Resumen Técnico: Agentes de IA para el Control de Inventarios: Complementariedad Humano-LLM-OR

Formulación del Problema

El artículo aborda el problema de control de inventarios multi-período, un desafío fundamental en operaciones donde un tomador de decisiones debe determinar las cantidades a pedir para satisfacer una demanda incierta en un horizonte finito. El escenario específico involucra un único producto con:

• Dinámica del Estado: Inventario disponible, pedidos en tránsito y demanda histórica.
• Incertidumbres: Demanda estocástica y tiempos de entrega estocásticos (incluyendo la posibilidad de pedidos perdidos donde los envíos nunca llegan).
• Objetivo: Maximizar el beneficio total, definido como los ingresos por ventas menos los costos de mantenimiento del inventario sobrante.
• Restricciones: Las decisiones se toman de forma secuencial con un retraso de observación de un período; las ventas perdidas no se reprograman.

El desafío central es que los algoritmos tradicionales de Investigación Operativa (OR), aunque están fundamentados teóricamente y son computacionalmente eficientes, dependen de supuestos rígidos (por ejemplo, demanda estacionaria, tiempos de entrega conocidos) que a menudo fallan cuando las distribuciones de la demanda cambian o cuando la información contextual (por ejemplo, estacionalidad, interrupciones en el suministro) es difícil de codificar formalmente. Por el contrario, los Modelos de Lenguaje Grande (LLM) ofrecen razonamiento flexible y conocimiento del mundo, pero carecen de la precisión matemática para cálculos óptimos de inventario y pueden estar mal calibrados con respecto a las estructuras de costos.

Metodología

El estudio se organiza en dos partes: una referencia algorítmica y un experimento con intervención humana.

Parte 1: Referencia Algorítmica (InventoryBench)

Los autores construyen InventoryBench, una referencia compuesta por 1.320 instancias:

• 720 Instancias Sintéticas: Basadas en 10 familias de patrones de demanda paramétrica (por ejemplo, estacionaria, cambios de media, tendencias, estacionalidad, autocorrelación) cruzadas con tres regímenes de tiempo de entrega (cero, fijo, estocástico) y tres fractiles críticos (relaciones de costo).
• 600 Instancias Reales: Derivadas de datos históricos de ventas de 200 productos de moda distintos de H&M, incorporando patrones de demanda del mundo real y descripciones de productos.

Se evalúan cuatro métodos de toma de decisiones utilizando tres LLM de vanguardia (Gemini 3 Flash, Grok 4.1 Fast, GPT-5 Mini):

1. OR: Una política de stock base acotada basada en datos que utiliza estimaciones empíricas de la demanda.
2. LLM: Un agente que toma todas las decisiones basándose en el contexto y el historial sin entrada de OR.
3. OR→LLM: La tubería de OR genera una recomendación; el LLM la revisa (con razonamiento) y decide si anularla.
4. LLM→OR: El LLM estima parámetros inciertos (media de la demanda, varianza, tiempo de entrega) basándose en el contexto; estas estimaciones alimentan la política de stock base acotada para el cálculo final.

Parte 2: Experimento con Intervención Humana

Un experimento controlado en el aula con 69 participantes jugando un juego de inventario basado en la web a través de tres modos de colaboración:

• Modo A (OR→Humano): Los humanos reciben recomendaciones de OR y toman la decisión final.
• Modo B (OR→LLM→Humano): Los humanos reciben recomendaciones de OR, el razonamiento/recomendación del LLM, y toman la decisión final.
• Modo C (OR→LLM + Orientación Humana): El LLM toma decisiones autónomas; los humanos proporcionan orientación estratégica de alto nivel en puntos de control periódicos.

Marco Teórico para la Complementariedad

El artículo introduce un marco teórico para distinguir entre la complementariedad a nivel de población y a nivel individual.

• Nivel de Población: El rendimiento promedio del equipo supera el máximo del rendimiento promedio humano y el rendimiento promedio de la IA.
• Nivel Individual: El rendimiento colaborativo de un individuo específico supera el máximo de su rendimiento individual y el rendimiento individual de la IA.
• Contribución: Los autores derivan un límite inferior libre de distribución (Teorema 1) sobre la fracción de individuos que experimentan complementariedad estrictamente positiva. Este límite se estima utilizando la estadística de Kolmogorov–Smirnov entre las distribuciones del rendimiento individual y el colaborativo, permitiendo la estimación de beneficios individuales sin observar a la misma persona bajo ambas condiciones.

Resultados Clave

Rendimiento Algorítmico

• Complementariedad: Los métodos híbridos superan consistentemente a los métodos aislados. OR→LLM logra el mejor rendimiento general (recompensa normalizada de 0.538), una mejora del 21% sobre OR solo.
• Fortalezas Contextuales: Los LLM sobresalen en la detección de cambios de demanda, incorporando conocimiento específico del producto (por ejemplo, estacionalidad de trajes de baño) e identificando interrupciones en el suministro (pedidos perdidos).
• Precisión Matemática: Los algoritmos de OR proporcionan la precisión necesaria para los cálculos de stock base, particularmente bajo tiempos de entrega deterministas.
• Calibración: Los LLM puros están menos calibrados a las estructuras de costos (fractiles críticos) que los métodos OR o híbridos. A medida que aumenta la influencia del LLM, la respuesta al fractil crítico disminuye.
• Sensibilidad al Tiempo de Entrega: Bajo tiempos de entrega estocásticos (con pedidos perdidos), los métodos donde el LLM toma la decisión final (OR→LLM) son superiores porque pueden detectar y adaptarse a envíos perdidos, mientras que los métodos basados en OR no logran ajustarse al inventario en tránsito faltante.

Interacción Humano-IA

• Superioridad del Modo B: El modo OR→LLM→Humano (Modo B) produce el rendimiento más alto, superando significativamente tanto al Modo A (OR→Humano) como al Modo C (LLM + Orientación).
• Valor del Juicio Humano: Los modos de colaboración humana superan a sus contrapartes automatizadas (Modo A > OR; Modo B > OR→LLM), demostrando que el juicio humano agrega valor más allá de los métodos automatizados por sí solos.
• Complementariedad Individual: Aplicando el límite inferior teórico, el estudio encuentra que el 30% al 60% de los individuos experimentan complementariedad estrictamente positiva. Esto indica que las ganancias no son meramente un efecto de selección (donde humanos débiles siguen a la IA y humanos fuertes la ignoran), sino que representan una sinergia genuina donde los humanos utilizan el razonamiento de la IA para mejorar sus propias decisiones.
• Mecanismos de Valor: Los humanos agregan valor reaccionando a las tendencias de la demanda, detectando anomalías (como pedidos perdidos) y aplicando razonamiento estacional; capacidades que reflejan las fortalezas de los LLM sobre el OR puro, sugiriendo una relación de "copiloto" donde ambos agentes razonan contextualmente pero con perfiles de error diferentes.

Significado y Afirmaciones

El artículo afirma proporcionar evidencia sistemática de que la gestión efectiva de inventarios se beneficia de un sistema complementario en lugar de la sustitución de un método por otro.

• Sinergia: OR proporciona disciplina estructural y precisión matemática; los LLM contribuyen con conocimiento del mundo y razonamiento contextual; los humanos proporcionan juicio situacional y supervisión.
• Novedad en la Investigación Humano-IA: Contrario a hallazgos anteriores que sugieren que la colaboración humano-IA a menudo degrada el rendimiento o no supera el mejor componente individual, este estudio demuestra una complementariedad genuina en un entorno de toma de decisiones secuencial con señales contextuales ricas.
• Contribución de Recursos: Los autores lanzan InventoryBench (una referencia de 1.320 instancias) y el Juego de Inventarios Humano-IA (interfaz web de código abierto) para facilitar la investigación futura en gestión de la cadena de suministro y colaboración humano-IA.

Los autores concluyen que, aunque quedan abiertas muchas direcciones (por ejemplo, arquitecturas de agentes más ricas, grupos de participantes más amplios), sus resultados establecen que la integración de OR, LLM y juicio humano crea una tubería de decisiones que es robusta ante cambios de demanda e incertidumbres en el suministro, superando a cualquier componente individual en aislamiento.