Pregúntale al director de operaciones de cualquier grupo funerario grande cuántos cofres de gama alta hay ahora mismo en la sede sur y te va a dar un número. Después pídele que alguien vaya a contarlos. La diferencia entre esos dos números es, en la práctica, el techo de todo lo que puedas construir encima con inteligencia artificial.
Este es el octavo caso del cluster de IA, agentes y MCP aplicado a la operación funeraria, y es distinto de los siete anteriores en algo importante: es el primero donde la evidencia publicada apunta, de forma bastante consistente, en contra de la narrativa comercial dominante. La versión que circula —un agente que pronostica la demanda, calcula el punto de reorden y le manda la orden al proveedor sin intervención— no se sostiene con lo que hoy está medido. Y lo interesante es que, al desarmarla, aparece un caso de uso mejor, más barato y bastante más fácil de defender ante un comité.
1. El problema de negocio: qué cuesta hoy y dónde se pierde
El inventario de una funeraria a escala tiene una combinación de rasgos que no se repite en muchas industrias, y que explica por qué las recetas de retail se rompen al aterrizarlas:
- Poco volumen y mucho valor por unidad. Un cofre de gama alta puede costar más que el inventario completo de consumibles de una sede. No es un negocio de mover muchas unidades: es un negocio de no tener inmovilizado lo que no se va a vender y de no quedarse sin lo que sí.
- Demanda genuinamente intermitente. Los consumibles de operación rotan de forma más o menos estable. Las referencias de gama alta, las urnas de diseño y los materiales de cementerio se venden a saltos: varias semanas en cero y de pronto dos en un día.
- Quiebre con costo emocional, no solo económico. No tener el cofre que la familia eligió no se resuelve con un correo de disculpa ni con un descuento. Se resuelve improvisando delante de un doliente, y ese costo no aparece en ningún estado de resultados.
- El stock está repartido en estados que el número no distingue. Hay producto en exhibición en sala, producto reservado de hecho por un plan de previsión, producto prestado a otra sede, producto en tránsito y producto en reparación. Todo eso suma en la cifra total y nada de eso está disponible.
- Compra que nace de la operación, no de una planeación. Buena parte de lo que un grupo funerario compra no se decide en un comité de abastecimiento: se dispara cuando entra un servicio y hay que contratar la cremación, el traslado o la inhumación con un tercero.
Ese último punto es el que más se subestima. En una funeraria grande, compras no es un área que abastece a la operación: es una consecuencia de la operación, y ocurre a la velocidad del servicio, no a la del presupuesto. Cualquier diseño que trate las compras como un proceso planificable choca contra un servicio que entró a las tres de la mañana.
Traducido a la decisión que importa: si el 65 % de los registros puede estar mal, un agente que lea ese número para decidir cuánto comprar no está tomando una decisión mejor que la del jefe de compras. Está tomando la misma decisión equivocada, más rápido y con más confianza.
2. Qué datos del ERP intervienen
Un caso de MCP se sostiene o se cae según qué tan delimitado esté el conjunto de datos que toca. Estos son los que intervienen de verdad en compras e inventarios funerarios, con el módulo donde viven:
| Frente | Dónde vive el dato | Qué se busca |
|---|---|---|
| Existencias por almacén | Almacén e inventarios · Bin, Stock Ledger Entry | Cantidad real, ordenada y proyectada por almacén y compañía |
| Movimientos y su motivo | Stock Entry con campo de sede | Entradas, salidas, traslados entre sedes y ajustes |
| Cofres y urnas identificados | Item + Serial No · Alquiler de Cofres | Qué unidad está alquilada, prestada, en reparación o destruida |
| Consumibles de operación | Solicitud de Consumibles → Entrega de Consumibles | Consumo real por sede y centro de costo |
| Compra disparada por el servicio | Caracterización de Servicios Funerarios · Autorización de Servicio | Qué proveedor y qué productos corresponden a cada tipo de servicio |
| Ciclo de abastecimiento | Compras · Material Request, Purchase Order, Purchase Invoice | Qué se pidió, a quién, a qué precio y qué llegó |
| Maestro de proveedores | Supplier con datos tributarios y Supplier Group | Con quién se compra cada familia de producto y servicio |
| Contratos marco | Compra de Paquetes por regional y sede | Qué está negociado de antemano y qué se compra suelto |
| Espacios del cementerio | Parque cementerio · Registro de Inventario Físico Parque | Bóvedas, osarios, cenizarios y lotes ocupados o disponibles |
3. Cómo se arma el caso con MCP, en el orden correcto
El orden importa más que las herramientas. Estas cinco piezas están ordenadas por lo que se puede sostener con evidencia hoy, no por lo que se ve mejor en una demostración.
3.1. Primero: el agente de conciliación de inventario
Es el entregable número uno y el menos glamuroso. No decide nada: busca divergencias y programa conteos. Con las herramientas de lectura del MCP sobre el ERP, el agente puede correr todos los días un barrido que ninguna persona hace todos los días:
- Referencias con saldo negativo o imposible por almacén y compañía, que casi siempre delatan una salida registrada sin su entrada.
- Referencias sin movimiento en N meses pero con saldo alto: el patrón clásico del capital inmovilizado en una gama que dejó de venderse.
- Divergencias entre el serial y el saldo: unidades identificadas que figuran en un almacén y en un estado incompatibles entre sí —una unidad en reparación que sigue sumando como disponible—.
- Consumibles cuyo consumo por sede se sale de su propio patrón, comparando cada sede contra su historia y no contra el promedio del grupo.
- Traslados entre sedes sin cerrar: producto que salió de un almacén de tránsito y no entró a ninguna parte.
Lo que el agente produce no es un diagnóstico: es una lista de conteos priorizada por valor y por riesgo, del tamaño que el equipo realmente puede ejecutar esta semana. Veinte referencias, no dos mil. Y cada conteo que se ejecuta alimenta al siguiente barrido, porque enseña dónde se rompe el registro en esa operación concreta.
La segunda decisión es dónde contar, y también está estudiada. Kök y Shang, en el European Journal of Operational Research, muestran que el conteo debe dirigirse por proximidad al cliente, tasa de error y costo de contar, y que conviene contar con más frecuencia aguas abajo —con la advertencia explícita de que tampoco es efectivo asignar todos los conteos a las etapas prioritarias y desatender el resto—. Traducido a una funeraria: aguas abajo no es la bodega central, es la sala de velación y el almacén de sede, que es donde el cofre se exhibe, se mueve y se pierde el registro. Los materiales de cementerio, con plazos de entrega largos y poco movimiento, van a una frecuencia mucho menor.
Y hay un argumento adicional que suele decidir el presupuesto. Una simulación publicada en Production siguió durante 360 días a un centro de distribución que arrancaba con una exactitud excelente —0,10 % de error— y sin conteo cíclico terminó con 44,5 veces esa inexactitud y un 4,6 % de ventas perdidas. Con una sola persona dedicada al conteo cíclico, la pérdida caía al 0,13 %. Conviene leer las dos caras: si tu operación ya está sana, una persona la sostiene; si arranca mal, ningún agente la salva —el mismo trabajo estimaba quince o más contadores para llevar una operación deficiente apenas a desempeño típico—. Es una simulación, no un experimento de campo, y así hay que citarla; pero la asimetría que describe es la que decide si este proyecto es barato o carísimo.
3.2. Clasificar la demanda antes de pronosticarla
Aquí es donde se cometen los errores más caros y menos visibles. Un catálogo funerario tiene, como mínimo, dos regímenes de demanda completamente distintos conviviendo en el mismo almacén: consumibles que rotan y referencias de alto valor que se venden a saltos. Aplicarles el mismo motor de reposición no es una simplificación aceptable: es un error con dirección conocida.
La comparación clásica de Syntetos y Boylan sobre 3.000 series reales de demanda intermitente mostró que el método de referencia para este tipo de demanda —el de Croston— resulta sistemáticamente sesgado al alza, y que su corrección entrega estimaciones aproximadamente insesgadas. Traducido a bodega: aplicarle a los cofres de gama alta el mismo tratamiento que a las flores sobrestima el consumo de forma consistente y llena el almacén de las referencias más caras del catálogo. No es un refinamiento estadístico: es la diferencia entre un inventario sano y varios cientos de millones inmovilizados en producto que rota una vez por trimestre.
3.3. Pronosticar donde sí se gana, no donde se decide la compra
Esta es la cifra que ordena todo el caso, y conviene que la conozca quien vaya a firmar el presupuesto. La competencia M5, publicada en el International Journal of Forecasting, evaluó 42.840 series reales de demanda de un gran minorista. El resultado incómodo no es cuánto ganó el ganador, sino dónde ganó: la mejora media sobre el método de referencia fue de alrededor del 40 % en el nivel más agregado y de apenas un 3 % en el nivel de producto-tienda. El propio modelo ganador quedó fuera del top-10 en esos niveles bajos.
| Pregunta | Nivel de agregación | Cuánto aporta la IA |
|---|---|---|
| ¿Cuántos servicios va a atender el grupo el mes próximo? | Compañía / región | Mucho. Es el nivel donde el pronóstico rinde de verdad |
| ¿Cuánto vamos a consumir de la familia “cofres” este trimestre? | Categoría | Aporta, y sirve para negociar volumen con el proveedor |
| ¿Cuántas urnas del modelo X venderá la sede norte la semana próxima? | Producto-sede-semana | Marginal. Aquí gana la política de stock, no el modelo |
La consecuencia práctica es contundente: la reposición de cofres por sede vive exactamente en el nivel donde el pronóstico casi no aporta. Ahí el retorno no está en un modelo mejor, sino en decidir bien el stock de seguridad, el punto de reorden y qué se centraliza. En cambio, el pronóstico agregado —cuántos servicios y de qué tipo va a tener el grupo— sí es valioso, y es además el insumo para sentarse a negociar. Prometer lo contrario es vender el modelo en el único nivel donde está demostrado que casi no sirve.
3.4. Reponer con visibilidad de todas las sedes en la misma consulta
Cuando ya hay un inventario creíble y una política de stock por régimen de demanda, la reposición asistida tiene sentido. Con un matiz que la evidencia sobre agentes de IA en tareas de inventario documenta bien: AIM-Bench, que midió a cinco modelos en tareas de gestión de inventario, encontró que los agentes reproducen los mismos sesgos que los humanos —se anclan a la demanda media y amplifican la variación hacia arriba en la cadena, el efecto látigo de manual—.
Y encontró también cuál es la mitigación que funciona, que es la parte útil para el diseño: compartir información reduce el efecto látigo de forma sustancial —en sus experimentos, más de la mitad—. Eso no es un consejo sobre cómo escribir el prompt: es una instrucción de arquitectura de datos. El agente tiene que ver, en la misma consulta, el inventario de las demás sedes, lo que ya está pedido y lo que la operación tiene comprometido, y no solo el saldo del almacén que está reponiendo. En una operación multiempresa —varias razones sociales, varias sedes, un crematorio, un cementerio— esa visibilidad transversal es justamente lo que un ERP integrado puede dar y una hoja de cálculo por sede no.
3.5. Dónde poner al humano: corrige el insumo, no la salida
Este es el hallazgo de diseño más útil de todos, y va en contra de la intuición administrativa. Un experimento de campo a gran escala en una cadena de repuestos —negocio de demanda intermitente, como el funerario— publicado en Management Science comparó dos formas de meter el criterio humano en un sistema automático de inventario. Permitir que los compradores ajustaran el insumo del pronóstico aumentó la rentabilidad un 4,92 % frente a la automatización sin intervención. En cambio, la línea de investigación previa de los mismos autores encontró que dejar a los compradores sobreescribir la decisión ya calculada por la herramienta reducía la rentabilidad, con una excepción nítida: en productos nuevos, sin historia, el criterio humano sí ganaba.
3.6. Negociar: el hallazgo que contradice al folleto
De toda la evidencia disponible sobre este caso, la más sólida metodológicamente —un experimento de campo aleatorizado con una comercializadora real, no una simulación— es también la más contraintuitiva. Cui, Li y Zhang, en M&SOM, compararon las cotizaciones que recibían compradores identificados como mujer, como hombre y como chatbot. El resultado: sin ninguna señal adicional, el comprador identificado como bot recibió la cotización más alta de los tres. La ventaja se recuperaba cuando quedaba claro que ese comprador contaba con información —un sistema de recomendación detrás—.
Es, además, el punto donde el ERP integrado deja de ser una preferencia técnica y se vuelve una ventaja comercial: ese histórico de consumo y de precios pagados solo existe si las compras están en el mismo sistema que la operación que las disparó.
Hay un segundo resultado que conviene conocer antes de definir los indicadores del piloto. Una evaluación de trece sistemas de IA de frontera en negociación bilateral de precio (preprint, 2026) encontró que casi todos cierran trato: entre el 93 % y el 100 % de las veces. El problema es lo otro que midió: la fracción del valor que capturan varía casi cuatro veces entre modelos. Y el detalle más revelador para quien compra: la penalidad por enfrentarse a una contraparte elocuente fue negativa en todos los modelos —el agente extrae menos valor cuando el vendedor se expresa mejor—.
4. El bucle de mejora continua
Como en el resto del cluster, el caso no es un proyecto que se entrega: es un bucle que corre con una cadencia definida y deja rastro de cada vuelta.
| Cadencia | Qué se revisa | Quién |
|---|---|---|
| Diaria | Barrido de divergencias y cola de conteos priorizada por valor | Jefe de almacén de cada sede |
| Semanal | Resultado de los conteos ejecutados: qué se contó, qué diferencia apareció y por qué | Coordinación de operaciones |
| Semanal | Referencias en riesgo de quiebre y referencias inmovilizadas | Compras |
| Mensual | Exactitud del inventario por sede, con la tendencia a la vista | Dirección de operaciones |
| Mensual | Precios pagados frente a lo negociado en los contratos marco | Compras y dirección financiera |
| Trimestral | Reclasificación del régimen de demanda de cada referencia | Compras con dirección de operaciones |
El aprendizaje no está en el modelo: está en la causa de cada diferencia. Cuando el equipo descubre que en una sede el faltante recurrente aparece en las salidas de madrugada, o que las diferencias se concentran en el producto que estuvo en exhibición, ese conocimiento se convierte en una regla de conteo dirigido y en un cambio de proceso. Ese es el activo que se acumula, y no se puede comprar hecho.
5. Gobierno y límites: qué nunca se automatiza
Compras es, junto con tesorería, el proceso donde un agente mal acotado hace más daño más rápido, porque compromete dinero frente a terceros. El reparto que recomendamos, coherente con el que ya publicamos en gobierno de agentes de IA en el ERP funerario, es explícito:
| Acción | ¿Quién la hace? | Por qué |
|---|---|---|
| Detectar divergencias y proponer conteos | El agente, sin aprobación | No mueve dinero ni stock; solo señala |
| Ajustar el inventario tras un conteo | Una persona, con evidencia del conteo | Un ajuste de stock es un asiento contable |
| Proponer qué reponer y en qué cantidad | El agente propone; compras decide | La decisión depende de contexto que no está en el ERP |
| Emitir una orden de compra | Una persona, dentro de su nivel de aprobación | Compromete a la compañía frente a un tercero |
| Elegir proveedor para un servicio de un fallecido | Siempre una persona | Afecta directamente la atención a una familia |
| Negociar precio o condiciones | El agente prepara; la persona negocia | Un comprador identificado como bot recibe peores precios |
Un tope escrito en el prompt no es un tope
Este punto merece su propio apartado porque es donde más proyectos se caen en auditoría. La práctica habitual es instruir al agente —“no comprometas más de tal monto”— y darlo por controlado. Una evaluación reciente de agentes con presupuesto explícito y acciones tarifadas (preprint, 2026) midió exactamente eso sobre 304 tareas: el éxito estricto dentro del presupuesto fue de apenas 3,9 % en el peor modelo y 65,1 % en el mejor, y en algunas familias de tareas el presupuesto se violó entre el 47 % y el 99 % de las veces. Un modelo excedió el tope en el 99 % de las tareas baratas.
Todo lo que el agente escriba, en borrador reversible
Escribir en el ERP es una categoría de riesgo distinta de leer, y los números lo respaldan. Cuando a los agentes se los evalúa por el estado final de la base de datos —es decir, por lo que realmente dejaron hecho— los resultados caen fuerte: en el dominio de retail de τ-bench, la probabilidad de resolver ocho veces seguidas la misma tarea cae por debajo del 25 %, y en WorkBench, sobre 690 tareas, el mejor modelo llega al 43 % y sus errores no son respuestas equivocadas sino acciones equivocadas ya ejecutadas.
El dato que hay que llevarle a la dirección de operaciones no es la tasa de acierto: es la consistencia. Un agente que ajusta bien el stock de cofres tres de cada cuatro veces produce un cuarto de ajustes erróneos que después nadie sabe reconstruir. De ahí la regla que aplicamos sin excepción: toda escritura del agente entra como documento en borrador reversible —orden de compra en borrador, ajuste de inventario como propuesta— y la confirmación es siempre un acto humano o una regla determinista, nunca una inferencia del modelo.
Y la aprobación humana tampoco es gratis
Conviene decirlo aunque incomode: poner a una persona a aprobar no cierra el riesgo, solo lo desplaza. Un experimento con veintiocho especialistas encontró que, aunque la IA mejora el desempeño general, introduce un 7 % de sesgo de automatización: casos en los que un juicio propio correcto se revierte por seguir una recomendación errónea del sistema. La presión de tiempo no hizo que ocurriera más seguido, pero sí que fuera más grave. Un jefe de compras revisando cuarenta propuestas un lunes en la mañana, con tres servicios en curso, es exactamente ese escenario.
La conclusión de diseño no es quitar al humano: es aprobar por excepción y no por volumen. Solo lo que se sale del rango, con la evidencia adjunta —precio propuesto frente al histórico y frente al mejor cotizante— para que la revisión tome segundos y sea real. Vale la pena además tener claro por qué se justifica el control humano, porque hay trabajo formal que muestra que una barandilla humana que no aporta datos nuevos normalmente no mejora nada cuando el algoritmo está bien alimentado. Solo mejora en tres situaciones, y en una funeraria se dan las tres: el sistema no ve la competencia local ni las tarifas del cementerio municipal, el modelo de demanda está mal especificado por la estacionalidad de la mortalidad, y los registros están contaminados por traslados entre sedes sin documentar. Ese —y no “porque la IA se equivoca”— es el argumento honesto.
Hay dos límites técnicos más que conviene poner por escrito. El primero: los permisos del agente son los del usuario con el que corre, no una configuración aparte. Si ese usuario ve las seis compañías del grupo, el agente ve las seis. La restricción se hace en el modelo de permisos del ERP —por compañía y por almacén—, nunca por instrucción en el prompt. Los benchmarks sobre agentes en sistemas empresariales son claros al respecto: la conciencia de confidencialidad de un agente es cercana a cero con instrucciones estándar, y forzarla por prompt degrada la tarea. En una funeraria eso importa el doble, porque una orden de compra puede llevar el nombre del fallecido y el contrato de la familia.
El segundo: conviene exponer herramientas de negocio acotadas y validadas en lugar de dejar que el agente componga consultas libres sobre el esquema crudo del ERP. Un ERP funerario tiene cientos de tablas y miles de campos, y los mejores modelos resuelven alrededor de un 21 % de los problemas reales sobre bases de datos empresariales de ese tamaño, frente a más del 90 % en los benchmarks de laboratorio. La diferencia no la hace el modelo: la hace acotar la herramienta.
6. Los KPIs: cómo sabes si funcionó
Los indicadores están ordenados de forma deliberada: los tres primeros miden si el piso quedó firme; los siguientes, si la automatización aportó. Medir los últimos sin haber movido los primeros es la forma más común de justificar un proyecto que no funcionó.
| Indicador | Cómo se calcula | Línea base típica | Meta |
|---|---|---|---|
| Exactitud del inventario | Referencias contadas que coinciden con el sistema ÷ referencias contadas | Desconocida en la mayoría de los grupos | Primero medirla; después subirla sostenidamente |
| Cobertura de conteo | Referencias de alto valor contadas en el trimestre ÷ total de alto valor | Un inventario general al año, o ninguno | 100 % del alto valor, al menos una vez por trimestre |
| Tasa de acción sobre alerta | Divergencias señaladas que derivan en un conteo ÷ divergencias señaladas | No se mide | Alta y estable: si cae, el umbral está mal calibrado |
| Quiebres con impacto en el servicio | Servicios en que hubo que sustituir por falta de existencia | Se sabe que pasan; casi nunca se registran | Registrarlos siempre y reducirlos |
| Inmovilizado | Valor del stock sin movimiento en más de N meses | Alto y concentrado en gama alta | Bajarlo sin aumentar los quiebres |
| Rotación por régimen de demanda | Separada entre referencias de rotación y de demanda intermitente | Se calcula mezclada, y así no dice nada | Dos series distintas, con metas distintas |
| Precio pagado vs. contrato marco | Compras por fuera del acuerdo ÷ compras totales de esa familia | No se vigila de forma sistemática | Reducir la fuga y renegociar con el consumo real |
| Precio de la cotización asistida | Precio obtenido vs. línea base histórica y vs. el mejor cotizante | No se compara: se mira si se cerró o no | Mejorarlo. Nunca uses el % de cotizaciones cerradas |
| Consistencia de las propuestas del agente | Propuestas aceptadas sin corrección ÷ propuestas revisadas | No se mide | Estable en el tiempo: si oscila, el agente no está listo para escribir |
7. Hoja de ruta de adopción
Semana 1 — poner el piso
- Definir qué es alto valor. Una lista corta y explícita de referencias que justifican un conteo dirigido. En una funeraria suele ser corta: cofres de gama alta, urnas de diseño y algunos materiales de cementerio.
- Poner al agente en solo lectura. Sin excepciones en la primera etapa: el agente lee y propone, nada más.
- Correr el primer barrido de divergencias sobre una sola compañía y mirar el resultado con el jefe de almacén, no con el equipo de tecnología.
- Ejecutar el primer conteo de veinte referencias y anotar la causa de cada diferencia. Ese cuaderno de causas es el activo real de esta etapa.
Mes 1 — una sede, no toda la red
- Establecer la cadencia de conteo cíclico combinando valor, tasa de error observada y movimiento: lo caro y lo que más rota entre sedes se cuenta seguido; lo de plazo largo y poco movimiento, poco. Un inventario general anual no sustituye esto.
- Clasificar el catálogo por régimen de demanda y separar el tratamiento de las referencias intermitentes del de los consumibles.
- Medir la exactitud por primera vez y publicarla. Casi ningún grupo funerario conoce este número, y no se puede mejorar lo que no se mide.
- Depurar el maestro de proveedores por familia de producto y servicio, que es la base de cualquier negociación posterior.
Trimestre 1 — recién ahora, automatizar
- Activar reglas de reposición con stock de seguridad diferenciado por régimen de demanda, primero en una familia de producto.
- Dar visibilidad transversal al agente: inventario de todas las sedes, pedidos en curso y compromisos de la operación en la misma consulta.
- Preparar la negociación con datos: consumo de doce meses y precios pagados por proveedor, para renegociar los contratos marco.
- Extender a las demás sedes y compañías solo cuando la exactitud de la primera se sostenga en el tiempo.
8. Errores comunes
- Empezar por el agente de compras. Es el error que ordena todos los demás: automatiza decisiones sobre un inventario que nadie ha verificado.
- Pronosticar al nivel de producto-sede-semana y esperar mucho. Es el nivel donde está medido que la ganancia es marginal. El pronóstico rinde arriba, en el agregado.
- Un solo motor de reposición para todo el catálogo. Sobrestima sistemáticamente el consumo de las referencias caras que se venden a saltos.
- Confundir saldo con disponibilidad. El producto en exhibición, prestado, en tránsito o reservado de hecho por un plan suma en la cifra y no está disponible.
- Automatizar la cotización sin respaldarla con datos. Un comprador identificado como bot y sin histórico recibe peores precios; es un resultado de campo, no una hipótesis.
- Medir alertas generadas en lugar de alertas atendidas. El primer número siempre sube; el segundo es el que dice si el sistema sirve.
- Dejar que el agente componga consultas libres sobre el esquema del ERP. Sobre bases empresariales reales, la exactitud se desploma. Herramientas acotadas y validadas.
- Programar el conteo por nivel de stock. “Contar cuando baje de N” está demostrado que no es la política correcta: lo que dispara el conteo es la incertidumbre acumulada sobre el registro, no el saldo.
- Poner el tope de gasto en el prompt. Está medido que los agentes violan presupuestos comunicados por instrucción. El tope va en el flujo de aprobación del ERP, no en el texto.
- Convertir al jefe de compras en aprobador de cuarenta órdenes diarias. Revisar la salida del sistema resta rentabilidad y activa el sesgo de automatización bajo presión. Aprobación por excepción y corrección del insumo.
- Confiar en la calificación del proveedor como control. En mercados con agentes, la reputación es justo el mecanismo que se explota. Lo que protege es una garantía exigible en el contrato.
- Olvidar que mover inventario entre sedes puede ser un hecho fiscal. En Perú, por ejemplo, la Guía de Remisión Electrónica es obligatoria para todo traslado de bienes desde julio de 2026: el movimiento de cofres entre bodega, sede y crematorio dejó de ser un dato interno.
9. Inventario honesto: qué existe hoy en SFUN y qué no
Como en el resto del cluster, cerramos con el inventario verificado contra el código, y no contra el folleto. Lo que sigue se comprobó sobre el repositorio del producto y sobre una instancia real el 8 de agosto de 2026.
| Capacidad | Estado | Detalle |
|---|---|---|
| Inventario multi-almacén y multi-compañía con libro de inventario y valoración FIFO | ✅ Existe | Sobre la base de ERPNext, con la capa de personalización propia de SFUN |
| Eje propio de sede en los documentos de stock y compras | ✅ Existe | Movimientos, órdenes de compra, entregas y consumibles llevan su sede |
| Cofres y urnas con número de serie y ciclo completo | ✅ Existe | Alquiler, préstamo, reparación, retorno y destrucción, generando movimientos reales de inventario |
| Consumibles con solicitud, entrega y salida costeada por sede | ✅ Existe | Con centro de costo y almacén de origen |
| Compra disparada por la operación funeraria | ✅ Existe | La caracterización del servicio y la autorización de previsión generan la orden de compra con su proveedor por tipo de servicio. Es el diferenciador real frente a un ERP genérico |
| Orden de compra con contexto funerario | ✅ Existe | Sede, municipio, contrato de previsión, caracterización y datos del servicio en el propio documento |
| Contratos marco con proveedor por regional y sede | ✅ Existe | Con productos autorizados y control de estado |
| Portal de proveedores y ciclo de cotización | ✅ Existe | Solicitud de cotización, cotización, orden y factura del proveedor, sobre la base estándar |
| Reportes de stock y compras ejecutables por el agente | ✅ Existe | Más de cincuenta reportes estándar, más los propios de SFUN, con el permiso del usuario respetado y tope de filas |
| Análisis agregado por el agente (conteos y sumas agrupadas) | ✅ Existe | Respeta los permisos del usuario y valida los campos contra el esquema |
| Modo de solo lectura para el agente | ✅ Existe | Las herramientas de escritura desaparecen del catálogo, no solo fallan |
| Conteo cíclico de almacén | ❌ No existe | No hay doctype, flujo ni cadencia. El único inventario físico modelado cuenta espacios del cementerio, no cofres. Es la brecha número uno de este caso |
| Reserva de stock | ⚠️ Instalada pero desactivada | El mecanismo estándar existe; hoy no está habilitado |
| Reglas de reorden configuradas | ⚠️ El mecanismo existe, la configuración no | El artículo conserva los campos de nivel de reorden y stock de seguridad, pero no hay reglas cargadas |
| Evaluación de proveedores en uso | ⚠️ Instalada, sin configurar | La ficha de desempeño de proveedor existe en la base estándar y no está en operación |
| Bloqueo de proveedores por certificaciones vencidas | ❌ No existe | No se encontró lógica que lo implemente. Hoja de ruta |
| Monitoreo automático de SLAs de proveedor con penalizaciones | ❌ No existe | No se encontró en el ciclo de compras. Hoja de ruta |
| Lectura automática de facturas de compra y conciliación a tres vías | ❌ No existe | No hay reconocimiento de documentos en compras. Hoja de ruta |
| Bitácora de invocaciones del agente | ❌ No existe | Sigue abierta desde que la publicamos: una escritura hecha por un agente es hoy indistinguible de una edición manual |
Preguntas frecuentes
¿Cómo se usa la inteligencia artificial en la gestión de inventarios de una funeraria?
El uso con mejor retorno y menos riesgo no es predecir la demanda: es encontrar las diferencias entre lo que dice el sistema y lo que hay en bodega, y priorizar los conteos que valen la pena. El agente barre todos los días saldos imposibles, referencias sin movimiento con saldo alto, unidades identificadas en estados incompatibles y traslados sin cerrar, y entrega una cola de conteos del tamaño que el equipo puede ejecutar. Después de eso —y solo después— tienen sentido la reposición asistida y el pronóstico.
¿Puede la IA pronosticar cuántos cofres se van a vender en cada sede?
Puede, pero es justo el nivel donde menos aporta. La evidencia de la competencia de pronóstico más grande realizada sobre datos reales de minorista muestra que la mejora sobre un método simple ronda el 40 % en el nivel agregado y cae a alrededor del 3 % en producto-punto de venta. Pronosticar cuántos servicios tendrá el grupo el mes próximo es donde la IA gana de verdad; pronosticar cuántas urnas de un modelo específico venderá una sede la semana próxima es donde apenas gana. Ahí el retorno está en la política de stock —cuánto de seguridad, qué se centraliza, cada cuánto se repone—, no en el modelo.
¿Conviene que un agente de IA negocie con los proveedores?
Con cuidado, y sabiendo un resultado incómodo: en un experimento de campo aleatorizado con una comercializadora real, el comprador identificado como chatbot recibió las cotizaciones más altas, y la desventaja se corregía cuando quedaba claro que contaba con información detrás. La conclusión de diseño no es esconder la automatización, sino respaldarla: que la solicitud abra citando el consumo real de los últimos doce meses y el precio pagado en la última compra. Y la negociación final —precio, condiciones, exclusividades— la cierra una persona.
¿Qué se necesita antes de poner un agente sobre el inventario?
Tres cosas, y ninguna es tecnológica. Primero, que los movimientos de inventario se registren en el sistema cuando ocurren, incluidos los de madrugada. Segundo, una lista explícita de referencias de alto valor, porque la conciliación se prioriza por valor y no por cantidad. Tercero, alguien con nombre propio que ejecute los conteos y anote la causa de cada diferencia. Sin ese trío, el agente produce una lista de divergencias que nadie mira, que es exactamente como mueren estos proyectos.
¿Cada cuánto hay que hacer conteo cíclico y de qué referencias?
No hay una periodicidad universal, pero sí tres criterios respaldados. Primero, se cuenta más aguas abajo: la sala de velación y el almacén de sede, donde el producto se exhibe y se mueve, antes que la bodega central. Segundo, se prioriza por valor unitario, tasa de error observada y costo de contar —y no conviene concentrar todos los conteos en las referencias prioritarias abandonando el resto—. Tercero, el disparador no es el nivel de stock sino la incertidumbre acumulada: días sin contar, traslados entre sedes, salidas de madrugada. Como referencia práctica, el objetivo razonable es que el 100 % de las referencias de alto valor se cuente al menos una vez por trimestre, y las de sala con bastante más frecuencia.
¿Puede el agente ver el inventario de todas las sedes a la vez?
Sí, y además conviene que lo vea: la evidencia sobre agentes de IA en tareas de inventario muestra que compartir información entre nodos reduce sustancialmente la amplificación de los pedidos hacia arriba en la cadena. El límite no es técnico sino de permisos: el agente ve exactamente lo que ve el usuario con el que corre, y ese alcance se restringe en el modelo de permisos del ERP —por compañía y por almacén—, nunca por una instrucción escrita en el prompt.
¿Puede un agente emitir órdenes de compra solo?
Técnicamente sí; nuestra recomendación es que no, y hay tres razones concretas. Una orden de compra compromete a la compañía frente a un tercero. Los agentes evaluados por lo que dejan hecho en la base de datos aciertan de forma inconsistente —en algunos dominios, la probabilidad de repetir bien la misma tarea ocho veces cae por debajo del 25 %—. Y un tope de gasto comunicado por instrucción no se respeta: está medido que se viola en una proporción muy alta de casos. Por eso el agente propone en borrador reversible, el tope vive en el flujo de aprobación del ERP y una persona emite dentro de su nivel de autorización. Cuando se trata de elegir el proveedor de un servicio para un fallecido concreto, la decisión es siempre de una persona, sin matices.
El orden es el consejo
Si de todo este caso hubiera que quedarse con una sola frase, sería esta: en compras e inventarios, la inteligencia artificial no falla por falta de modelo, falla por exceso de confianza en el dato de partida. La secuencia que la evidencia respalda —conciliar, clasificar la demanda, pronosticar donde se gana, reponer con visibilidad completa y negociar con histórico— es más lenta de contar en una presentación y bastante más difícil de refutar en una operación.
Y tiene una ventaja adicional para un grupo funerario: cada paso rinde por su cuenta, aunque el siguiente nunca llegue. Un inventario confiable ya mejora el control interno; un catálogo bien clasificado ya baja el inmovilizado; un histórico de consumo ordenado ya mejora la negociación. Si quieres ver cómo se ve esto cuando el servicio, el almacén, la compra y el asiento contable viven en el mismo sistema, empieza por el módulo de almacén e inventarios, por el de compras y por las guías de control interno y prevención de pérdidas y operación multiempresa.