- Usar la IA y las herramientas de análisis para mejorar previsiones, compras y seguimiento de existencias.
- Medir la fiabilidad de una previsión (error porcentual absoluto medio) antes de usarla.
- Mantener las decisiones de compra y la información de transporte bajo control humano y protegidas.
Este módulo complementa las 12 semanas del programa. No añade ningún examen: los certificados y el diploma se obtienen como antes. Las herramientas se describen tal como se conocen en noviembre de 2026; cambian rápido.
1Previsión de la demanda y gestión de existencias
Los métodos de previsión van de la media móvil a los modelos estadísticos o de aprendizaje automático. La IA generativa ayuda sobre todo a escribir las fórmulas o scripts, a explicar un método y a detectar tendencias estacionales en un historial de consumo.
Condiciones de fiabilidad:
- Datos limpios: consumos reales (no las cantidades distribuidas durante una rotura de stock), unidades coherentes, roturas señaladas.
- Medición del error: el error porcentual absoluto medio (MAPE) compara previsión y realidad en los meses pasados.
- Juicio de terreno: una llegada de personas desplazadas, una epidemia o una temporada de lluvias inusual no figuran en el historial.
En la acción anticipatoria, modelos de previsión (inundaciones, sequía) activan financiaciones antes del pico de la crisis; se basan en umbrales validados de antemano por personas expertas, no en un asistente conversacional.
2Compras: analizar las ofertas sin delegar la decisión
La IA puede:
- Preparar un pliego de licitación a partir de su modelo: especificaciones claras, criterios y ponderaciones.
- Construir la tabla comparativa de las ofertas (precio, plazos, conformidad técnica, garantías) a partir de los documentos recibidos.
- Señalar documentos que faltan o incoherencias (precio unitario × cantidad distinto del total).
Pero la evaluación y la adjudicación siguen siendo responsabilidad del comité de compras, según las reglas de la organización y del donante. Las ofertas de los proveedores son confidenciales: use solo una cuenta profesional aprobada y nunca una herramienta de uso general durante el periodo de confidencialidad. Cualquier error de extracción (un plazo mal leído) puede falsear la puntuación: verifique cada cifra en la oferta original.
3Transporte, acceso e imágenes
Herramientas útiles: mapas y datos de acceso compartidos por el Clúster de Logística, análisis de imágenes satelitales (por ejemplo, los de UNOSAT o servicios especializados) para evaluar carreteras, puentes o zonas inundadas, y seguimiento GPS de vehículos.
La IA puede ayudar a calcular itinerarios, comparar costes y plazos o resumir informes de acceso. Precauciones:
- Un mapa o una imagen puede estar desactualizado: verifique la fecha de adquisición y confirme con los equipos sobre el terreno.
- Los itinerarios, horarios y posiciones de los convoyes son información de seguridad: nunca en una herramienta de uso general.
- La optimización de costes no debe primar sobre la seguridad y la aceptación local.
4Almacenes, aduanas y documentos
- Existencias: fórmulas de alerta para fechas de caducidad (primero en caducar, primero en salir), puntos de reabastecimiento y diferencias de inventario.
- Aduanas: la IA puede ayudar a entender un procedimiento o preparar una lista de empaque, pero los códigos aduaneros, las exenciones y las licencias se verifican con el agente de aduanas y la administración. Un código erróneo puede bloquear un envío durante semanas.
- Bienes de doble uso y sanciones: controles realizados con las listas oficiales y los procedimientos de cumplimiento.
- Productos sanitarios: la calidad de los productos sigue las exigencias de las autoridades reguladoras y de la organización; la IA no sustituye la precalificación.
5Datos, responsabilidad y medio ambiente
Una cadena de suministro produce muchos datos: órdenes de compra, albaranes, listas de distribución. Las listas de distribución contienen datos personales: aplicar la minimización y nunca enviarlas a una herramienta no aprobada.
Responsabilidad: si una previsión errónea provoca una rotura de stock de medicamentos, la responsabilidad sigue siendo de la organización. Documente el método, el error medido y las decisiones tomadas. Por último, la IA puede ayudar a estimar la huella de carbono de un transporte o a comparar compra local e importación: estas estimaciones dependen de factores de emisión que deben citarse y verificarse.
Ejercicio: medir el error de una previsión
Situación. Un modelo previó el consumo mensual de kits de higiene. En tres meses: previsto 1000, real 800; previsto 1200, real 1000; previsto 900, real 900.
Preguntas. 1) Calcule el error porcentual absoluto de cada mes (|previsto − real| / real). 2) Calcule el MAPE. 3) ¿Usa el modelo tal cual?
Solución. 1) 200 / 800 = 25 %; 200 / 1000 = 20 %; 0 / 900 = 0 %. 2) MAPE = (25 + 20 + 0) / 3 = 15 %. 3) El modelo sobrestima dos meses de cada tres: puede servir de base, pero hay que corregir el sesgo (verificar si los «reales» no se redujeron por roturas de stock), seguir el error cada mes y mantener un stock de seguridad calculado a partir de ese error.
Puntos clave
- Una previsión vale lo que valen los datos: consumos reales, roturas señaladas, unidades coherentes.
- Medir el error (MAPE) antes de usar un modelo y seguirlo cada mes.
- La IA prepara la tabla comparativa; el comité de compras evalúa y adjudica.
- Itinerarios, horarios y posiciones de los convoyes: nunca en una herramienta de uso general.
- Aduanas, sanciones y calidad de los productos: verificación con las fuentes oficiales.
Cuestionario de autoevaluación
6 preguntas de autoevaluación, corregidas al instante. No cuentan para los exámenes.
El Mini MBA IA y acción humanitaria (Claude y Gemini) profundiza estos temas en 12 semanas.