Este artículo se centra en el papel de la inteligencia artificial en la diligencia debida en la cadena de suministro y discute tanto los desafíos, limitaciones y beneficios de la IA dentro de un proceso de diligencia debida integral, así como cómo puede evolucionar en el futuro.
Ha habido mucha discusión y debate sobre el uso de la IA en la diligencia debida en la cadena de suministro. Las referencias a términos como Internet de las cosas (IoT), big data, web scraping y relaciones inferidas han ganado cada vez más popularidad en los medios de comunicación y en las discusiones sobre la diligencia debida en la cadena de suministro. La sociedad está aprovechando cada vez más el poder de Internet y los desarrollos tecnológicos para cambiar la forma en que vivimos y trabajamos. El debate es generalizado, al igual que la confusión en torno a las capacidades de las tecnologías emergentes y su capacidad para apoyar prácticas de compras sostenibles.
La carrera hacia cero emisiones netas en todos los sectores industriales está creando una competencia sin precedentes por los materiales crudos, la experiencia, los subcontratistas y los proveedores que se necesitan con urgencia. Esta creciente demanda está teniendo implicaciones ambientales y sociales. Hay casos de trabajo forzado vinculado a la fabricación de paneles solares, deforestación amazónica vinculada a la fabricación de turbinas eólicas y daños a los stocks marinos y pesqueros en Indonesia debido a la minería ilegal de níquel.
Es innegable que las nuevas tecnologías de IA como la detección de medios adversos y el análisis de imágenes satelitales juegan un papel en nuestra capacidad para proteger a las personas y al planeta, pero al tratar con problemas complejos y a menudo ocultos dentro de la cadena de suministro, ¿es suficiente confiar en estos desarrollos?
¿Qué es la IA?
Primero, asegurémonos de que todos entendamos a qué nos referimos con IA. Hay varios tipos diferentes de IA. Estos términos se refieren a diferentes conceptos dentro del campo de la inteligencia artificial. Quizás de manera poco útil, a menudo se confunden o se utilizan indistintamente, en particular IA Estrecha, IA Generativa e IA General, que se explican a continuación.
IA Estrecha (o IA Débil): Se refiere a sistemas de IA diseñados y entrenados para una tarea específica o un conjunto limitado de tareas. La mayoría de las aplicaciones de IA en uso hoy en día, como los asistentes de voz como Siri o Alexa, sistemas de reconocimiento de imágenes y algoritmos de recomendación, caen en la categoría de IA estrecha.
IA Generativa: La IA generativa típicamente se refiere a un subconjunto de inteligencia artificial que se enfoca en crear nuevo contenido o datos en lugar de simplemente analizar o clasificar información existente. A menudo implica modelos que pueden generar resultados realistas y novedosos, como imágenes, texto o incluso escenarios completos, basados en los patrones y la información que han aprendido de los datos de entrenamiento. Ejemplos de IA generativa incluyen generadores de texto como Chat GPT-3, generadores de imágenes y otros modelos capaces de crear nuevo contenido.
IA General (Inteligencia Artificial General o IAG): Por otro lado, la IA general se refiere a un tipo de inteligencia artificial que posee la capacidad de comprender, aprender y aplicar conocimientos en una amplia gama de tareas, similar a la inteligencia humana. La IAG sería capaz de realizar cualquier tarea intelectual que pueda realizar un ser humano, adaptarse a situaciones nuevas y desconocidas y demostrar una comprensión amplia de diversos dominios.
A diferencia de la IA Generativa y Estrecha, que están diseñadas para tareas específicas, la IAG es hipotética y actualmente no existe. Alcanzar la IAG sigue siendo un objetivo a largo plazo en el campo de la investigación en IA, así que, por ahora, este artículo se centrará en la IA Estrecha y Generativa.
Desafíos de la IA
Si bien la IA Generativa y Estrecha pueden ofrecer beneficios significativos para mejorar la eficiencia, la precisión y la toma de decisiones durante la diligencia debida en la cadena de suministro, también hay varios desafíos y problemas asociados con su implementación.
Unos pocos operadores sin escrúpulos que emplean trabajo forzado, minan ilegalmente o contaminan mares y ríos no pondrán información sobre sus actividades comerciales donde la IA Generativa de hoy pueda encontrarla. Algunos de los problemas clave incluyen:
Calidad y fiabilidad de los datos: Los sistemas de IA Generativa dependen en gran medida de la calidad de los datos utilizados para su entrenamiento y toma de decisiones. Si los datos de entrada son inexactos, incompletos o sesgados, es probable que los resultados y las decisiones generadas sean incorrectos o defectuosos.
Privacidad y seguridad de los datos: Los datos de la cadena de suministro a menudo incluyen información sensible sobre empresas, proveedores y clientes. Garantizar la privacidad y seguridad de estos datos es crucial para prevenir el acceso no autorizado, las violaciones o el mal uso.
Complejidad de las cadena de suministro: Las cadenas de suministro pueden ser intrincadas e involucrar a numerosas partes interesadas, lo que dificulta su modelado y análisis. Los algoritmos de IA Generativa pueden tener dificultades para capturar la complejidad completa de las redes globales de cadena de suministro.
Falta de estandarización: La ausencia de formatos de datos y protocolos estandarizados en toda la cadena de suministro puede obstaculizar la integración y interoperabilidad de los sistemas de IA. Diferentes empresas pueden utilizar sistemas diferentes, lo que dificulta la creación de una solución universal.
Riesgos interconectados: Los riesgos de la cadena de suministro suelen estar interconectados, y la IA Generativa puede tener dificultades para analizar y predecir efectos cascada. Por ejemplo, una interrupción en una parte de la cadena de suministro puede tener efectos en cascada en toda la red.
Preocupaciones éticas: El uso de IA en la diligencia debida de la cadena de suministro plantea preocupaciones éticas, como el sesgo algorítmico y el potencial de consecuencias no deseadas, como evidenció recientemente el AI Gemini de Google. Los sistemas de IA pueden perpetuar inadvertidamente sesgos existentes o tomar decisiones que tengan impactos sociales o ambientales negativos.
Naturaleza dinámica de las cadenas de suministro: Las cadenas de suministro son dinámicas, con cambios constantes en la demanda, la oferta, las regulaciones y los factores geopolíticos. Los sistemas de IA pueden tener dificultades para adaptarse rápidamente a estos cambios, lo que lleva a información desactualizada o inexacta.
Validez de los datos sensibles al tiempo: Ciertos procesos de diligencia debida de la cadena de suministro de IA dependen de la recopilación de datos de empresas disponibles públicamente que pueden estar contenidos en informes financieros o de sostenibilidad anuales. Debido al ciclo de informes retrospectivos de las empresas que divulgan esta información, a menudo puede estar desactualizada o ser irrelevante en el momento en que se ha recopilado y analizado.
Acceso a información de niveles inferiores: Muchos proveedores dentro del mundo complejo de la cadena de suministro de una empresa no publican ni divulgan información públicamente. A menudo, las micro y pequeñas empresas conservan información en papel o en sus servidores de la empresa, lo que hace casi imposible que las soluciones de IA accedan a la información.
El papel beneficioso de la IA Generativa
A pesar de estos desafíos, la IA puede y jugará un papel cada vez más importante en mejorar la diligencia debida en la cadena de suministro y el pensamiento basado en riesgos cuando se implemente cuidadosamente. Ya se está utilizando día a día y seguirá evolucionando para incluir:
Garantía de calidad de datos: Priorizar la calidad de los datos mediante la implementación de procesos de validación y limpieza de datos. Utilizar algoritmos de IA para identificar y rectificar inconsistencias, errores y valores atípicos en los datos.
Análisis avanzado para la complejidad de la red: Empleo de análisis avanzados y algoritmos de aprendizaje automático para modelar y analizar redes de cadena de suministro complejas. Estas herramientas ayudan a proporcionar información sobre dependencias, vulnerabilidades y riesgos potenciales en toda la red.
Monitoreo de cumplimiento regulatorio: Las herramientas de IA pueden y se están utilizando para monitorear y garantizar el cumplimiento de las regulaciones pertinentes.
Gestión integrada de riesgos: Sistemas de gestión de riesgos integrados impulsados por IA que consideran riesgos interconectados. Esto puede implicar simular y analizar diversos escenarios para identificar posibles efectos cascada y desarrollar estrategias proactivas de mitigación.
Visibilidad y trazabilidad de la cadena de suministro: Aprovechar las tecnologías de IA como blockchain y IoT (Internet de las cosas) para mejorar la visibilidad y trazabilidad de la cadena de suministro. Esto puede mejorar la precisión de los datos y proporcionar información en tiempo real sobre el movimiento de mercancías en toda la cadena de suministro.
Estos casos de uso solo aumentarán a medida que la tecnología se vuelva más madura y establecida. Por ejemplo, la IA Adaptativa o la IA que puede adaptarse a la naturaleza dinámica de las cadenas de suministro con mecanismos de aprendizaje continuo, en última instancia, permitirá la evolución y actualización basada en cambios en la demanda, la oferta y los factores externos.
IA y web scraping para la gestión de la cadena de suministro de PYMEs
Hoy en día, para las PYMEs, las soluciones totalmente automatizadas y del tipo web scraping pueden proporcionar una solución de gestión de cadena de suministro rentable, especialmente donde los riesgos sociales y ambientales, los requisitos de cumplimiento y la complejidad de la cadena de suministro son menores.
El papel de la IA en sectores de alto riesgo y complejos
En sectores industriales altamente regulados, complejos y de alto riesgo, en los que Achilles se especializa en brindar apoyo, es difícil imaginar un escenario en el que solo la IA pueda proporcionar la transparencia requerida, tanto en el futuro cercano como a largo plazo, o incluso, posiblemente, nunca.
Actualmente, el papel de la IA es y seguirá siendo un complemento a métodos más profundos y detallados. Estos métodos, aunque no sean tan modernos como la IA, involucran a personas reales, con ojos, oídos y muchos años de experiencia internacional, así como una comprensión profunda de los problemas complejos. Esta combinación es esencial para identificar las amenazas que acechan en las sombras de la cadena de suministro actual.
Ejemplos del mundo real
En Achilles tenemos la suerte de apoyar a clientes en todas las etapas de su viaje de diligencia debida, desde la evaluación de riesgos hasta la divulgación. Parte de ese proceso son nuestras auditorías in situ u las entrevistas a los trabajadores. Estas son actividades del tipo «botas en el suelo», en algunos de los lugares más inaccesibles y exigentes del planeta. Nuestros equipos de auditores utilizan sus ojos, oídos y vasta experiencia para profundizar aún más en las actividades de la empresa.
Un ejemplo reciente de esto son los posibles casos de trabajo forzado identificados en un sitio en Singapur. Uno de nuestros clientes, una empresa multinacional de energía, no sabía que a los trabajadores migrantes empleados a través de una agencia se les pedía que pagaran enormes depósitos para conseguir empleo y, en algunos casos, les quitaban sus documentos de identidad. Lamentablemente, este no es un caso aislado. Ya sea que se trate de productos químicos depositados en cursos de agua o deducciones salariales como forma de castigo financiero, nuestros equipos ven y escuchan estos problemas con sus propios ojos y oídos.
Hoy en día, aplicar una diligencia debida efectiva y cumplir con legislaciones de diligencia debida cada vez más rigurosas como Apenhetsloven, Bill S211, BRSR Core, CSDDD, Lieferkettengesetz y la Ley de Esclavitud Moderna requiere un enfoque amplio utilizando todas las herramientas disponibles para un negocio. Afortunadamente para nuestros clientes, hemos aprovechado estas herramientas y tenemos la experiencia para saber cuándo y cómo desplegarlas.
Lograr un equilibrio entre la automatización y la experiencia humana es crucial. La sobredependencia de la IA sin supervisión humana puede llevar a puntos ciegos y pasar por alto sutilezas, mientras que una automatización insuficiente puede resultar en ineficiencias. En un momento en el que el mundo enfrenta un aumento en los abusos de derechos humanos, el trabajo infantil, el trabajo forzado y la contaminación ambiental, además de luchar por reducir las emisiones y abordar el cambio climático, debemos utilizar todas las herramientas a nuestra disposición para crear transparencia y abordar los impactos adversos de nuestras transacciones comerciales. Reguladores, inversores y clientes estarían equivocados al aceptar algo menos.