las políticas heurísticas convencionales (Liu et al., 2025). Esta perspectiva de riesgo es central para la
resiliencia, la cual, desde el prisma de la gestión de inventarios, se construye mediante estrategias que
van más allá de la eficiencia de costos para incluir la capacidad de absorber y recuperarse de
disrupciones (Guo et al., 2024). En sectores de alta complejidad como la automoción, la optimización
de inventarios globales requiere equilibrar meticulosamente los costos de mantenimiento con los
riesgos de desabastecimiento, utilizando modelos que capturen la naturaleza estocástica de la oferta
y la demanda (Abdullah, 2025).
Para abordar esta complejidad, emergen metodologías híbridas que conectan la teoría con la práctica.
Un modelo de optimización y aprendizaje estocástico puede calibrar dinámicamente los niveles de
stock de seguridad, ofreciendo una herramienta valiosa para que los gestores de cadenas de
suministro automotrices tomen decisiones informadas bajo incertidumbre (Shahnawaz & Safder,
2025). Complementariamente, la adopción de enfoques no paramétricos para el dimensionamiento de
existencias de seguridad, basados directamente en datos históricos de demanda, permite a los
fabricantes de hardware (OEMs) definir niveles de inventario más precisos sin depender de supuestos
distribucionales rígidos (Agbenyega & Quick, 2025). La optimización de cadenas de suministro multi-
escalón y multi-objetivo se beneficia enormemente del aprendizaje por refuerzo, que puede navegar los
trade-offs entre múltiples metas, como la minimización de costos y la maximización del nivel de
servicio, superando las limitaciones de los métodos de optimización tradicionales (Rachman et al.,
2025).
La aplicación de estas técnicas en entornos reales, como el de JD.com,(2025) demuestra su potencial.
Un sistema integrado de planificación de surtido y asignación de inventario, basado en datos y modelos
de optimización, permite mejorar drásticamente la eficiencia en el cumplimiento de pedidos al decidir
qué productos almacenar y en qué centros de distribución, reduciendo costos y tiempos de entrega
(Shen et al., 2025). A una escala macro, la resiliencia de cadenas de suministro críticas, como las
alimentarias, puede analizarse mediante simulación, revelando que las estrategias de recuperación
lideradas por el gobierno son fundamentales para mitigar los efectos de crisis sistémicas como una
pandemia (Long et al., 2025). A nivel operativo, la implementación práctica de políticas de
reaprovisionamiento, como la extendida (R, s, Q) con modelos probabilísticos, proporciona un marco
accionable para optimizar los niveles de inventario en entornos con demanda incierta (Presbitero et al.,
2025).
La mejora de la logística en China, especialmente desde la perspectiva del riesgo, requiere un análisis
multidimensional. Investigaciones recientes subrayan que factores como la gestión de la información,
la coordinación y la flexibilidad logística son determinantes clave para mitigar riesgos y mejorar el
rendimiento en este complejo entorno (Su et al., 2024). Una visión panorámica de la modelización y
optimización en cadena de suministro identifica los problemas fundamentales y las soluciones
contemporáneas, destacando la tendencia hacia modelos integrados que combinan técnicas analíticas
con el poder computacional de la inteligencia artificial y el big data (Sun et al., 2025). En este contexto,
el paradigma de la nube en la cadena de suministro (cloud supply chain) emerge como un habilitador
clave, donde un enfoque basado en datos permite una gestión de inventarios más dinámica y
colaborativa, superando las limitaciones de los sistemas de información tradicionales (Tan et al.,
2024).
La simulación se consolida como una herramienta esencial para abordar la complejidad de los
sistemas multi-nivel. El método de Monte Carlo, aplicado a la optimización de inventarios, permite
evaluar el impacto de la incertidumbre en la demanda y los plazos de entrega sobre los costos totales
y el nivel de servicio, ofreciendo una base cuantitativa para la toma de decisiones estratégicas (Wang
& Tang, 2025). Más allá de la simulación, la incorporación de modelos de lenguaje de gran tamaño
(LLMs) promete revolucionar la toma de decisiones colaborativa entre humanos e IA, especialmente
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 149.
