
La asignación de stock con IA busca apoyar una decisión concreta: cómo distribuir existencias limitadas entre distintos destinos. El problema aparece cuando los pedidos superan la disponibilidad o cuando la mercadería está ubicada lejos de donde se necesita.
Esta decisión es diferente de definir cuánto inventario mantener. Aquí partimos de unidades existentes o de ingresos confirmados dentro de un horizonte y debemos decidir qué pedidos atender, desde dónde y en qué momento.
El resultado depende tanto de las estimaciones como de las prioridades comerciales y restricciones operativas.
Un modelo puede aportar estimaciones de demanda o riesgo de faltantes por sucursal. Esa información ayuda a anticipar dónde podría necesitarse la mercadería.
La estimación debe distinguirse del pedido realizado por cada sucursal. Una solicitud puede incorporar un margen preventivo o responder a criterios locales que no son comparables.
Conviene analizar existencias, compromisos y consumo esperado antes de utilizar las solicitudes como única señal de necesidad.
La decisión de distribución puede resolverse mediante reglas o modelos de optimización. Estos últimos representan objetivos y restricciones para buscar una solución factible.
La documentación de Gurobi sobre optimización de decisiones incluye la asignación de inventarios entre sus aplicaciones.
Por lo tanto, una solución puede combinar predicciones de IA con optimización matemática. También puede funcionar con reglas explícitas, sin aprendizaje automático. La elección debe responder a la complejidad del problema.
Antes de repartir, es necesario establecer cuántas unidades pueden utilizarse:
Un ingreso previsto para el viernes no puede atender una necesidad del martes. El análisis debe incorporar fechas, no solamente cantidades totales.
Las reglas pueden incluir compromisos mínimos, fechas prometidas, capacidad de transporte o presentación del producto.
Si una caja contiene doce unidades y no puede fraccionarse, la asignación debe respetar ese múltiplo.
Para formular este tipo de decisiones resulta útil la guía de modelos de programación lineal. Cuando las decisiones requieren unidades enteras o condiciones adicionales, el modelo debe representarlas expresamente.
Consideremos un ejemplo hipotético. Hay 100 unidades en un depósito central para distribuir entre tres sucursales.
| Sucursal | Compromisos prioritarios | Necesidad adicional estimada |
|---|---|---|
| A | 30 | 30 |
| B | 20 | 40 |
| C | 10 | 20 |
| Total | 60 | 90 |
Suponemos que los compromisos prioritarios deben atenderse primero, que no existen otras existencias y que las unidades pueden distribuirse individualmente.
Después de cubrir esos compromisos quedan:
100 − 60 = 40 unidades.
Como referencia inicial, repartimos las 40 unidades restantes proporcionalmente a la necesidad adicional:
40 × 30 / 90 = 13,33.40 × 40 / 90 = 17,78.40 × 20 / 90 = 8,89.Redondeando mediante una regla explícita que conserve el total, asignamos 13, 18 y 9 unidades adicionales.
| Sucursal | Compromisos cubiertos | Reparto adicional | Asignación total |
|---|---|---|---|
| A | 30 | 13 | 43 |
| B | 20 | 18 | 38 |
| C | 10 | 9 | 19 |
| Total | 60 | 40 | 100 |
Esta es una referencia didáctica, no una solución óptima demostrada. Si cambian los objetivos o existen costos de transporte diferentes, podría convenir otro reparto.
En el ejemplo, la IA podría estimar la necesidad adicional de cada sucursal. El reparto proporcional es una regla independiente.
Para justificar la asignación de stock con IA, debemos comprobar si esas estimaciones mejoran la distribución frente a las señales disponibles actualmente.

Probá la recomendación contra alternativas como orden de llegada, reparto proporcional o prioridades comerciales actuales.
La comparación debe utilizar la misma disponibilidad y respetar las mismas restricciones. De lo contrario, podríamos atribuir al modelo una ventaja que proviene de condiciones diferentes.
Un primer análisis puede realizarse con Excel Solver, cuando el tamaño y la formulación del problema lo permitan.
Proponemos observar:
| Indicador | Pregunta |
|---|---|
| Pedidos completos | ¿Cuántos compromisos se atendieron sin dividir entregas? |
| Demora | ¿Qué necesidades quedaron pendientes y por cuánto tiempo? |
| Transferencias posteriores | ¿Hubo que corregir el reparto? |
| Costo de distribución | ¿Qué recursos requirió ejecutarlo? |
| Cambios de plan | ¿La recomendación fue suficientemente estable? |
Una asignación puede parecer conveniente en una planilla y generar rearmados continuos en el depósito. Por eso conviene considerar el costo de modificar decisiones ya ejecutadas.
Seleccioná un producto o familia con restricciones frecuentes y reconstruí decisiones pasadas. Revisá qué información estaba disponible en cada momento.
Después, generá recomendaciones en paralelo al proceso actual y registrá las diferencias. Esta etapa permite detectar restricciones omitidas antes de afectar entregas.
La asignación de stock con IA debería explicar qué objetivo prioriza, qué restricciones limitan el reparto y qué pedidos quedan sin atender. Si esas respuestas no son claras, todavía falta definir el problema.
Supongamos ahora que el depósito despacha únicamente cajas cerradas de diez unidades. Los compromisos de 30, 20 y 10 se pueden cubrir completos. Quedan cuatro cajas para repartir. La propuesta original de enviar 13, 18 y 9 unidades adicionales exige abrir tres cajas y deja de ser ejecutable.
Una regla posible asigna primero las cajas enteras de la cuota proporcional y luego entrega las restantes a los mayores residuos. Con esa regla, A recibe una caja adicional, B recibe dos y C recibe una. El reparto final es de 40, 40 y 20 unidades. Conserva el total de cien y respeta los compromisos iniciales.
Ahora sí vale discutir la excepción comercial. Si C tiene reparto todos los días y A vuelve a recibir mercadería recién el viernes, ¿conviene sostener esa proporción? Para responder hay que incorporar la próxima entrega al criterio de reparto. El registro de la decisión debería mostrar qué cambió, quién autorizó el ajuste y qué demanda quedó pendiente en cada sucursal.
Ver todas las aplicaciones de inteligencia artificial en operaciones.