos los proveedores venden planificación autónoma. Gartner predice que las máquinas resolverán el 60% de las disrupciones para 2031 — y que el 40% de los proyectos agénticos serán cancelados para 2027. Ambas cosas son ciertas. Así se sostienen las dos a la vez.
Hay una pregunta que termina la mayoría de las demos de IA agéntica cuando se dice en voz alta: ¿a quién despides cuando el agente se equivoca?
El proveedor dirá que el agente opera dentro de barreras de contención, que hay un humano en el circuito, que la decisión es auditable. Todo cierto, y todo fuera de lugar. Porque la promesa entera de la IA agéntica en planificación es sacar al humano del circuito para una porción creciente de decisiones. En el momento en que hace eso a escala, la responsabilidad tiene que vivir en algún lado, y en un proceso multifuncional como S&OP, la responsabilidad ya era lo que no funcionaba.
Esta es la brecha entre la promesa de la IA agéntica y su realidad. No es una brecha tecnológica. Es la misma brecha de gobernanza que ha estado matando silenciosamente los procesos de S&OP durante treinta años, ahora corriendo a velocidad de máquina.
Qué significa "agéntica" esta vez
Vale la pena ser preciso, porque el término está haciendo mucho trabajo de marketing. La diferencia sustantiva entre la IA agéntica y el machine learning que los sistemas de planificación han usado por una década son tres cosas: razonamiento multipaso (descomponer un problema y llamar herramientas para resolver las partes), orquestación entre sistemas de registro, y memoria (el agente registra por qué tomó una decisión y qué pasó después).
Este es un cambio real de interfaz y orquestación. No es un cambio de precisión de optimización. El optimizador es el mismo; lo que lo envuelve ahora puede actuar en más pasos sin que un humano haga clic en cada uno.
Gartner enmarca el destino como un espectro: automatización de tareas, luego aumentación de decisiones, luego autonomía plena de la cadena de suministro. Gartner espera que la autonomía de la cadena de suministro se vuelva predominante en los próximos cinco a diez años. La palabra "predominante" y la frase "cinco a diez años" cargan peso ahí. La mayor parte del valor desplegado hoy se ubica firmemente en la banda intermedia: aumentación, con una puerta de aprobación humana.
Las predicciones, leídas con cuidado
Dos titulares de Gartner definen el caso optimista, y ambos se citan constantemente sin sus calificadores.
El primero: para 2030, la mitad de las soluciones de gestión de la cadena de suministro usarán agentes inteligentes para ejecutar decisiones de forma autónoma. El segundo: Gartner predice que el 60% de las disrupciones de la cadena de suministro se resolverán sin intervención humana para 2031.
Leídas con precisión, estas son predicciones sobre disponibilidad de producto de los proveedores y el límite superior de decisiones automatizables, no sobre lo que la empresa promedio realmente va a correr. Y la misma casa analista publica el contrapeso: Gartner dice que la planificación autónoma ya pasó el Pico de Expectativas Infladas en su Hype Cycle, y que la confianza sigue siendo la restricción vinculante. La comunidad de directores de cadena de suministro, en las propias encuestas de Gartner, espera confiar decisiones autónomas en solo un pequeño porcentaje de su costo de bienes vendidos.
El número más importante, entonces, no es el 60% ni el 50%. Es este: Gartner predice que más del 40% de los proyectos de IA agéntica serán cancelados para fines de 2027, por costos escalando, valor de negocio poco claro o controles de riesgo inadecuados.
Sostén ambas cosas en la cabeza. La misma firma que pronostica que las máquinas resolverán la mayoría de las disrupciones para 2031 pronostica que casi la mitad de los proyectos que intentan llegar ahí estarán muertos para 2027. No son contradictorias. La primera es el destino; la segunda es la tasa de bajas en el camino.
Lo que realmente está en producción
Aquí la prueba de honestidad se pone más difícil, porque la brecha entre "disponible en general" y "corriendo de forma autónoma en producción" es amplia.
Lo que genuinamente está desplegado se concentra en las capas de tarea y ejecución, no en la capa de decisión multifuncional:
- Los primeros adoptantes de Kinaxis usan Maestro para soporte de decisiones con aprobación humana: el ejemplo farmacéutico redujo la identificación de riesgo de inventario de 40 clics a 4, lo cual es aumentación, no autonomía.
- o9 reportó más de 30 puestas en marcha en un solo trimestre de 2025, pero son puestas en marcha de soluciones de planificación, no agentes autónomos corriendo sin supervisión.
- Blue Yonder reportó grandes volúmenes de tareas de almacén optimizadas, a nivel de ejecución, no en S&OP.
El patrón es inequívoco: la autonomía se está logrando en el almacén, en transporte, en la última milla, entornos acotados con retroalimentación clara y bajo contenido político. No se está logrando en la decisión multifuncional de S&OP, porque ahí es donde viven los conflictos no resueltos de la organización.
El problema de S&OP que los agentes no pueden resolver
S&OP no es un proceso tecnológico. Es un proceso de gestión general cuya responsabilidad se le entregó a supply chain sin la autoridad para hacerlo funcionar. Ya he escrito sobre esto antes; el punto relevante aquí es qué pasa cuando apuntas un agente autónomo hacia él.
La analista de cadena de suministro Lora Cecere ha hecho el argumento estructural repetidamente: las organizaciones intentan trabajar juntas en S&OP pero no tienen claras las reglas, con líderes que cargan definiciones distintas de excelencia en cadena de suministro. Los modos de falla son la propiedad, los incentivos y los derechos de decisión, no los algoritmos.
Un agente desplegado en ese entorno no resuelve el conflicto. Automatiza uno de sus lados. Si comercial infla el pronóstico a la baja y finanzas acolchona el presupuesto, un agente entrenado con esos datos aprende a reproducir el inflado y el acolchonado a velocidad. No has quitado la política. La has codificado y acelerado.
La escuela Darden de la Universidad de Virginia enmarca la salida de esto como pasar del purgatorio de los pilotos a cadenas de suministro autónomas emparejando deliberadamente los niveles de autonomía con los perfiles de riesgo. Traducido: no existe un S&OP autónomo de propósito general. Existe un portafolio de decisiones específicas, cada una con su propio perfil de riesgo, que se pueden automatizar progresivamente a medida que se gana confianza. El triage de excepciones puede ir primero. El número de consenso de demanda no puede, no hasta que el proceso debajo de él tenga un dueño.
Las barreras, ordenadas
Sintetizando las encuestas 2025 de Gartner, el análisis de Darden y la observación directa de practicantes, las barreras a un S&OP autónomo se ordenan más o menos así, y nota qué tan abajo de la lista queda "tecnología".
- Confianza y explicabilidad: la barrera número uno en los datos de Gartner.
- Calidad de datos y gobernanza de datos maestros: los agentes entrenados con datos de prueba fallan en producción.
- Gobernanza e infraestructura de auditoría: ¿quién aprueba, quién audita, quién revierte?
- Madurez del proceso de S&OP: la disfunción preexistente se automatiza.
- Gestión del cambio y preparación de la fuerza laboral: Gartner encontró que solo el 27% de los ejecutivos tiene una estrategia integral de IA y solo el 20% cree que su fuerza laboral está realmente lista para la IA.
- Fragmentación de integración y cadena de herramientas.
- Ambigüedad de ROI: la mayoría de las organizaciones que atribuyen algún impacto en EBIT a la IA dicen que es menos del 5% del EBIT.
El riesgo que nadie está considerando: el efecto látigo a velocidad de máquina
El clásico efecto látigo propaga las distorsiones de demanda río arriba porque cada eslabón reacciona de más al eslabón de abajo. La propagación toma semanas, lo cual es, perversamente, una característica de seguridad. Las semanas le dan tiempo a un humano para notar que algo anda mal e intervenir.
Los sistemas agénticos actuando a velocidad de máquina eliminan ese margen. Un agente mal calibrado en un eslabón puede disparar reacciones automatizadas en tres eslabones más antes de que cualquier humano vea un tablero. La distorsión que solía tomar un trimestre en propagarse por una red de suministro ahora puede hacerlo en un día. Hemos pasado décadas diseñando S&OP para amortiguar el efecto látigo. Apuntar agentes rápidos y sin supervisión a la misma red corre el riesgo de amplificarlo en lugar de eso, y la falla sería a la vez más rápida y más difícil de rastrear.
Qué hacer realmente en 2026
Para un líder de planificación, la postura defendible no es ni el rechazo ni el disparo a la luna.
Compra la capacidad a tu proveedor incumbente en lugar de como una apuesta independiente; Gartner señala que la IA está en el Valle de la Desilusión hasta 2026 y se venderá con más frecuencia por el proveedor incumbente que comprada como una nueva apuesta arriesgada. Despliega primero a nivel de tarea: triage de excepciones, recomendación de parámetros, análisis post-ciclo, con puertas de aprobación humana. Invierte en gobernanza de datos e infraestructura de auditoría antes de dejar que cualquier agente ejecute una decisión. Y resiste la tentación específica de meter agentes en el consenso de S&OP antes de que el proceso tenga dueño claro e incentivos alineados, porque un agente que vota sin una vía de responsabilidad acelerará el sesgo del interesado más ruidoso, no lo eliminará.
Luego vigila la tasa de cancelación como tu propio indicador líder. Si tu piloto pasa dieciocho meses sin impacto económico medible, está en el cohorte del 40%, y el movimiento honesto es decirlo.
La conclusión incómoda
La cadena de suministro autónoma está técnicamente más cerca de lo que piensan los escépticos y organizacionalmente más lejos de lo que admiten los proveedores. La restricción nunca fue el algoritmo. Es que S&OP es un proceso sobre quién tiene la razón cuando las funciones discrepan, y no puedes automatizar tu salida de un desacuerdo que no has resuelto.
La IA agéntica entregará valor real en los bordes de la planificación, rápido. Entregará un S&OP autónomo más o menos cuando las organizaciones arreglen los problemas de propiedad e incentivos que ya impiden que S&OP funcione, es decir, no por la tecnología, y no en el cronograma de la tecnología.
¿A quién despides cuando el agente se equivoca? Hasta que puedas responder eso, no estás listo para dejarlo decidir.
Sources
- Gartner. (2025). Gartner Predicts Half of Supply Chain Management Solutions Will Include Agentic AI Capabilities by 2030. gartner.com
- Gartner. (2026). Gartner Predicts 60% of Supply Chain Disruptions Will Be Resolved Without Human Intervention by 2031. gartner.com
- Gartner. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. gartner.com
- Gartner. (2025). Autonomous Planning Has Passed the Peak of Inflated Expectations. gartner.com
- Gartner. (2025). How CSCOs Can Maximize Growth With Autonomous Supply Chains. gartner.com
- Gartner. (2026). 2026 Supply Chain Surge: Growth, Control Costs, and AI Truth. gartner.com
- Kinaxis. (2025). Maestro Agents. kinaxis.com
- o9 Solutions. (2025). o9 Reports Strong Q3 2025: 30+ Go-Lives. o9solutions.com
- Blue Yonder / Business Wire. (2026). Blue Yonder Transforms Retail Supply Chains With New AI-Driven Innovations. businesswire.com
- Cecere, L. In Search of Supply Chain Excellence. Supply Chain Movement; LinkedIn.
- Laseter, T., & DuVall, T. (2025). From Pilot Purgatory to Autonomous Supply Chains. UVA Darden Ideas to Action.
- McKinsey & Company. (2025). The State of AI in 2025. mckinsey.com