Inteligencia artificial en la logística y la gestión de la cadena de suministro: una guía básica y un itinerario para la investigación

RESUMEN:

La aparición de la inteligencia artificial generativa (IA) tiene el potencial de transformar radicalmente la logística y la gestión de la cadena de suministro. Sin embargo, esta prometedora innovación se encuentra con un discurso académico que se ocupa de una interacción entre las capacidades prometedoras y los posibles inconvenientes. Esta conversación a menudo incluye predicciones distópicas de desempleo masivo y repercusiones dañinas en la integridad de la investigación académica. A pesar del hype actual, la investigación existente que explora la intersección entre la IA y la industria de la logística y la gestión de la cadena de suministro (LeGCS) sigue siendo limitada. Por lo tanto, este editorial busca llenar este vacío sintetizando las aplicaciones potenciales de la IA dentro del dominio de LeGCS junto con un análisis de los desafíos de implementación. Al hacerlo, proponemos un marco de investigación sólido como como guía e itinerario para futuras investigaciones. Esto proporcionará a los investigadores y a las organizaciones información y estrategias exhaustivas para navegar por el complejo escenario, pero prometedor panorama de la integración de la IA dentro del dominio de LeGCS.

PALABRAS CLAVE: ChatGPT, IA generativa, inteligencia artificial generativa, grandes modelos de lenguaje, LLM, gestión logística, gestión de la cadena de suministro

La inteligencia artificial generativa (en adelante, IA) se encuentra en la cima del ciclo de hype de Gartner con respecto a las tecnologías relacionadas con la logística y la gestión de la cadena de suministro (LeGCS). Diversas manifestaciones de la IA, incluida la automatización robótica de procesos (por ejemplo, robots colaborativos o "cobots"), técnicas de visión por computadora, reconocimiento de voz, aprendizaje profundo y automático, y procesamiento del lenguaje natural, han abierto nuevas vías para administrar de manera eficiente y efectiva la toma de decisiones y operaciones complejas (Pessot et al., 2023). La figura 1 ilustra las capacidades de las aplicaciones de IA existentes en el ecosistema empresarial. Estas capacidades de vanguardia pueden desarrollar potencialmente capacidades dinámicas, lo que permite a las organizaciones reinventar estructuras, flexibilizar políticas, innovar procesos y ofrecer nuevas improvisaciones hacia la creación de valor (Richey et al., 2022). Los gerentes de LeGCS ahora esperan una toma de decisiones excepcionalmente rápida, objetiva y basada en datos (Brau et al., 2023).

Sin embargo, todos hemos experimentado este hype alguna vez, ¿no es así? Hace solo unos años, los precios de las acciones se estaban disparando en las corporaciones (que pronto lo serían) sobrevaloradas, reclamando importantes inversiones en tecnología blockchain (Gligor et al., 2022; Treiblmaier y Garaus, 2023; Treiblmaier y Rejeb, 2023). La especulación cargada de hype es común en la práctica y la investigación de LeGCS, pues la tecnología es vital para mover bienes, información, finanzas y personas. No obstante, la IA se ve diferente de los avances tecnológicos anteriores. La IA ya ha demostrado diversos grados de éxito. Los individuos, como los editores, se están dando cuenta de inmediato de la capacidad de la IA para acumular texto escrito "plausible" (Boston Consulting Group, 2023). Los robots muestran una destreza notable, lo que hace que los no iniciados reflexionen sobre algunas de las películas de Arnold Schwarzenegger. Dejando a un lado el humor, nuestra pregunta de investigación en el Journal of Business Logistics (JBL) debería centrarse en qué, cuándo, cómo y por qué la IA realmente agrega valor. Aun así, la IA presenta una paradoja en el sentido de que reduce la participación humana en la simplificación de tareas, al tiempo que carga a los humanos con nuevas responsabilidades en la toma de decisiones derivadas de la información que genera.

Figura 1: Capacidades de la IA en aplicaciones empresariales existentes.

La IA generativa se refiere a la integración de modelos de aprendizaje automático para fabricar nuevos contenidos. Esto abarca texto, audio, video, imágenes, código de software y simulaciones basadas en grandes conjuntos de datos que entrenan el modelo generativo (Dwivedi, Kshetri, et al., 2023). Este subconjunto de tecnologías de IA incluye algoritmos como las redes generativas (del inglés generative adversarial networks - GANs), los grandes modelos de lenguaje (del inglés large language models -LLM) y las técnicas de aprendizaje por refuerzo con feedback humano (del inglés reinforcement learning with human feedback - RLHF) (Budhwar et al., 2023; Dwivedi, Kshetri, et al., 2023). La calidad de la salida depende de la calidad de la entrada, teniendo en cuenta tanto los datos de entrenamiento como los prompts proporcionados por los usuarios para definir la tarea deseada. La autenticidad de las respuestas de los modelos de IA generativa, como GPT4, es limitada, dado que estos algoritmos son "opacos" en su metodología, lo que no ilumina cómo se generaron las respuestas. Existe la preocupación de que estos algoritmos generen información espuria, eufemísticamente denominada "alucinaciones", y alimenta considerables preocupaciones sobre la confiabilidad. Esto conlleva importantes riesgos éticos y de reputación para la planificación de la cadena de suministro. Por ejemplo, Google perdió 100.000 millones de dólares en acciones debido a una respuesta inexacta de su chatbot de IA en Twitter durante una demostración en febrero de 2023 (Thorbecke, 2023).

La aparición del ChatGPT en la esfera pública ha desencadenado una ola de interés en el mercado de los chatbots de IA (Davenport, 2023). El anuncio de Microsoft de una inversión de 10.000 millones de dólares en OpenAI impulsó esta tendencia, impulsando a otros proveedores de tecnología a unirse a la carrera. Google presentó recientemente un servicio experimental llamado "Bard" y "Project Magi", con el objetivo de revolucionar las experiencias de búsqueda web (Data Scientist, 2023), mientras que Meta presentó LLaMA, un modelo de lenguaje que comprende 65 mil millones de parámetros (Meta, 2023). Del mismo modo, Baidu lanzó un servicio al estilo ChatGPT llamado "Wenxin Yiyan" en chino o "Ernie Bot" en inglés. Entre los participantes adicionales se encuentra Character.ai, un chatbot de IA capaz de hacerse pasar por personas famosas o personajes ficticios. La compañía surcoreana de motores de búsqueda Naver ha lanzado su propia herramienta de inteligencia artificial, HyperCLOVAX, que se ha incorporado a su motor de búsqueda y puede analizar y generar texto, imágenes, videos y audio. Del mismo modo, en el ámbito de LeGCS, Microsoft dio a conocer una nueva función llamada Dynamics 365 Copilot como parte de su plataforma de gestión de la cadena de suministro (Microsoft Dynamics 365, 2023). El recurso aprovecha la IA para ayudar a las empresas a monitorear y reaccionar rápidamente a las interrupciones que pueden afectar sus cadenas de suministro. Una vez identificado un posible riesgo, el sistema puede crear automáticamente un mensaje y enviarlo a los proveedores implicados. A través de esta aplicación de IA, Microsoft pretende aumentar la resiliencia de las cadenas de suministro, promoviendo una estrategia de operaciones comerciales más eficiente e informada.

Anticipamos que a medida que los nuevos participantes continúen ingresando al mercado de la IA, la tecnología se volverá más poderosa y sofisticada, ampliando sus aplicaciones comerciales y los posibles riesgos comerciales. En este contexto, la integración de redes neuronales líquidas con GPT permitirá que los modelos de IA aprendan de manera más efectiva después del entrenamiento inicial y de forma automática, con mínimas intervenciones humanas (Heater, 2023). Contrariamente al hype que rodea a los sistemas de IA generativa como GPT-4, las organizaciones se enfrentan a una tarea hercúlea en el entrenamiento y la puesta en funcionamiento de estos sistemas dentro de sus procesos comerciales existentes. Esto tiene profundas implicaciones para las organizaciones que planean implementar y utilizar la IA (Rese y Tränkner, 2024). El proceso de capacitación es intensivo en mano de obra y debe estar alineado con la estrategia organizacional. Esto plantea preguntas sobre el tipo de entrenamiento; existe una diferencia entre el dominio técnico de un sistema de IA y el conocimiento funcional del área de gestión u operaciones que pretende facilitar.

Por el contrario, los métodos tradicionales de IA suelen mostrar un enfoque más reactivo, utilizando datos para hacer predicciones, pero no necesariamente creando algo nuevo. Por ejemplo, el análisis de regresión, una forma de IA predictiva puede predecir la demanda basado en los datos históricos de ventas y logística. Sin embargo, no fabrica nuevos escenarios ni el impacto de alternativas estratégicas de la cadena de suministro. La IA puede predecir la demanda y formular una estrategia integral para satisfacer esa demanda, incluidas las actividades de sourcing , producción, distribución y servicio al cliente. También puede ampliar las estrategias alternativas al proporcionar una gama de opciones para los responsables de la toma de decisiones. La IA introduce un elemento de creatividad y la capacidad de generar nuevas ideas (Dwivedi, Pandey, et al., 2023). Para LeGCS, esto puede implicar el diseño de estrategias de sourcing, adquisición y gestión de inventario completamente nuevas. Permite un dinamismo y una capacidad de respuesta que no suelen asociarse a los sistemas de IA más tradicionales y basados en reglas.

En el dinámico ecosistema de LeGCS, la integración de la IA promete un cambio sísmico en los paradigmas operativos, remodelando fundamentalmente las prácticas tanto en la cadena ascendente, que abarca la adquisición de materias primas, las complejidades de la fabricación y las relaciones con los proveedores, como en la parte descendente, incorporando estrategias de distribución, compromiso con el cliente y servicios posventa (IBM, 2023). A medida que las organizaciones navegan por esta compleja transformación, se vuelve imperativo descifrar cómo la IA puede ser un catalizador para la innovación sin sucumbir a posibles trampas. La IA puede transformar las relaciones con los proveedores y la gestión del inventario a través del análisis predictivo y el procesamiento de datos en tiempo real. Sin embargo, esta transición requiere un examen sólido de las preocupaciones de seguridad y privacidad de los datos, garantizando la integridad y confidencialidad de la información confidencial. Además, una dependencia excesiva de los algoritmos de IA puede eclipsar potencialmente la experiencia humana, creando un delicado equilibrio que hay que mantener.

Al mismo tiempo, la cadena de suministro ascendente se beneficia de experiencias de cliente mejoradas facilitadas por insights y la personalización impulsada por IA. Sin embargo, esto debe abordarse con un enfoque consciente para evitar posibles dilemas éticos, como algoritmos sesgados o información errónea, que puedan surgir inadvertidamente durante la implantación de la IA (Ashok et al., 2022). Por lo tanto, a medida que las organizaciones contemplan la integración de la IA, es vital promover un enfoque abierto y proactivo para la formulación de políticas y la implementación de procesos. Esto incluye la elaboración de ajustes estructurales exhaustivos que aprovechen las eficiencias e innovaciones provocadas por la IA y aborden de manera preventiva los posibles desafíos, creando una trayectoria resiliente, ética y sostenible para la evolución de la industria de LeGCS. Esto incluye el desarrollo de una estrategia múltiple que involucre a las partes interesadas en todos los niveles y fomente los esfuerzos de colaboración para navegar por el terreno complejo pero prometedor que presenta la IA. Las investigaciones futuras en LeGCS pueden tratar de comprender cómo la IA puede transformar las prácticas tanto en cadenas ascendentes y descendentes, evitando las posibles trampas que deben tenerse en cuenta antes de que se realicen los planes de implementación estructurales, de políticas y de procesos.

APLICACIONES: EN BUSCA DEL DR. JEKYLL

Evaluación de sourcing y adquisiciones

La aplicación de la IA generativa en la evaluación y elección de proveedores ofrece un enfoque revolucionario, superando los métodos convencionales que suelen implicar el análisis y la toma de decisiones manuales. La capacidad de la IA para examinar rápidamente grandes cantidades de datos de muchos proveedores en potencial, al tiempo que tiene en cuenta una amplia gama de parámetros, como la rentabilidad, la calidad del producto, la fiabilidad, la eficiencia operativa y la sostenibilidad, permite generar una cartera ideal de proveedores. Además, la IA amplía su promoción de la inclusión y la igualdad al sugerir de forma proactiva estrategias para integrar las empresas propiedad de minorías, mujeres o veteranos militares en la cadena de suministro. Mejorada por sus capacidades de generación de texto, la IA puede proporcionar descripciones detalladas de las ventajas y desventajas de cada proveedor. Además, puede facilitar la creación de diversas tácticas de negociación y términos contractuales basados en datos históricos y el comportamiento previsto de los proveedores.

Mitigación de riesgos en la cadena de suministro

La utilidad de la IA generativa se extiende al ámbito de la gestión de riesgos (por ejemplo, político, económico, cultural y de socios), donde ayuda en la evaluación de riesgos basada en escenarios, generando modelos de disrupción potenciales, incluidos casos como insolvencia de proveedores, huelgas, calamidades naturales, pandemias y más. A través de un análisis detallado y continuo de las posibles interrupciones y los puntos de peligro, las empresas pueden diseñar estrategias resilientes para garantizar la continuidad del negocio. Por ejemplo, en una interrupción de la cadena de suministro, la IA puede generar alternativas viables basadas en varios factores vinculados a nuestras métricas tradicionales de calidad del servicio logístico (Mentzer et al., 2021), manteniendo así los objetivos de compensación del servicio al cliente. Estos modelos sofisticados también pueden desarrollar planes de contingencia para diversas interrupciones, incorporando toda la información de prompts de gestión.

Precisión de adquisición e inventario

Los poderes predictivos de la IA generativa facilitan pronósticos más precisos de la demanda y las ventas, lo que permite a las empresas programar los pedidos y las cantidades de sus proveedores de manera óptima. Esto permite prácticas de gestión ajustadas, mitigando el desperdicio y aumentando la eficiencia de los recursos y procesos. Además de la previsión de la demanda, una aplicación tradicional del modelo de IA, la IA generativa puede diseñar políticas de inventario flexibles, optimizando los costos de exceso o insuficiencia de inventario. Por ejemplo, puede formular estrategias para la gestión de inventario just-in-time, lo que podría reducir los costos de almacenamiento y mejorar el flujo de caja.

Distribución, transporte y coordinación logística

La IA generativa puede formular estrategias de distribución y rutas logísticas eficaces, teniendo en cuenta limitaciones y objetivos como la reducción de costos, la maximización del nivel de servicio, las interrupciones de corte de rutas, , las condiciones meteorológicas y las consideraciones medioambientales. Además, la IA puede desarrollar planes de backup en caso de interrupciones, como atascos de tráfico o clima severo. Con la capacidad de analizar grandes cantidades de datos diversos en tiempo real, incluidos el tráfico, el clima, las especificaciones de los vehículos y los costos de combustible, la IA puede idear las rutas de transporte más eficientes. Por ejemplo, el sistema de IA puede diseñar una ruta para un camión de reparto que haga varias paradas en una ciudad que minimice el tiempo de viaje o el uso de combustible. Además, la IA puede proporcionar justificaciones textuales para rutas seleccionadas, lo que brinda a los gerentes de logística una gama más amplia de opciones y facilita una toma de decisiones superior. Dadas las restricciones y estipulaciones explícitas, como las entradas, la IA generativa puede diseñar diseños óptimos para las actividades de almacenamiento y preparación de pedidos en los almacenes. Factores como la frecuencia de la demanda específica del artículo, las dimensiones físicas de la mercancía y las diversas capacidades de los dispositivos de almacenamiento y manipulación son esenciales para este diseño algorítmico.

Relaciones con los clientes

La IA generativa puede aprovecharse como chatbots dentro del sector de consumo para automatizar la interacción con los clientes. Esto implica proporcionar actualizaciones personalizadas sobre el estado del pedido, los tiempos de entrega estimados y abordar preguntas o reclamos. El resultado es una mejora de la satisfacción del cliente, la experiencia general, la calidad del servicio y la retención de clientes. En este contexto, estos modelos complejos pueden ayudar a crear estrategias de marketing y ventas adaptadas a distintos datos demográficos, productos o regiones de los clientes en función del análisis predictivo de los datos de los consumidores y las tendencias del mercado.

Prácticas sostenibles y éticamente conscientes

Al optimizar las rutas logísticas, minimizar las necesidades de almacenamiento y reforzar la utilización de los recursos, la IA puede ayudar a las empresas a disminuir su huella de carbono y promover la sostenibilidad. La IA puede diseñar modelos para discernir y evaluar las implicaciones sociales y medioambientales del abastecimiento de diversos proveedores, ayudando así a las empresas a priorizar las prácticas comerciales justas y el abastecimiento ético. Además, estos modelos se pueden implementar para diseñar estrategias de esfuerzos de distribución (particularmente en sectores como la salud y el suministro de alimentos) para garantizar la accesibilidad adecuada para las comunidades desatendidas en condiciones regulares y durante crisis o desastres. Por ejemplo, una empresa puede emplear la IA generativa para garantizar operaciones diligentes en la cadena de suministro. La IA puede examinar los datos de las auditorías de los proveedores, las presentaciones reglamentarias y los informes de los medios de comunicación para identificar los posibles riesgos de cumplimiento. Al detectar un riesgo, como el incumplimiento de las leyes laborales por parte de un proveedor, la IA puede sugerir un espectro de respuestas, como auditorías detalladas, búsqueda de proveedores alternativos o colaboración con los proveedores para abordar el problema (Pan y Nishant, 2023).

DESAFÍOS: CONTENER A MR. HYDE

En el panorama actual de LeGCS, la integración de la IA promete un potencial sin precedentes para la innovación y la eficiencia. Sin embargo, no está libre de importantes desafíos. La adopción e integración de la IA dentro de los marcos existentes genera una compleja gama de obstáculos que abarcan consideraciones éticas, privacidad de datos, transparencia y visibilidad (Morgan et al., 2023), los problemas de derechos de autor, la falta de modelos regulatorios y la adaptabilidad de la fuerza laboral (Budhwar et al., 2023; Dwivedi, Kshetri, et al., 2023). Además, la industria establece estrategias sólidas para protegerse contra posibles usos indebidos y violaciones de seguridad inherentes a las tecnologías de IA y sus variantes, al tiempo que fomenta una sinergia entre la experiencia humana y la inteligencia automatizada. A medida que la industria de LeGCS atraviesa este viaje transformador, explorar estos desafíos es vital para crear un camino a seguir que pueda aprovechar todo el potencial de la IA y, al mismo tiempo, mitigar los riesgos asociados, fomentando una industria de LeGCS que no solo sea tecnológicamente avanzada, sino también productiva, resiliente y sostenible. En este contexto, destacamos a continuación los desafíos vitales.

Entrenamiento de IA

El entrenamiento de aplicaciones de IA y sus variantes, como ChatGPT, presenta importantes retos a la hora de integrarlas con cualquier dominio, incluido el LeGCS. Estas aplicaciones requieren grandes cantidades de datos para funcionar de manera optimizada, y adquirir o generar estos datos puede requerir muchos recursos. Si bien los datos son uno de los ingredientes esenciales para poner en práctica la IA en cualquier aplicación empresarial, las organizaciones, especialmente los socios de la cadena de suministro de pequeñas y medianas empresas (PYMES), a menudo carecen de procesos de gestión de datos, políticas e infraestructura técnica sólidos, lo que puede obstaculizar significativamente su capacidad para aprovechar con éxito las aplicaciones de IA en diversas operaciones comerciales. Para los sistemas de IA como ChatGPT, los datos de alta calidad, diversos y representativos son esenciales para garantizar que los sistemas puedan generar resultados significativos y perspicaces en función del contexto de uso. Cualquier brecha, inexactitud o corrupción en los datos puede conducir a modelos de IA ineficaces o incluso contraproducentes, produciendo información errónea o perpetuando los sesgos existentes. Además, las organizaciones pueden tener dificultades para cumplir con los requisitos normativos en torno a la privacidad y la seguridad de los datos sin procesos de gestión de datos establecidos. La ausencia de datos rigurosos expone a una organización a ramificaciones legales, ya que puede violar involuntariamente las leyes que rodean el uso y manejo de datos, especialmente información personal o confidencial. Este aspecto se vuelve cada vez más crítico teniendo en cuenta el énfasis global en la protección de datos, como se ve con regulaciones como GDPR en Europa, nuevas reglas de derechos de autor para la IA propuestas por la Comisión Europea y una reciente sentencia histórica sobre imágenes creadas por IA que no son elegibles para la protección de derechos de autor en los EE.UU. Además, una política de gestión de datos inadecuada puede dificultar la escalabilidad y la utilidad. A medida que las empresas evolucionan, el volumen y la complejidad de los datos que manejan a menudo crecen exponencialmente. Sin procesos estructurados para gestionar estos datos de forma eficaz, las organizaciones pueden verse abrumadas e incapaces de aprovechar todo el potencial de las aplicaciones de IA, que prosperan en entornos de big data para ofrecer insights y análisis más profundos.

Problema de sesgos

El propio proceso de formación es susceptible de incorporar sesgos presentes en los datos de formación, lo que puede dar lugar a resultados sesgados y a procesos de toma de decisiones potencialmente fallos. Los informes de los medios de comunicación y la investigación académica han puesto de relieve numerosos casos en los que los sistemas de IA han mostrado un comportamiento sesgado. Los informes han mostrado que los sistemas de IA exhiben sesgos raciales, de género o de edad en diversas aplicaciones, como el reclutamiento, la calificación crediticia y la aplicación de la ley. Esto socava la credibilidad y la fiabilidad de los sistemas de IA y plantea graves preocupaciones éticas. La razón principal detrás de la incorporación de sesgos en cualquier modelo de IA es la presencia de datos sesgados utilizados durante la fase de entrenamiento. Estos sesgos pueden deberse a una serie de factores, como los datos históricos que contienen sesgos, la falta de representación de los grupos minoritarios y las perspectivas de los creadores que influyen en el proceso de recopilación de datos. Cuando los modelos de IA se entrenan con estos datos, absorben naturalmente estos sesgos, influyendo en su proceso de toma de decisiones. Las implicaciones de estos sesgos pueden ser múltiples. En el contexto de LeGCS, esto podría significar que el sistema de IA puede priorizar injustamente a ciertos proveedores, productos o regiones, lo que posiblemente conduzca a una desigualdad de oportunidades y una discriminación sistémica. También puede dar lugar a previsiones erróneas y a una toma de decisiones menor que el ideal, lo que afecta significativamente a la eficiencia y eficacia de una organización.

Operacionalización

Operacionalizar las aplicaciones de IA, especialmente en LeGCS, puede ser una tarea compleja y llena de matices. El proceso de aprendizaje por refuerzo de la IA requiere la consolidación de datos, la experiencia humana y la perspicacia tecnológica. En el aprendizaje por refuerzo donde un modelo aprende a interactuar con un entorno para lograr algún objetivo o maximizar alguna noción de recompensa acumulativa. El modelo aprende por prueba y error, aprendiendo efectivamente las mejores acciones a tomar en varios estados. Aunque potente, este enfoque requiere considerables recursos computacionales, y el proceso de aprendizaje a veces puede ser algo opaco, lo que dificulta la predicción completa o la comprensión de las decisiones del modelo. En el contexto de la IA, las "alucinaciones" se refieren a casos en los que el modelo genera resultados que no se basan en datos reales o información fáctica, sino que son fabricados o distorsionados por el propio modelo. Estas alucinaciones pueden ser un problema importante en LeGCS, donde la precisión y la fiabilidad son primordiales.

En la gestión logística, las predicciones o decisiones incorrectas de un sistema de IA pueden tener importantes repercusiones económicas substanciales. Por ejemplo, un sistema de IA que predice incorrectamente un aumento en la demanda de un producto específico puede resultar en un exceso de inventario, mayores costos de transporte y posible obsolescencia. Por otro lado, subestimar la demanda puede resultar en desabastecimientos, pérdida de ventas y daños en las relaciones con los clientes. En el ámbito de la LeGCS, los conocimientos y la experiencia de profesionales experimentados son a menudo indispensables. Estos profesionales pueden proporcionar información matizada para guiar el proceso de aprendizaje por refuerzo, ayudando a ajustar el modelo para reflejar las complejidades del mundo real relevantes para el gerente de logística. El resultado puede proporcionar insights sobre la gestión de las interrupciones de la cadena de suministro, que puede incorporarse al sistema de IA para hacerlo más robusto y adaptable (Johnson et al., 2022). Desarrollar y mantener una aplicación de IA requiere un equipo con experiencia en ciencia de datos, aprendizaje automático, desarrollo de software y otras áreas técnicas, lo que también requiere mucho capital y, a menudo, es difícil de contemplar para las empresas más pequeñas. Por ejemplo, la integración de las capacidades de IA en un sistema de gestión de almacenes puede requerir experiencia técnica para garantizar una integración perfecta con la infraestructura de TI existente, capacidades de procesamiento de datos en tiempo real y el desarrollo de interfaces fáciles de usar para los usuarios finales.

Resiliencia cibernética

Las violaciones de datos relacionadas con la IA son una preocupación creciente, especialmente en LeGCS, donde se maneja una gran cantidad de información confidencial de forma regular. Las violaciones de datos pueden ocurrir como resultado de bases de datos o redes insuficientemente protegidas, que los actores maliciosos pueden explotar para obtener acceso no autorizado a información confidencial, esquemas de phishing, dirigidos a eslabones débiles en la cadena de suministro, como un proveedor menor con protocolos de seguridad pequeños, para ingresar a las bases de datos de empresas mayores y APIs mal protegidas (utilizadas para recopilar datos,  alimentar el modelo de IA y acceder a la salida de IA), que puede explotarse para extraer datos o introducir código malicioso en el sistema de IA. Por ejemplo, el ciberataque de SolarWinds  (2020) se destacó como un incidente significativo no solo por el compromiso de una empresa, sino porque inició una interrupción de la cadena de suministro de gran alcance, que afectó a múltiples entidades, incluido el gobierno de los EE.UU. Recientemente, en marzo de 2023, los desarrolladores de ChatGPT informaron de un fallo técnico que permitía inadvertidamente a algunos usuarios acceder a los historiales de chat de otros, exponiendo información personal sensible como los últimos cuatro dígitos de los números de las tarjetas de crédito y sus respectivas fechas de caducidad.

Una violación de datos puede resultar en la pérdida de oportunidades comerciales, ya que los clientes y socios pueden optar por disociarse de una organización comprometida. Después de una infracción, las organizaciones deben invertir mucho en la actualización de su infraestructura y protocolos de seguridad. Las organizaciones pueden enfrentarse a un mayor escrutinio por parte de los reguladores, incluidas posibles auditorías y requisitos normativos más estrictos. Las organizaciones pueden enfrentarse a acciones legales por parte de las partes afectadas, incluidos clientes, proveedores o accionistas. Dada la creciente dependencia de los sistemas de IA en la gestión de la cadena de suministro y la logística, las organizaciones deben ser conscientes de los mayores riesgos de violaciones de datos. Las medidas proactivas, como la seguridad de las redes, la protección de los datos y el fomento de una cultura de concienciación sobre la ciberseguridad, pueden desempeñar un papel importante en la protección de las organizaciones de las importantes amenazas que plantean las violaciones de datos. Sin embargo, requieren muchos recursos y capital y requieren habilidades humanas.

Modelos de Negocio y Estrategias

La implementación de aplicaciones de IA en las complejas esferas de LeGCS requiere un cambio monumental en las estructuras organizacional y las operaciones comerciales. Es probable que estas transformaciones influyan en la configuración de la cadena de suministro, remodelen los protocolos de toma de decisiones e inicien cambios sustanciales en la estructura organizacional. Sin embargo, se trata en gran medida de un territorio desconocido e inexplorado, especialmente si se tienen en cuenta las capacidades y limitaciones de los modelos de IA en comparación con los sistemas de IA existentes. En el panorama contemporáneo, las organizaciones se encuentran navegando por un panorama empresarial dinámico, volátil, impulsado por la crisis, incierto y profundamente influenciado. Están atrapadas en un panorama complejo de escalar sus iniciativas de sostenibilidad mientras avanzan en su infraestructura digital para mantener una ventaja competitiva. Estos imperativos gemelos requieren una recalibración profunda y cuidadosa de sus modelos de negocio existentes, instándolos a innovar y evolucionar.

Sin embargo, la innovación del modelo de negocio es un reto formidable para cualquier organización. Requiere recursos y capital sustanciales e implica un nivel de riesgo, dado que los rendimientos de la inversión no están garantizados y rara vez se realizan a corto plazo. Por ejemplo, se dispone de una gran cantidad de datos sobre modelos de negocio y casos de economía circular, que pueden servir de campo de entrenamiento para los modelos de IA. Estos sistemas de IA pueden ayudar posteriormente a elaborar estrategias sólidas de gestión del cambio, un componente crítico en cualquier esfuerzo de reingeniería e innovación. Sin embargo, la aplicación práctica de estas recomendaciones sigue siendo un ámbito complejo en el que la experiencia de los profesionales de LeGCS es indispensable. Sus años de experiencia práctica, su profundo conocimiento tácito y su profunda comprensión de las estructuras organizativas actuales desempeñarán un papel decisivo en la evaluación de la viabilidad de los cambios propuestos.

Además, encontramos una brecha significativa al explorar conceptos emergentes como los modelos de negocio regenerativos (Konietzko et al., 2023), que se basan y amplían los principios de los modelos de economía circular. En su etapa actual de desarrollo, es posible que las aplicaciones de IA no ofrezcan a las organizaciones un modelo integral para renovar los procesos comerciales existentes y las configuraciones de la cadena de suministro. Los limitados datos sobre modelos de negocio regenerativos exitosos y las barreras cognitivas, como la falta de consenso sobre su potencial para mejorar el rendimiento empresarial sostenible, plantean desafíos significativos. Además, supongamos que las organizaciones contemplan la integración de diversos modelos de negocio, como la servitización y las estructuras regenerativas. En ese caso, es posible que descubran que los modelos de IA no ofrecen un camino claro para una implementación exitosa, a pesar de recibir abundantes datos. Esta limitación se debe a algunos factores clave: a) la limitada capacidad de la IA para analizar críticamente las ventajas y desventajas de integrar dos modelos de negocio distintos; (b) su falta de profundidad en la comprensión de los matices de la configuración de la cadena de suministro, las relaciones con las partes interesadas y la dinámica cultural, que a menudo se desarrolla a través de años de experiencia en la industria; (c) su limitada comprensión de la cognición humana, la cultura organizacional y las complejidades multifacéticas que gobiernan los ecosistemas empresariales. Por lo tanto, si bien el camino hacia la integración de la IA en la reestructuración de las operaciones comerciales es prometedor, está plagado de complejidades y desafíos que requieren un enfoque colaborativo, reflexivo y adaptable.

Dinámica de la fuerza laboral

La infiltración de las aplicaciones de IA en el sector de LeGCS incorpora una fuerza potente capaz de remodelar de manera integral la dinámica de empleo de la industria. Esto señala un cambio transformador que promete redefinir los contornos de la dinámica laboral, los panoramas laborales y la naturaleza de los puestos de trabajo dentro del sector, lo que ha sido ampliamente discutido en la literatura existente (Klumpp y Ruiner, 2022).

La investigación de Goldman Sachs indica que aproximadamente 300 millones de puestos de trabajo a tiempo completo en todo el mundo, incluidos dos tercios en Estados Unidos y Europa se enfrentan al potencial de ser reemplazados por la IA (Vallance, 2023). Al mismo tiempo, datos recientes de la OCDE sugieren que la IA podría automatizar fácilmente casi el 27% de las funciones de los países de la OCDE que dependen principalmente de la experiencia humana (Perspectivas del empleo de la OCDE, 2023). Además, otro estudio realizado por el Pew Research Center reveló que uno de cada cinco trabajadores estadounidenses ocupa un puesto susceptible de ser sustituido por la IA (Kochhar, 2023). Si bien la influencia de la digitalización impulsada por la IA en la mano de obra poco calificada está bien documentada en la literatura existente (Duan et al., 2019; Dwivedi y cols., 2021), los acontecimientos recientes han puesto de relieve su creciente impacto en las profesiones altamente cualificadas que tradicionalmente se han basado en la inteligencia humana, la creatividad, el pensamiento de orden superior y la experiencia intuitiva tácita (Budhwar et al., 2023; Grennan y Michaely, 2020; The White House, 2022). Ejemplos notables incluyen escritores y actores de Hollywood que hacen huelga por regulaciones más estrictas sobre el uso de IA en los estudios para proteger los empleos humanos y la controvertida decisión de la Universidad de Harvard de reemplazar a los profesores humanos con un chatbot de IA para clases de codificación este otoño. Estos incidentes ponen de manifiesto la necesidad urgente de reevaluar y adaptarse a la dinámica cambiante de la IA en el panorama profesional.

Por lo tanto, es probable que el impacto en la naturaleza de los empleos sea profundo. Las tareas que antes eran manuales y requerían mucho tiempo pronto pueden automatizarse, lo que permitirá un flujo de trabajo más ágil y eficiente (Loske, 2022). Esta automatización, si bien aumenta la productividad, lo cual es discutible, también puede impulsar un cambio en los conjuntos de habilidades requeridas en el lugar de trabajo. Es posible que los empleados deban adaptarse fomentando habilidades que complementen las capacidades de la IA, centrándose en áreas en las que la inteligencia humana tiene una ventaja distintiva, como el pensamiento estratégico, la resolución de problemas, la persuasión, la negociación y las relaciones interpersonales.

Es probable que la sustitución y el desplazamiento de puestos de trabajo sean el resultado de esta adopción tecnológica. Las tareas rutinarias, particularmente aquellas que son repetitivas y requieren una mínima intervención humana, están a punto de ser las primeras en ser desplazadas. Este cambio podría alterar las estructuras de empleo existentes, lo que podría provocar el desplazamiento de trabajadores en funciones específicas. Sin embargo, es crucial tener en cuenta que la aparición de la IA también puede dar lugar a nuevas oportunidades laborales. Estos trabajos pueden implicar la gestión, el mantenimiento y la optimización de los sistemas de IA, lo que requiere una mano de obra experta en navegar por los matices de la tecnología avanzada. Al mismo tiempo, el panorama laboral en el sector de LeGCS va a sufrir transformaciones significativas. Las organizaciones pueden inclinarse cada vez más hacia una fuerza laboral que pueda colaborar sin problemas con los sistemas de IA, fomentando una relación simbiótica que aproveche las fortalezas de los humanos y las máquinas, es decir, la inteligencia colaborativa (Chowdhury et al., 2022; Peng y cols., 2022). Las organizaciones deben planificar y elaborar estrategias de forma proactiva teniendo en cuenta estos desarrollos. Esto incluye invertir en programas de capacitación y reciclaje profesional, fomentar una cultura de aprendizaje continuo y desarrollar estructuras que faciliten transiciones y adaptaciones fluidas a los cambios en la escena laboral

UN LLAMADO CONTINUO PARA FUTURAS INVESTIGACIONES

Teniendo en cuenta el panorama cambiante de las aplicaciones de IA, es fundamental realizar un examen exhaustivo de sus implicaciones y desafíos, especialmente en el sector de LeGCS. Hemos desarrollado un marco de encuesta ilustrado en la Figura 2 para facilitar esto.

Figura 2: Estructura de la investigación

Este marco tiene como objetivo servir como un mapa de navegación que dirija la dirección de la investigación futura al revelar la interacción entre los atributos de la IA y los resultados organizacionales que son muy valorados dentro de la industria de LeGCS. En el corazón de nuestro marco propuesto está la comprensión de que los aspectos técnicos inherentes a la IA, es decir, las capacidades y limitaciones, son fundamentalmente influyentes en el fomento de su aceptación e integración. Estas características intrínsecas simplifican la integración de la IA en los sistemas LeGCS existentes e introducen posibles obstáculos. En consecuencia, estos aspectos son vitales para establecer los marcos legales, éticos y políticos que rigen su aplicación. Las organizaciones que operan en la industria de LeGCS abordarán gradualmente los complejos potenciales y obstáculos asociados con la adopción de la IA. En respuesta, modificarán sus estrategias para encapsular las fortalezas y oportunidades que presenta la IA. Este cambio estratégico tiene implicaciones para varias facetas de las operaciones de LeGCS, incluida la reingeniería de procesos, la transformación de prácticas, la coordinación y los protocolos de toma de decisiones. Posteriormente, esto impulsa una transformación en los procesos de LeGCS, allanando el camino para modelos de negocio innovadores. Además, esta transición no se limita a cambiar la disponibilidad de puestos de trabajo o la naturaleza de los puestos existentes. Penetra más profundamente, influyendo en la forma en que las personas ven sus posiciones dentro de la esfera profesional. Este cambio es evidente en la evolución de las preferencias por el desarrollo de habilidades, donde hay un énfasis cada vez mayor en el aprendizaje continuo para mantener la relevancia en un entorno que cambia rápidamente. Por último, esto conduce a una transformación en el sector de LeGCS, especialmente en lo que respecta a los resultados de productividad, sostenibilidad y responsabilidad corporativa. A través de la integración de la IA, anticipamos una evolución sustancial en el sector de LeGCS, que promete dirigirlo hacia un futuro caracterizado por una mayor eficiencia, resiliencia y capacidad de respuesta a las demandas y desafíos globales emergentes.

NIVEL 1: FACTORES QUE CONTRIBUYEN A LA ADOPCIÓN DE LA IA

En el escenario de la IA en rápida evolución, la exploración de los factores que impulsan y dificultan la adopción de tecnologías emergentes constituye una frontera crítica para la investigación futura (Duan et al., 2019; Hasija y Esper, 2022). Los académicos y los profesionales pueden beneficiarse significativamente de estudios exhaustivos que profundicen en los intrincados elementos que impulsan la rápida adopción de las innovaciones en IA, así como en las posibles barreras que pueden ralentizar este proceso (Hendriksen, 2023). En este esfuerzo, la investigación puede canalizarse para abordar un espectro de cuestiones diferenciadas, tales como:

• ¿Qué factores socioeconómicos promueven un entorno propicio para la integración fluida de la IA?

• ¿Cómo influyen las culturas y las estructuras organizativas en la velocidad y el alcance de la adopción de la tecnología?

• ¿Qué papel desempeñan la política y la regulación gubernamentales en el avance o la restricción de la permeabilidad de soluciones innovadoras en múltiples industrias?

• ¿Cómo influyen las consideraciones éticas, incluidas la privacidad y la seguridad de los datos, en la tasa de adopción?

• Además, es vital comprender los aspectos psicológicos relacionados con la adopción de la tecnología, incluida la resistencia de los usuarios y la brecha de habilidades.

Existe una necesidad urgente de investigar las dimensiones éticas que rigen la adopción de la IA (Dwivedi, Kshetri, et al., 2023; von Krogh et al., 2023). La naturaleza emergente de esta tecnología ha abierto una caja de Pandora de dilemas y consideraciones éticas que requieren una investigación académica rigurosa para promover un uso responsable y equitativo. En este escenario, la investigación futura debe centrarse en plantear preguntas críticas como:

• ¿Qué posibles sesgos están incrustados en los sistemas de IA y cómo pueden influir en la difusión de información errónea o reforzar los sesgos sociales existentes?

• ¿Qué medidas pueden adoptarse para garantizar el despliegue responsable de la IA, evitando así el uso indebido o la explotación? ¿Cómo se puede dirigir el desarrollo y el funcionamiento de la IA para priorizar la protección de la privacidad de los usuarios y la seguridad de los datos?

• Además, a la medida que estos sistemas imitan cada vez más interacciones similares a las humanas, ¿cómo podría esto difuminar los límites entre las comunicaciones humanas y las de IA, y qué implicaciones podría tener esto para el bienestar psicológico individual y la dinámica social?

La investigación también debe centrarse en el desarrollo de marcos éticos que puedan guiar la creación y el despliegue de sistemas de IA. Estos estudios pueden explorar el establecimiento de directrices que promuevan la transparencia, la rendición de cuentas y la inclusión (Dwivedi et al., 2021) en operaciones de LeGCS de la IA  Esto puede implicar esfuerzos de colaboración, reuniendo a expertos de los campos de la tecnología, la ética, el derecho, la sociología y la psicología para construir un modelo cohesivo e integral para el uso ético o responsable de la IA (Ashok et al., 2022; Dwivedi y cols., 2021).

Además, a medida que la IA evoluciona, los estudios deben reevaluarse y adaptarse continuamente a estos marcos éticos para garantizar su pertinencia y eficacia en la mitigación de los desafíos emergentes. Este campo dinámico necesita investigación continua para mantenerse al día con los rápidos desarrollos y fomentar un ecosistema tecnológico que priorice el bienestar y el trato ético de todas sus partes interesadas. En esencia, las futuras trayectorias de investigación deben apuntar a crear un escenario en el que un enfoque consciente marque la adopción de sistemas de IA como ChatGPT, uno que equilibre la búsqueda de la innovación con un firme compromiso con la defensa de los principios éticos que rigen la sociedad. Esto contribuiría significativamente a forjar un futuro en el que la tecnología actúe como promotora del progreso sin comprometer los principios éticos fundamentales que mantienen unida la estructura de la sociedad.

Investigaciones futuras deben diseccionar y evaluar los marcos legales existentes, identificando las posibles lagunas y matices que pueden surgir específicamente en el contexto de las aplicaciones de IA. Las cuestiones clave a tener en cuenta pueden incluir:

• ¿Cuáles son las implicaciones de la adopción de la IA en los contratos y las responsabilidades dentro de la cadena de suministro?

• ¿Cómo se pueden estructurar las políticas regulatorias para garantizar la privacidad y la seguridad de los datos, particularmente en las operaciones logísticas transfronterizas?

• ¿Qué salvaguardas legales se necesitan para evitar el posible uso indebido de la tecnología de IA en la industria, incluida la manipulación de datos o las prácticas competitivas desleales?

Además, el estudio de la dinámica de las políticas debería facilitar la formulación de directrices que puedan promover la innovación responsable y, al mismo tiempo, proteger contra posibles perturbaciones o explotaciones (Richey y Davis-Sramek, 2022c). Puede ser pertinente estudiar cómo se pueden estructurar las políticas para fomentar la transparencia y la rendición de cuentas en las operaciones de IA dentro del sector, facilitando un entorno de confianza y colaboración (Clayton, 2023). La investigación también puede profundizar en las implicaciones de la IA en las leyes laborales, investigando cómo la naturaleza cambiante del trabajo y las funciones dentro de la cadena de suministro se pueden acomodar dentro de los marcos legales. Otra área de estudio importante se refiere a la dimensión internacional de los requisitos reglamentarios. Dada la naturaleza global de las cadenas de suministro, la investigación debe explorar cómo se puede facilitar la cooperación internacional y la armonización de las regulaciones para garantizar un funcionamiento fluido y conforme de las redes de suministro integradas en IA. Esto incluye el estudio de los mecanismos para las transferencias transfronterizas de datos y el establecimiento de estándares internacionales para la ética y las operaciones de IA en la industria logística.

NIVEL 2: Prácticas y procesos de LeGCS

A medida que nos adentramos en la era digital, la cadena de suministro y la logística están al borde de un cambio de rumbo tecnológico facilitado por aplicaciones de IA como ChatGPT. Se despliega un territorio inexplorado de oportunidades de investigación, que invita a la exploración académica de diversas facetas de los procesos, las prácticas, la reconfiguración, la coordinación y la innovación de la cadena de suministro.

Los futuros esfuerzos de investigación deben investigar en profundidad cómo la IA puede transformar los procesos de la cadena de suministro. Los principales problemas en este campo pueden incluir:

• ¿Cómo puede la IA facilitar la reconfiguración dinámica de las estructuras de la cadena de suministro para responder rápidamente a las demandas y disrupciones del mercado?

• ¿Qué prácticas innovadoras se pueden imaginar en la gestión logística aprovechando las capacidades predictivas y analíticas de la IA?

• Además, el estudio debe extenderse para comprender cómo se puede mejorar la coordinación entre las diversas partes interesadas en la cadena de suministro a través de plataformas de comunicación e intercambio de datos habilitadas por IA.

En cuanto al aspecto de la innovación, la investigación debe profundizar en la exploración de nuevos modelos de negocio que la IA pueda promover dentro de este sector. Entre las cuestiones que se deben tener en cuenta se incluyen las siguientes:

• ¿Cómo puede la IA fomentar la innovación en el diseño y desarrollo de productos a través de sus capacidades analíticas?

• ¿Qué papel puede desempeñar la IA en la promoción de prácticas sostenibles y ecológicas en la cadena de suministro?

• Además, un análisis de estudios de casos en los que la IA ha impulsado con éxito la innovación puede servir como plataforma de aprendizaje, ofreciendo insights y estrategias para una adopción más amplia.

Una parte integral de la adopción de la IA es la posible reconfiguración de las estructuras de la cadena de suministro, caracterizada por una mayor eficiencia, adaptabilidad e innovación en LeGCS digital. Esta nueva frontera requiere una investigación exhaustiva, que mapee las posibles vías y ramificaciones de la integración de la tecnología de IA en las operaciones de la cadena de suministro. Debemos examinar rigurosamente la dinámica de la reconfiguración de la cadena de suministro en el contexto de la adopción de la IA. En el centro de esta investigación estarían preguntas como:

• ¿Cómo puede contribuir la IA a crear redes de cadena de suministro más receptivas, resilientes y adaptables?

• ¿Cuáles son las estrategias para aprovechar la IA para optimizar la gestión del inventario, la previsión de la demanda y la planificación logística?

• Además, la investigación debe explorar las posibilidades de crear redes de suministro inteligentes que puedan adaptarse de forma autónoma a la dinámica cambiante del mercado y a las preferencias de los clientes aprovechando la creación de contenidos de IA, el análisis predictivo y las capacidades de procesamiento de datos heterogéneos.

Además, los estudios deben investigar los cambios organizacionales que pueden acompañar a esta reconfiguración. Las preguntas clave de investigación pueden incluir: ¿Cómo pueden las organizaciones fomentar una cultura continua de aprendizaje y adaptación para mantenerse al día con los rápidos avances técnicos? Además, un aspecto importante a tener en cuenta son las posibles estrategias de gestión del cambio, examinando cómo las organizaciones pueden realizar una transición fluida a las operaciones habilitadas para la IA y, al mismo tiempo, mitigar la resistencia y promover la aceptación de las partes interesadas.

La integración de los sistemas de IA abre nuevos caminos para transformar los procesos de toma de decisiones (Kumar et al., 2023). La investigación futura en esta área debe adoptar un enfoque múltiple, que abarque de manera integral varias dimensiones que abarquen las oportunidades y los desafíos del sector de las integraciones de IA. Considerar:

• ¿Cómo puede contribuir la IA a mejorar la precisión de la previsión de la demanda en la cadena de suministro?

• ¿Qué papel puede desempeñar la IA en el mantenimiento predictivo y la optimización del inventario?

• ¿Cómo pueden los sistemas de IA ayudar en el seguimiento y ajuste en tiempo real de las operaciones logísticas?

• ¿Cómo pueden los sistemas de IA servir como herramientas de apoyo a la toma de decisiones para los gestores de LeGCS?

• ¿Qué marcos se pueden establecer para integrar perfectamente los conocimientos de la IA en la planificación estratégica?

• ¿Cuáles son las implicaciones éticas de confiar en la IA para la toma de decisiones críticas en LeGCS?

• ¿Cuáles son los posibles análisis de retorno de la inversión (ROI) y costo-beneficio de la implementación de la IA en la toma de decisiones de LeGCS?

• ¿Cómo pueden las organizaciones medir el éxito de la integración de la IA en las operaciones de su cadena de suministro?

El escenario futuro de la investigación debe tener como objetivo impulsar un ecosistema en el que la IA se integre sin problemas en la toma de decisiones de la cadena de suministro, aumentando la eficiencia y adhiriéndose a las normas éticas y los estándares regulatorios. La atención debe centrarse en la creación de marcos y metodologías que permitan a las organizaciones aprovechar plenamente el potencial de la IA mientras navegan por las complejidades y los desafíos de este cambio tecnológico.

NIVEL 3: TRABAJO, EMPLEO E INNOVACIÓN DEL MODELO DE NEGOCIO

Las aplicaciones de IA como ChatGPT en el sector LeGCS prometen provocar cambios significativos en la dinámica del mercado laboral, influyendo en el diseño del trabajo, la dinámica organizacional, los patrones de empleo, los roles laborales y las trayectorias profesionales (Zagorin, 2023). Este fenómeno requiere una investigación exhaustiva para comprender los matices de estas transiciones y equipar a las partes interesadas con el conocimiento y las estrategias para navegarlas con éxito. A continuación, proporcionamos una hoja de guión para futuras investigaciones en esta área:

• ¿Qué nuevos roles y responsabilidades deberían surgir con la integración de la IA en la industria de LeGCS?

• ¿Cómo evolucionarán los requisitos de habilidades para los profesionales de esta industria que adoptan tecnologías habilitadas para IA?

• ¿Cuáles estrategias se pueden implementar para facilitar una transición fluida de la fuerza laboral a ambientes integrados con IA?

• ¿Cómo se pueden diseñar programas de formación para mejorar y volver a capacitar a los empleados existentes para los nuevos roles generados debido a la adopción de la IA en diferentes generaciones?

• ¿Cómo debería influir la integración de la IA en los patrones de desarrollo y progresión profesional en el sector de LeGCS?

• ¿Qué nuevas oportunidades y retos pueden encontrar los profesionales en sus carreras con la evolución de la IA?

• ¿Cuáles son las implicaciones de la adopción de la IA en la seguridad laboral, los derechos de los trabajadores y la dinámica del mercado laboral? El objetivo debe ser estudiar los cambios en los patrones de empleo, incluidos los acuerdos contractuales, las oportunidades de trabajo independiente, las estructuras salariales, las tasas de empleo y la seguridad laboral.

• ¿Qué consideraciones éticas se asocian con las transiciones inducidas por la IA en el mercado laboral?

• ¿Cómo pueden las organizaciones garantizar la inclusión y la equidad en los entornos de trabajo impulsados por la IA?

• ¿Cómo pueden los responsables políticos fomentar un entorno propicio para la integración de la IA y, al mismo tiempo, proteger los intereses de los empleados?

Por lo tanto, la investigación futura debe centrarse en desarrollar un camino equilibrado que maximice los beneficios de la integración de la IA y mitigue los posibles impactos adversos en la fuerza laboral. A través del análisis empírico, los investigadores pueden ayudar a forjar un futuro en el que la IA transforme la industria y fomente un entorno caracterizado por el crecimiento, las oportunidades y la inclusión a lo largo de los principios clave de la Industria 5.0.

La IA es un catalizador prometedor para promover modelos de negocio regenerativos y de servitización en el sector LeGCS. Por un lado, el modelo regenerativo hace hincapié en la restauración, renovación y revitalización de las fuentes de energía y los materiales, creando sistemas sostenibles que integren a la comunidad y al medio ambiente en su núcleo (Hahn y Tampe, 2021). La IA puede facilitar esto, optimizando la asignación de recursos, prediciendo los ciclos de vida de los materiales y ayudando a crear sistemas de circuito cerrado que minimicen los residuos y nutran el entorno natural. Por otro lado, el modelo de servitización se centra en la transición de la venta de productos a la entrega de servicios integrales que ofrezcan mayor valor a los clientes. La IA puede desempeñar un papel clave en el análisis de los datos de los clientes para elaborar ofertas de servicios personalizadas, predecir las necesidades de mantenimiento de los productos antes de que surjan problemas y promover canales de prestación de servicios dinámicos y receptivos. Por lo tanto, a través del análisis hábil y la utilización de grandes cantidades de datos heterogéneos, la IA puede ayudar a construir modelos de negocio innovadores que impulsen el crecimiento económico y promuevan el rejuvenecimiento ambiental y un enfoque más centrado en el cliente, allanando el camino para un panorama empresarial más sostenible y orientado a los servicios. Esto allanaría el camino para una nueva era en la que los modelos de negocio se caracterizan por la innovación, la inclusión y la creación de valor. Varias preguntas de investigación que son críticas para fomentar una comprensión más profunda y facilitar una adaptación exitosa al entorno empresarial en evolución son las siguientes:

• ¿Cómo puede la IA mejorar la prestación de servicios y la experiencia del cliente en el sector de LeGCS?

• ¿Qué nuevos modelos de negocio podrían surgir para aprovechar las capacidades de la IA y mejorar el compromiso y la satisfacción del cliente?

• ¿Cómo puede la IA facilitar la integración de prácticas sostenibles y principios de economía circular en los modelos de negocio?

• ¿Qué papel puede desempeñar la IA en el fomento de modelos de negocio que promuevan la eficiencia de los recursos y la reducción de residuos?

• ¿Cómo puede contribuir la IA a aumentar la transparencia y la trazabilidad en las cadenas de suministro?

• ¿Qué modelos de negocio innovadores se pueden desarrollar para aprovechar la IA para el seguimiento y la generación de informes en tiempo real en todas las cadenas de suministro?

• ¿Cómo puede ayudar la IA en el desarrollo de modelos de negocio que mejoren la gestión de riesgos y la resiliencia en las cadenas de suministro?

• ¿Cuáles son las perspectivas de que la IA facilite el análisis predictivo para la mitigación proactiva de riesgos?

• ¿Cómo puede contribuir la IA al desarrollo de modelos de negocio regenerativos en el sector de LeGCS con un enfoque en los beneficios sociales y la restauración ecológica?

• ¿Qué estrategias innovadoras se pueden formular utilizando la IA para promover modelos de negocio que promuevan la regeneración ambiental y la equidad social?

• ¿Cómo pueden las organizaciones garantizar el cumplimiento de los requisitos normativos al adoptar modelos de negocio impulsados por IA?

El escenario futuro de la investigación debería arrojar luz sobre el potencial transformador de la IA para dar forma a modelos de negocio innovadores dentro del sector de LeGCS. Al explorar las complejas implicaciones de la integración de la IA, los investigadores pueden contribuir a la evolución de estrategias empresariales que no solo aprovechen las capacidades de la IA, sino que también promuevan la sostenibilidad, la eficiencia y la resiliencia en la industria.

NIVEL 4: RESULTADOS DE LEGCS

El escenario futuro de la investigación que examina el impacto de la implementación de aplicaciones de IA, particularmente con un enfoque en las mejoras de productividad y rendimiento, es vasto y prometedor (Wamba et al., 2023). A continuación, se describen varias preguntas que los investigadores pueden explorar para profundizar la comprensión en esta área.

• ¿Cómo pueden los sistemas de IA optimizar las operaciones en la industria de LeGCS?

• ¿Cuáles son las áreas específicas dentro de las operaciones de la cadena de suministro en las que la aplicación de la IA puede aumentar significativamente la productividad?

• ¿Cómo puede la IA transformar el servicio al cliente, la cadena de suministro y el compromiso logístico? ¿Qué innovaciones puede aportar la IA para personalizar las experiencias de los clientes y fomentar relaciones más sólidas?

• ¿Cuáles son las perspectivas de la IA para fomentar innovaciones que promuevan la optimización de recursos y la sostenibilidad ambiental?

• ¿Cómo puede la IA facilitar una mejor gestión del conocimiento y fomentar la innovación en las operaciones de la cadena de suministro?

• ¿Qué caminos puede abrir la IA para crear repositorios de conocimiento y facilitar el aprendizaje y la innovación organizacional?

• ¿Cuáles oportunidades pueden surgir de la integración exitosa de tecnologías de IA para mejorar el rendimiento de la cadena de suministro?

La investigación debe implicar la comprensión de las posibles mejoras en la productividad y el rendimiento, y la exploración de estrategias y modelos innovadores que puedan redefinir la trayectoria del sector. A través de estudios rigurosos, los investigadores pueden fomentar una base de conocimientos que guíe a las organizaciones a aprovechar la IA para crear un panorama de la cadena de suministro más eficiente, sostenible y receptiva.

La investigación futura debe priorizar un enfoque interdisciplinario, basándose en campos como la ciencia ambiental, la ciencia de datos y la gestión de LeGCS, para estudiar de manera integral el potencial de la IA en la promoción de una gestión más sostenible de LeGCS. Esto incluye el análisis de los impactos directos sobre la sostenibilidad ambiental y social y el examen de las implicaciones más amplias para las prácticas, políticas y estructuras de gobernanza de la industria. A continuación, se describen las principales preguntas de investigación que se plantean.

• ¿Cómo puede la IA facilitar el desarrollo de redes de cadena de suministro más sostenibles?

• ¿De qué manera puede la IA aumentar la transparencia y la trazabilidad dentro de la cadena de suministro para promover la sostenibilidad?

• ¿Puede la IA desempeñar un papel clave en la mejora de la eficiencia energética y la reducción de la huella de carbono de las operaciones de la cadena de suministro?

• ¿Cómo puede ayudar la analítica impulsada por la IA a diseñar estrategias sostenibles de transporte y logística?

• ¿Cómo puede la IA facilitar el diseño y desarrollo de productos y servicios sostenibles?

• ¿Cómo puede la IA ayudar a las organizaciones a cumplir sus compromisos de responsabilidad social corporativa (RSC)?

• ¿De qué manera puede la IA mejorar la participación y la colaboración de las partes interesadas para promover la sostenibilidad?

• ¿Cómo puede la IA ayudar a las organizaciones a cumplir con las regulaciones y políticas relacionadas con la sostenibilidad?

• ¿Qué papel puede desempeñar la IA en la mejora de las estructuras de gobernanza para promover la sostenibilidad en las operaciones de la cadena de suministro?

• ¿Qué objetivos de desarrollo sostenible se beneficiarán de la adopción de aplicaciones de IA en el sector LeGCS?

Investigar las ramificaciones de la incorporación de tecnologías de IA para mejorar la debida diligence dentro de la industria de LeGCS ofrece una nueva frontera que justifica una exploración detallada de cómo la IA puede facilitar la mitigación de riesgos, el cumplimiento y la transparencia. A continuación, se describen los posibles caminos de investigación y las preguntas críticas que pueden dar forma a los futuros esfuerzos académicos en esta área.

• ¿Cómo puede la IA ayudar a identificar y mitigar los riesgos en varias etapas de la cadena de suministro?

• ¿Hasta qué punto las tecnologías de IA pueden proporcionar insights predictivos sobre las potenciales interrupciones y vulnerabilidades de la cadena de suministro?

• ¿Cómo puede la IA agilizar y mejorar el proceso de evaluación de proveedores?

• ¿Pueden las aplicaciones de IA proporcionar insights más completos sobre el rendimiento y la fiabilidad de los proveedores?

• ¿Cómo puede la IA facilitar el cumplimiento de los requisitos regulatorios en constante evolución en la industria de la cadena de suministro?

• ¿Pueden las herramientas de IA ayudar a las organizaciones a mantener el cumplimiento de los estándares ambientales, sociales y de gobernanza (ESG)?

• ¿De qué manera pueden las tecnologías de IA mejorar los procesos de debida diligencia financiera en la industria de LeGCS?

• ¿Puede la IA proporcionar herramientas más sofisticadas para el análisis y la previsión financiera?

• ¿Hasta qué punto las tecnologías de IA pueden proporcionar información en tiempo real sobre los recorridos de los productos y las operaciones de la cadena de suministro?

• ¿Puede la IA promover prácticas éticas de adquisición y abastecimiento?

La integración de las tecnologías de IA en el sector LeGCS promete una transformación con varias implicaciones. A medida que nos adentramos en esta nueva frontera, la necesidad de una investigación sólida sobre los panoramas legales, políticos y regulatorios que rigen esta adopción se vuelve primordial. En una industria inherentemente compleja y globalmente interconectada, los problemas de jurisdicción, cumplimiento y aplicación emergen como áreas críticas de estudio.

NIVEL 5: ESTRUCTURAS TEÓRICAS Y PRÁCTICAS

En esencia, la IA se destaca de los avances tecnológicos anteriores debido a su capacidad inherente para recomendar decisiones, adaptarse en función de las experiencias de aprendizaje y mejorar progresivamente las interacciones basadas en el conocimiento adquirido (Haenlein y Kaplan, 2019). Este proceso evolutivo es marcadamente distinto de las transiciones tecnológicas anteriores, que se centraron en cambiar o reemplazar las tareas manuales por procesos automatizados. Además, las aplicaciones actuales de IA, como ChatGPT y Bard, sobresalen en la comprensión de los matices del lenguaje natural a través de patrones y secuencias, y poseen una notable capacidad para comprender y generar texto contextualmente, ofreciendo respuestas más sofisticadas y coherentes en interacciones extendidas.

Por lo tanto, la IA tiene una serie de capas complejas que redefinen su integración en diversas industrias (Makar-ius et al., 2020). Estas complejidades se pueden clasificar en varias dimensiones, incluidos los aspectos cognitivos que se relacionan con las capacidades y limitaciones de los sistemas de IA, y las facetas relacionales, que abarcan los diversos factores que entran en juego durante el proceso de adopción de la IA. Además, la dimensión estructural engloba el amplio impacto de la IA en los patrones de trabajo, las estructuras organizacionales, la interacción entre la IA y los empleados, y la complejidad de la normativa, lo que subraya la necesidad imperativa de tener consideraciones éticas y promover la utilización sostenible de la IA. Esta transición ha precipitado límites borrosos entre las funciones humanas y las funcionalidades de las máquinas, fomentando un paradigma en el que los procesos de toma de decisiones automatizados están cada vez más entrelazados con las complejidades contextuales. Ante este panorama, se hace evidente que los marcos teóricos existentes pueden no captar la profundidad y amplitud de las transformaciones resultantes de la IA en el sector de LeGCS. Las interrupciones y evoluciones causadas por la IA son profundas y sin precedentes, y a menudo superan los límites establecidos por las teorías tradicionales.

Por lo tanto, navegar por el escenario matizado creado por la IA requiere el desarrollo de una lente teórica más sofisticada. Esta lente debe ser capaz de captar las complejidades multifacéticas introducidas por la IA, ofreciendo un modelo dinámico y adaptable para estudiar y comprender los cambios radicales que se están produciendo en la industria de LeGCS. A medida que nos acercamos a esta transformación, nos incumbe promover un enfoque teórico que resuene con el dinamismo y la innovación debidos a la IA, facilitando así una integración y aplicación fluidas de la IA en el panorama de LeGCS, lo que conducirá a la productividad, la sostenibilidad y la resiliencia, y la sinergia con la experiencia humana. A continuación, se describen las preguntas de investigación que pueden ayudar con estas dimensiones.

• ¿En qué medida las teorías existentes en el sector de LeGCS pueden abordar de manera integral las implicaciones y la integración de la IA?

• ¿Qué lagunas y limitaciones notables están presentes en las teorías actuales cuando se examinan los fenómenos de la integración de la IA en el sector de la LeGCS, y cómo pueden abordarse para promover una comprensión más profunda?

• ¿Cómo puede la síntesis de las teorías y los conocimientos existentes de los estudios interdisciplinarios mejorar la comprensión y la explicación del impacto potencial de la IA en el sector de la LeGCS?

• ¿Qué nuevas teorías pueden o deben formularse para comprender de manera holística los fenómenos de la IA dentro del sector LeGCS, y qué justificación respalda la necesidad de dicho desarrollo teórico?

Enfoques metodológicos

Las preguntas de investigación y la agenda presentadas en la sección anterior sugieren claramente que el dominio es complejo y requiere el uso de varios métodos establecidos y emergentes para abordar las preguntas de investigación mencionadas anteriormente. En otras palabras, un examen riguroso de la aplicación de la IA en LeGCS requiere un enfoque de investigación de métodos múltiples o mixtos. A continuación, describimos algunos métodos cuantitativos y cualitativos adecuados para llevar a cabo una investigación rigurosa en este dominio.

Empezando por el método de investigación experimental, destaca como una herramienta esencial para evaluar la eficacia de las aplicaciones de IA en un entorno controlado. Los investigadores tienen la libertad de crear prototipos de sistemas de IA y someterlos a diversas condiciones simuladas para evaluar su rendimiento. Esto puede abarcar tareas como el aprovechamiento de la IA para la previsión de la demanda, con modelos generativos entrenados para anticipar las tendencias futuras de la demanda en función de datos anteriores, o la utilización de la IA para la optimización de rutas para diseñar las rutas de transporte más eficientes en tiempo y costo. Además, la investigación experimental puede facilitar una comparación detallada de la eficiencia y la eficacia de las herramientas de IA con los resultados derivados de los métodos tradicionales, incluidos los enfoques manuales. Las pruebas teóricas basadas en la investigación pueden emplearse para profundizar en los problemas relacionados con la adopción y utilización de la IA, especialmente a nivel individual. Además, se pueden aplicar metodologías como el análisis de regresión y la predicción de series temporales para examinar conjuntos de datos extensos y promover el desarrollo de modelos predictivos. Las técnicas de aprendizaje automático y aprendizaje profundo se pueden aprovechar para potenciar a los sistemas de IA para que formulen soluciones basadas en el análisis de datos de forma autónoma.

La investigación cualitativa puede complementar los métodos cuantitativos, lo que permite una comprensión más profunda a través de entrevistas y grupos focales que involucran a las partes interesadas de la industria. Este método es fundamental para explorar los desafíos prácticos y las oportunidades de implementación de la IA en la logística y la gestión de la cadena de suministro, guiando así los sistemas de IA para que se alineen con los requisitos y preferencias del usuario final. El método de estudio de caso ofrece un terreno fértil para comprender escenarios individuales o comparativos, proporcionando una rica narrativa del despliegue de la IA en diversos contextos logísticos. Por ejemplo, los estudios de casos pueden explorar las mejoras que la IA puede aportar a la gestión de almacenes a través de estrategias óptimas de almacenamiento y recuperación. El enfoque es igualmente potente para examinar el uso y el impacto de la IA a nivel organizacional y de equipo. Además, la metodología de la teoría fundamentada puede utilizarse para construir teorías estrechamente vinculadas a los datos acumulados durante la investigación, apoyando la creación de sistemas de IA basados en evidencias empíricas.

La investigación de acción puede emplearse como un método iterativo, promoviendo un ciclo de planificación, acción, observación y reflexión, ayudando así al desarrollo de sistemas de IA adaptativos y optimizados. Este enfoque da la bienvenida a los ajustes en tiempo real de los sistemas de IA, reflejando los comentarios obtenidos durante las fases de prueba. Se pueden lograr resultados similares a través de la investigación de diseño de acción. Al aprovechar una combinación de métodos de investigación cualitativos y cuantitativos, los investigadores pueden forjar una comprensión sustancial del potencial y las limitaciones de la IA en LeGCS, guiando el camino para soluciones innovadoras y pragmáticas en esta área. A continuación, se describen las preguntas de investigación esenciales que son relevantes para las metodologías para examinar el impacto de la IA en LeGCS:

• ¿Cuáles son los diseños y métodos de investigación apropiados para investigar el impacto de la IA a nivel micro, macro y meso en LeGCS?

• ¿Qué metodologías se pueden aplicar para estudiar los posibles sesgos y desigualdades introducidas por la integración de la IA en LeGCS?

• ¿Cuáles son las métricas y técnicas de evaluación adecuadas para medir el impacto de la IA en la eficiencia y la productividad de la cadena de suministro?

• ¿Cómo se pueden utilizar los métodos mixtos para comprender la experiencia humana y las perspectivas sobre el creciente papel de la IA en la logística?

• ¿Cómo ayudan las metodologías de investigación existentes y nuevas a identificar y comprender las posibles innovaciones en LeGCS a través de la lente del desarrollo de la IA?

CONCLUSIÓN Y ARTÍCULOS DE ESTE NÚMERO

JBL tiene una larga historia de apoyo a la investigación conectada y de avance en la práctica de LeGCS. Si bien esta discusión generativa de la IA abre la puerta a un llamado continuo para la investigación relacionada con LeGCS, esta revista siempre apoya la investigación impulsada por la tecnología. Los tres primeros artículos de este número continúan nuestra tradición de 45 años de examinar temas emergentes basados en la tecnología, como Blockchain, sistemas de cumplimiento electrónico y tendencias de la Industria 4.0. En "Explorando Blockchain para la Prevención y el Socorro en Desastres: Un Marco Integral Basado en Estudios de Casos de la Industria", Treiblmaier y Rejeb emplean un grupo de estudios de caso para investigar cómo se pueden implementar las soluciones de Blockchain en escenarios de prevención de desastres y socorro. Al examinar los roles de las partes interesadas clave, los autores ilustran las motivaciones firmes en el despliegue de la tecnología blockchain enumerando las propiedades relevantes y destacando los factores de contingencia. Los hallazgos demuestran las oportunidades de blockchain para agilizar los flujos de información y aumentar las capacidades de las partes interesadas. El uso de la tecnología LeGCS para salvar vidas es una prioridad para nuestra investigación. ¡Pronto se prestará más atención a la logística humanitaria en JBL!

En el segundo artículo, "Modularización de los servicios logísticos front-end en e-Fulfillment", Yurt et al. (2023) exploran el contexto del modularidad del servicio en la logística orientada al cliente para el cumplimiento electrónico. Nos alegramos de recibir este artículo, ya que seguimos pidiendo más trabajo de logística para el consumidor. Se espera un foro de temas especiales a principios de 2024. Estos autores utilizaron una encuesta en línea a clientes para extraer datos e identificar grupos (compradores multicanal, compradores poco frecuentes y fanáticos en línea), proporcionando evidencia preliminar sobre cómo los aspectos comunes y de variabilidad de modularidad del servicio optimizan el número de opciones de servicio y los niveles de rendimiento relacionados. Pessot et al. (2023) suben al nivel de la industria al "Empoderar las cadenas de suministro con tecnologías de la Industria 4.0 para hacer frente a las mega tendencias". Aprovechan las entrevistas de grupos focales para investigar cómo las mega tendencias impactan en el panorama de la cadena de suministro y el papel de la tecnología en el apoyo a la alineación de la cadena de suministro. Se identifican cinco capacidades de la cadena de suministro como contingencias externas prevalentes y apropiadas. El estudio también destaca y compara el potencial de las tecnologías 4.0 y sus aplicaciones para respaldar capacidades específicas de la cadena de suministro. Este es un artículo que debería abrir las mentes a futuras ideas de investigación.

Después de los tres primeros artículos centrados en la tecnología de este número, seguimos trabajando para incluir más artículos en cada volumen anual de JBL. No hay límite en el número de artículos que publicaremos. Si conseguimos 100 artículos de calidad, publicaremos 100 artículos de calidad. Los cinco artículos restantes de este último número son de alta calidad y cubren diversos temas, lo que nos lleva a 32 artículos citables en el año. Desde el mundo del transporte, Balthrop et al. (2023) nos traen "¿Cómo responden las empresas de transporte a las medidas enérgicas de seguridad anunciadas frente a las no anunciadas? El caso de los puestos de control de inspección del gobierno". Este artículo aborda nuestro llamado continuo a la investigación de políticas (véase: Richey y Davis-Sramek, 2022a, 2022b). Los autores investigan cómo los transportistas responden a los cambios en la probabilidad de regulación a través de inspecciones. Utilizando un conjunto de datos longitudinales, descubrieron que las empresas con menores costos de cumplimiento y mayores costos de evitar inspecciones mejoran el cumplimiento antes y durante los "bombardeos" anunciados. Las pequeñas empresas con costos de prevención más bajos tienden a evitar los bombardeos anunciados, mientras que los bombardeos no anunciados  no dan lugar a cambios en el cumplimiento o la prevención.

También seguimos pidiendo que se trabaje en la entrega de última milla. La última milla es donde la investigación y los revisores son escasos. En "You're Driving Me Crazy! How Emotions by Negative Driver Behaviors Impact Customer Outcomes in Last Mile Delivery" ("¡Me estás volviendo loco! Cómo las emociones provocadas por los comportamientos negativos de los conductores afectan los resultados de los clientes en la entrega de última milla"), Masorgo et al. (2023) Realizar un experimento basado en escenarios que examine: ¿Quién está en la puerta con un paquete? A medida que los repartidores actúan cada vez más como empleados de primera línea para los minoristas electrónicos a través de las entregas a domicilio, los comportamientos negativos de los conductores afectan cada vez más la satisfacción del cliente y las intenciones de recompra. La afiliación de conductores está cambiando la magnitud de las respuestas de los clientes. Los resultados muestran que los efectos adversos del comportamiento inadecuado del conductor en los resultados del cliente están mediados por la ira y que los efectos de la inflexibilidad del conductor están mediados por la tristeza. Además, el efecto negativo de la inflexibilidad de los conductores en los resultados de los clientes es más débil para la logística subcontratada que para los conductores de flotas privadas. El comportamiento inapropiado del conductor exhibe efectos adversos similares en los resultados de los clientes para ambas afiliaciones de conductores.

Los tres últimos artículos examinan los problemas estratégicos clásicos del aplazamiento, el abastecimiento basado en relaciones y la sustitución de inventarios. Estas cuestiones merecen una atención adicional a medida que avanzamos hacia un cambio de paradigma posterior a la pandemia. En un estudio muy necesario titulado " Revisando el postponement: problemas de cruce de fronteras e implicaciones fiscales para las cadenas de suministro globales de soluciones integradas ", Norrman y Prataviera (2023) examinan la toma de decisiones de aplazamiento para las cadenas de suministro globales. Este enfoque de estudio de caso de uno a cuatro explora las decisiones, las implicaciones fiscales y legales relacionadas, y la integración multifuncional en una empresa global de alta tecnología. Los autores detallan los impulsores contextuales de la mayor complejidad de los umbrales de aplazamiento para ilustrar los cambios en su toma de decisiones.

En "Acciones competitivas y relaciones de la cadena de suministro: cómo las acciones de reducción del valor de los proveedores afectan las decisiones de adquisición de los compradores". Hofer y cols. (2023) utilizan el análisis econométrico y basado en datos de panel para abarcar los efectos de las acciones competitivas en el contexto de las relaciones verticales comprador-proveedor, examinando explícitamente cómo las acciones de reducción de valor competitivo de una empresa proveedora conducen a reducciones posteriores en las asignaciones de adquisición de compradores y cómo los factores contextuales moderan dichos efectos. Los resultados muestran que las acciones descendentes de un proveedor se asocian con reducciones en las compras del comprador del proveedor, así como la relación vertical descendente del proveedor y el grado en que los proveedores rivales persiguen acciones de reducción de valor moderan este efecto.

Finalmente, Pritchard et al. (2023) examinan un problema logístico clásico relacionado con las tasas de llenado y los desabastecimientos. Este estudio es un excelente ejemplo de cómo incluso nuestras expectativas neoclásicas de Deming y otros expertos en JIT y lean ya no son generalmente aceptadas, ni deberían serlo si realmente estamos enfocados en el cliente. En “The impact of stockout-based switching on fill rates” ("El impacto de la conmutación basada en la falta de existencias en las tasas de llenado"), los autores examinan cómo el comportamiento de sustitución de clientes puede influir en las medidas de servicio al cliente. Los autores encuentran que la tasa de finalización de los artículos es principalmente una función del nivel de servicio objetivo del elemento focal y la voluntad de cambiar de un elemento alternativo al elemento focal. La tasa de llenado de la categoría está influenciada por el nivel de servicio objetivo de ambos artículos, con una voluntad de cambio que amplifica su efecto. Sin embargo, el enfoque del árbol de decisión puede sobrestimar la tasa de relleno del elemento cuando aumenta la voluntad de reemplazar el elemento alternativo y predice con precisión las tasas de relleno de la categoría fuera de escenarios con sustituibilidad asimétrica.

Esperamos que el volumen 44 de JBL haya sido informativo e impactante. También esperamos que este editorial de perspectiva ayude a guiar futuras investigaciones y aliente al campo a enviar trabajos importantes a la revista. Gracias por apoyar el Journal of Business Logistics.

DOI: 10.1111/jbl.12364

REFERENCIAS
Ashok, M., Madan, R., Joha, A., & Sivarajah, U. (2022). Ethical framework for artificial intelligence and digital technologies. International Journal of Information Management, 62, 102433. https://doi.org/10.1016/j.ijinfomgt.2021.102433
Balthrop, A., Scott, A., & Miller, J. (2023). How do trucking compa- nies respond to announced versus unannounced safety crack- downs? The case of government inspection blitzes. Journal of Business Logistics. https://doi.org/10.1111/jbl.12353
Boston Consulting Group. (2023). Generative AI. https://www.bcg. com/x/artificial-intelligence/generative-ai
Brau, R. I., Sanders, N. R., Aloysius, J., & Williams, D. (2023). Utilizing people, analytics, and AI for digitalized retail supply chain decision-making. Journal of Business Logistics. https:// doi.org/10.1111/jbl.12355
Budhwar, P., Chowdhury, S., Wood, G., Aguinis, H., Bamber, G. J., Beltran, J. R., Boselie, P., Cooke, F. L., Decker, S., DeNisi, A., Dey, P. K., Guest, D., Knoblich, A. J., Malik, A., Paauwe, J., Papagiannidis, S., Patel, C., Pereira, V., Ren, S., ... Varma, A. (2023). Human resource management in the age of generative artificial intelligence: Perspectives and research directions on ChatGPT. Human Resource Management Journal, 33(3), 606– 659. https://doi.org/10.1111/1748-8583.12524
Chowdhury, S., Budhwar, P., Dey, P. K., Joel-Edgar, S., & Abadie, A. (2022). AI-employee collaboration and business perfor- mance: Integrating knowledge-based view, socio-technical systems and organisational socialisation framework. Journal of Business Research, 144, 31–49. https://doi.org/10.1016/j.jbusr es.2022.01.069
Clayton, J. (2023, May 17). Sam Altman, CEO of OpenAI calls for US to regulate artificial intelligence. BBC News. https://www.bbc. com/news/world-us-canada-65616866
Data Scientist. (2023, April 19). Internet searches will change forever with Google's “Magi”. https://datascientest.com/en/internet- searches-will-change-forever-with-googles-magi
Davenport, T. (2023, March 20). How Morgan Stanley is training GPT to help financial advisors. Forbes. https://www.forbes.com/ sites/tomdavenport/2023/03/20/how-morgan-stanley-is-train ing-gpt-to-help-financial-advisors/?sh=2961c4f73fc3
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelli- gence for decision making in the era of Big Data – Evolution, challenges and research agenda. International Journal of Information Management, 48, 63–71. https://doi.org/10.1016/j. ijinfomgt.2019.01.021
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J., Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini, B., ... Williams, M. D. (2021). Artificial intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinf omgt.2019.08.002
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., & Albanna, H. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges, and implications of generative conversational AI for research, practice, and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinf omgt.2023.102642
Dwivedi, Y. K., Pandey, N., Currie, W., & Micu, A. (2023). Leveraging ChatGPT and other generative artificial intelligence (AI)- based applications in the hospitality and tourism industry: Practices, challenges, and research agenda. International Journal of Contemporary Hospitality Management. https://doi. org/10.1108/IJCHM-05-2023-0686
Gligor, D. M., Davis-Sramek, B., Tan, A., Vitale, A., Russo, I., Golgeci, I., & Wan, X. (2022). Utilizing blockchain technology for sup- ply chain transparency: A resource orchestration perspec- tive. Journal of Business Logistics, 43(1), 140–159. https://doi. org/10.1111/jbl.12287
Grennan, J., & Michaely, R. (2020). Artificial intelligence and high- skilled work: Evidence from analysts. Swiss Finance Institute Research Paper, 20–84.
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial in- telligence: On the past, present, and future of artificial intelli- gence. California Management Review, 61(4), 5–14. https://doi. org/10.1177/0008125619864925
Hahn, T., & Tampe, M. (2021). Strategies for regenerative busi- ness. Strategic Organization, 19(3), 456–477. https://doi. org/10.1177/147612702097922
Hasija, A., & Esper, T. L. (2022). In artificial intelligence (AI) we trust: A qualitative investigation of AI technology accep- tance. Journal of Business Logistics, 43(3), 388–412. https://doi. org/10.1111/jbl.12301
Heater, B. (2023, August 17). What is a liquid neural network, really? TechCrunch. https://techcrunch.com/2023/08/17/what-is-a- liquid-neural-network-really/
Hendriksen, C. (2023). AI for supply chain management: Disruptive innovation or innovative disruption? Journal of Supply Chain Management, 59(3), 65–76. https://doi. org/10.1111/jscm.12304
Hofer, C., D'Oria, L., Cantor, D. E., & Ren, X. (2023). Competitive actions and supply chain relationships: How suppliers' value- diminishing actions affect buyers' procurement decisions. Journal of Business Logistics. https://doi.org/10.1111/jbl.12357 IBM. (2023). Generative AI in supply chain. https://www.ibm.com/ thought-leadership/institute-business-value/en-us/report/ Generative-AI-supplychain
Johnson, M., Albizri, A., Harfouche, A., & Fosso-Wamba, S. (2022). Integrating human knowledge into artificial intelligence for complex and ill-structured problems: Informed artificial intel- ligence. International Journal of Information Management, 64, 102479. https://doi.org/10.1016/j.ijinfomgt.2022.102479 Klumpp, M., & Ruiner, C. (2022). Artificial intelligence, robotics, and logistics employment: The human factor in digital logis- tics. Journal of Business Logistics, 43(3), 297–301. https://doi. org/10.1111/jbl.12314
Kochhar, R. (2023, July 26). Which US workers are more exposed to AI on their jobs. Pew Research Center. https://www.pewre search.org/social-trends/2023/07/26/which-u-s-workers-are- more-exposed-to-ai-on-their-jobs/
Konietzko, J., Das, A., & Bocken, N. (2023). Towards regenerative business models: A necessary shift? Sustainable Production and Consumption, 38, 372–388. https://doi.org/10.1016/j. spc.2023.04.014
Kumar, A., Gupta, N., & Bapat, G. (2023). Who is making the de- cisions? How retail managers can use the power of ChatGPT. Journal of Business Strategy. https://doi.org/10.1108/ JBS-04-2023-0067
Loske, D. (2022). Empirical evidence on human learning and work characteristics in the transition to automated order pick- ing. Journal of Business Logistics, 43(3), 302–342. https://doi. org/10.1111/jbl.12300
Makarius, E. E., Mukherjee, D., Fox, J. D., & Fox, A. K. (2020). Rising with the machines: A sociotechnical framework for bringing artificial intelligence into the organization. Journal of Business Research, 120, 262–273. https://doi.org/10.1016/j.jbusr es.2020.07.045
Masorgo, N., Mir, S., & Rossiter Hofer, A. (2023). You're driving me crazy! How emotions elicited by negative driver behaviors impact customer outcomes in last mile delivery. Journal of Business Logistics. https://doi.org/10.1111/jbl.12356
Mentzer, J. T., Flint, D. J., & Hult, G. T. M. (2021). Logistics ser- vice quality as a segment-customized process. Journal of Marketing, 65(4), 82–104. https://doi.org/10.1509/ jmkg.65.4.82.183
Meta, A. I. (2023, February 24). Introducing LLaMA: A foundational, 65-billion-parameter large language model. https://ai.facebook. com/blog/large-language-model-llama-meta-ai/
Microsoft Dynamics 365. (2023, June 15). Introducing next-generation AI and Microsoft Dynamics 365 copilot capabilities for ERP. Microsoft https://cloudblogs.microsoft.com/dynamics365/ bdm/2023/06/15/introducing-next-generation-ai-and-micro soft-dynamics-365-copilot-capabilities-for-erp/
Morgan, T. R., Gabler, C. B., & Manhart, P. S. (2023). Supply chain transparency: Theoretical perspectives for future research. The International Journal of Logistics Management, 34(5), 1422– 1445. https://doi.org/10.1108/IJLM-02-2021-0115
Norrman, A., & Prataviera, L. B. (2023). Revisiting postponement: Boundary-crossing problems and tax implications for global supply chains of integrated solutions. Journal of Business Logistics. https://doi.org/10.1111/jbl.12351
OECD Employment Outlook. (2023). Artificial and jobs. An ur- gent need to act. OECD survey on AI use in the manufacturing and finance sectors. https://www.oecd.org/employment-outlo ok/2023/#ai-jobs
Pan, S. L., & Nishant, R. (2023). Artificial intelligence for digital sus- tainability: An insight into domain-specific research and future directions. International Journal of Information Management, 72, 102668. https://doi.org/10.1016/j.ijinfomgt.2023.102668 Peng, C., van Doorn, J., Eggers, F., & Wieringa, J. E. (2022). The effect of required warmth on consumer acceptance of artificial intel- ligence in service: The moderating role of AI-human collabo- ration. International Journal of Information Management, 66, 102533. https://doi.org/10.1016/j.ijinfomgt.2022.102533 Pessot, E., Zangiacomi, A., Marchiori, I., & Fornasiero, R. (2023). Empowering supply chains with Industry 4.0 technologies to face megatrends. Journal of Business Logistics. https://doi. org/10.1111/jbl.12360
Pritchard, A., Sweeney, K. D., Çelebi, H., & Evers, P. T. (2023). The impact of stockout-based switching on fill rates. Journal of Business Logistics. https://doi.org/10.1111/jbl.12359
Rese, A., & Tränkner, P. (2024). Perceived conversational ability of task-based chatbots – Which conversational elements influence the success of text-based dialogues? International Journal of Information Management, 74, 1–20. https://doi.org/10.1016/j. ijinfomgt.2023.102699 Richey, R. G., & Davis-Sramek, B. (2022a). A research agenda to re- flect reality: On being responsive. Journal of Business Logistics, 43(1), 4–8. https://doi.org/10.1111/jbl.12297
Richey, R. G., & Davis-Sramek, B. (2022b). Scholarship that mat- ters. Journal of Business Logistics, 43(2), 164–168. https://doi. org/10.1111/jbl.12308
Richey, R. G., Jr., & Davis-Sramek, B. (2022c). What about policy research? Journal of Business Logistics, 43(4), 416–420. https:// doi.org/10.1111/jbl.12324
Richey, R. G., Roath, A. S., Adams, F. G., & Wieland, A. (2022). A responsiveness view of logistics and supply chain manage- ment. Journal of Business Logistics, 43(1), 62–91. https://doi. org/10.1111/jbl.12290
The White House. (2022, December 5). Issue briefing on the Impact of Artificial Intelligence on the future of workforces in the European Union and the United States of America. https://www.white house.gov/cea/written-materials/2022/12/05/the-impact-of- artificial-intelligence/
Thorbecke, C. (2023, February 9). Google shares lose $100 billion after company's AI chatbot makes an error during demo. CNN Business. https://edition.cnn.com/2023/02/08/tech/google-ai- bard-demo-error/index.html
Treiblmaier, H., & Garaus, M. (2023). Using blockchain to signal quality in the food supply chain: The impact on consumer pur- chase intentions and the moderating effect of brand familiarity. International Journal of Information Management, 68, 102514. https://doi.org/10.1016/j.ijinfomgt.2022.102514
Treiblmaier, H., & Rejeb, A. (2023). Exploring blockchain for disaster prevention and relief: A comprehensive framework based on industry case studies. Journal of Business Logistics. https://doi. org/10.1111/jbl.12345
Vallance, C. (2023, March 28). AI could replace equivalent of 300 million jobs – Report. BBC News. https://www.bbc.com/news/ technology-65102150
von Krogh, G., Roberson, Q., & Gruber, M. (2023). Recognizing and utilizing novel research opportunities with artificial in- telligence. Academy of Management Journal, 66(2), 367–373. https://doi.org/10.5465/amj.2023.4002
Wamba, S. F., Queiroz, M. M., Jabbour, C. J. C., & Shi, C. V. (2023). Are both generative AI and ChatGPT game changers for 21st- century operations and supply chain excellence? International Journal of Production Economics, 265, 109015. https://doi. org/10.1016/j.ijpe.2023.109015
Yurt, O., Sorkun, M. F., & Hsuan, J. (2023). Modularization of the front-end logistics services in e-fulfillment. Journal of Business Logistics. https://doi.org/10.1111/jbl.12354
Zagorin, E. (2023, June 29). How generative AI is transforming supply chain and procurement roles. Forbes Innovation. Forbes. https:// www.forbes.com/sites/forbestechcouncil/2023/06/29/how-gener ative-ai-is-transforming-supply-chain-and-procurement-roles/