Resumen Técnico: Inteligencia de Decisión Aumentada por LLM para la Evaluación de Riesgos en la Cadena de Suministro en Tiempo Real

1. Planteamiento del Problema

Los sistemas modernos de la cadena de suministro operan en entornos volátiles donde los paradigmas convencionales de gestión de riesgos —que dependen de modelos estáticos basados en reglas y análisis de tendencias históricas— son estructuralmente insuficientes. Estos enfoques tradicionales no logran capturar las disrupciones compuestas y multidimensionales que se propagan de forma no lineal a través de nodos interconectados de la cadena de suministro. Si bien los Modelos de Lenguaje Extensos (LLM) ofrecen capacidades sólidas para el razonamiento sobre datos empresariales no estructurados, su despliegue independiente carece del fundamento cuantitativo y determinista requerido para la priorización de riesgos auditable en entornos regulados. Por el contrario, el Análisis de Modo de Falla y Efectos (FMEA) tradicional proporciona una cuantificación de riesgo rigurosa mediante Números de Prioridad de Riesgo (RPN), pero suele ser intensivo en términos de mano de obra manual y carece de la adaptabilidad necesaria para señales dinámicas en tiempo real.

El problema central abordado es la falta de un marco unificado que combine la auditabilidad determinista del FMEA con la adaptabilidad contextual de los LLM para permitir una evaluación de riesgos en la cadena de suministro de alto nivel y en tiempo real.

2. Metodología

El artículo propone una arquitectura de inteligencia de decisión modular de seis capas diseñada para la integración empresarial. El marco opera de la siguiente manera:

• Capa 1 (Ingestión de Datos): Acepta flujos heterogéneos (ERP, CRM, feeds logísticos) y valida los esquemas de entrada.
• Capa 2 (Ingeniería de Características): Calcula y normaliza seis características primarias relevantes para el riesgo: duración del retraso ($d$), desviación de la demanda ($\Delta D$), nivel de inventario de reserva ($I$), confiabilidad del proveedor ($R$), clase de riesgo de transporte ($TR$) y un indicador de fraude.
• Capa 3 (Cuantificación de Riesgo FMEA): Calcula las puntuaciones de Severidad ($S$), Ocurrencia ($O$) y Detección ($D$) en una escala de [1,10] para producir un Número de Prioridad de Riesgo (RPN) determinista y una Probabilidad de Desabastecimiento ($P_s$). El modelo de $P_s$ está fundamentado en el marco clásico del "newsvendor", capturando interacciones no lineales entre el retraso, la desviación de la demanda y el inventario.
• Capa 4 (Razonamiento Contextual de LLM): Envía cargas útiles (payloads) de JSON estructuradas (variables de escenario + puntuaciones FMEA) a un LLM de grado empresarial (clase GPT-4). El LLM realiza la detección de anomalías contextuales, ajusta las puntuaciones de detección para fallas basadas en integridad (ej. fraude) y genera explicaciones de riesgo en lenguaje natural. El sistema utiliza una temperatura baja ($T=0.2$) para asegurar el determinismo de la salida.
• Capa 5 (Síntesis de Inteligencia de Decisión): Agrega las puntuaciones FMEA y las salidas del LLM mediante un mecanismo de fusión ponderada. El sistema está explícitamente calibrado para optimizar la Sensibilidad (Recall) sobre la Precisión, basándose en la Proposición 1, que postula que en contextos de cadena de suministro, el costo de un falso negativo (disrupción no detectada) supera significativamente el costo de un falso positivo.
• Capa 6 (Interfaz de Salida Empresarial): Expone los resultados a través de una API REST compatible con plataformas SAP, Oracle y Salesforce.

Diseño Experimental:
El marco fue validado utilizando dos conjuntos de datos complementarios:

1. Conjunto de Datos de Cadena de Suministro Inteligente DataCo: Un benchmark del mundo real de 180,519 registros de transacciones. El objetivo es el riesgo de entrega binario (Entrega Tardía/Envío Cancelado), que representa el 59.1% de los datos.
2. Simulación Parametrizada: Un conjunto de datos sintéticos de 120 escenarios discretos diseñados para someter a pruebas de estrés las interacciones de riesgo compuesto y los umbrales no lineales bajo condiciones controladas.

3. Contribuciones Clave

1. Arquitectura Híbrida: Una integración novedosa de la puntuación RPN formal basada en FMEA con el razonamiento contextual de LLM dentro de un flujo de trabajo empresarial unificado de seis capas.
2. Benchmark Sintético: Un benchmark de 120 escenarios teóricamente fundamentado con un modelo de probabilidad de desabastecimiento determinista derivado del marco del "newsvendor", lo que permite la realización de pruebas de estrés reproducibles de casos límite.
3. Validación Empírica: Evaluación rigurosa en el conjunto de datos DataCo, demostrando una superioridad estadísticamente significativa sobre las líneas base, incluyendo validación cruzada estratificada de 5 pliegues y análisis de ROC-AUC.
4. Identificación de Umbrales Operativos: La identificación de un umbral de riesgo no lineal crítico donde las condiciones concurrentes de Inventario de Reserva < 10%** y **Duración del Retraso > 5 días conducen a una probabilidad de desabastecimiento cercana a 1.0 y una escalada de costos no lineal.

4. Resultados Clave

Validación en el Mundo Real (Conjunto de Datos DataCo)

• Rendimiento de Sensibilidad (Recall): El marco propuesto logró una sensibilidad del 96.8%, superando significativamente al Sistema Basado en Reglas (70.4%) y al Árbol de Decisión (58.3%). Esta alta sensibilidad es crítica dado que la estructura de costos es asimétrica, donde las disrupciones omitidas son mucho más costosas que las falsas alarmas.
• Significancia Estadística: La prueba de McNemar confirmó la superioridad del marco LLM-FMEA sobre la línea base con $\chi^2 = 156.4$ ($p < 0.001$).
• Estabilidad: La validación cruzada de 5 pliegues mostró un rendimiento altamente estable (Sensibilidad: $96.9\% \pm 0.4\%$).
• Contexto de Precisión: Aunque la precisión del marco (59.3%) es menor que la del Árbol de Decisión (71.1%), los autores argumentan que este es un compromiso fundamentado. El sistema está calibrado para maximizar la sensibilidad en un conjunto de datos altamente desbalanceado (59.1% de clase positiva), alineándose con el punto operativo óptimo teórico definido en la Proposición 1.

Resultados de la Simulación Controlada

• Rendimiento: El marco alcanzó un 92.6% de precisión y un 93.8% de sensibilidad en el benchmark de 120 escenarios.
• Validez del FMEA: Se encontró una fuerte correlación de Pearson ($r = 0.89, p < 0.001$) entre el RPN calculado y el Impacto en el Costo, validando al FMEA como un proxy de riesgo financieramente fundamentado.
• Estudio de Ablación: El sistema híbrido completo superó a "Solo FMEA" (+15.7 puntos F1) y a "Solo LLM" (+14.5 puntos F1). El componente de LLM proporcionó el valor más significativo en la detección de fallas basadas en integridad (fraude) y en la estabilización de las clasificaciones en escenarios de RPN limítrofes donde la puntuación determinista era incierta.

5. Significado y Reivindicaciones

El artículo sostiene que la integración de la cuantificación determinista de FMEA con el razonamiento contextual de LLM produce una base escalable, auditable y operativamente robusta para la próxima generación de inteligencia de decisión en la cadena de suministro.

• Cerrando la Brecha: El marco aborda la brecha específica en la literatura existente donde los LLM se utilizan como asistentes independientes en lugar de integrarse con marcos de riesgo cuantitativos formales.
• Preparación Empresarial: A diferencia de la investigación de prueba de concepto, la arquitectura está diseñada explícitamente para el despliegue mediante APIs REST en los principales ecosistemas ERP/CRM (SAP, Oracle, Salesforce), considerando presupuestos de latencia (menos de 4 segundos) y modelos de costos ($0.01–$0.05 por transacción) como factibles para la adopción empresarial.
• Información Accionable: La identificación del umbral no lineal $I < 10\% / d > 5$ días proporciona una guía concreta y basada en datos para que las empresas ajusten sus políticas de stock de seguridad para segmentos de alto riesgo.

Los autores mantienen una postura modesta respecto a la generalizabilidad, reconociendo que, si bien el marco funciona bien en el conjunto de datos DataCo, se requiere validación en diversos sectores (ej. farmacéutico, defensa) con diferentes dinámicas de disrupción para realizar afirmaciones más amplias. El trabajo se posiciona como un prototipo validado que avanza hacia una infraestructura de grado de producción, con trabajos futuros previstos para la optimización mediante aprendizaje por refuerzo y arquitecturas de múltiples agentes.