IA en compras: dónde ayuda de verdad y dónde solo hace ruido

En la mayoría de empresas medianas, el departamento de compras trabaja con tres herramientas: el ERP, el correo y una hoja de cálculo que solo entiende quien la mantiene. La IA en compras se vende como el sustituto mágico de las tres, y no lo es. Lo que sí hace, y hace bien, es quitar de encima el trabajo de cotejar: comparar ofertas que llegan en formatos distintos, detectar que un proveedor lleva tres meses entregando tarde, avisar de que se está pagando dos precios diferentes por la misma referencia. Tareas que nadie hace todos los días porque no da tiempo, y que cuestan dinero precisamente por eso.

Esta guía recorre los casos de uso que funcionan hoy en un departamento de compras y aprovisionamiento real, qué datos exige cada uno, en qué orden conviene abordarlos y cuáles conviene dejar para más adelante. Sin promesas de ahorro porcentual: el ahorro depende de tu gasto, tu número de proveedores y del estado de tu maestro de artículos, no de la tecnología.

¿Qué puede hacer la IA en compras hoy?

Conviene separar tres capas, porque se confunden y acaban en el mismo presupuesto:

• Extracción y normalización. Leer ofertas, albaranes, facturas y contratos en PDF y convertirlos en datos estructurados. No es IA predictiva, es reconocimiento y clasificación, y es la capa más madura con diferencia. Lo tratamos en detalle en extracción de datos de documentos.
• Análisis y detección. Comparar precios entre proveedores y periodos, encontrar referencias duplicadas con descripciones distintas, señalar pedidos que se salen del patrón habitual. Aquí entra estadística y modelos de similitud, y el resultado es una lista de cosas que mirar, no una decisión.
• Predicción y recomendación. Estimar el plazo real de entrega de un proveedor, anticipar una rotura de stock, sugerir un punto de pedido. Es lo más vistoso y lo que más histórico limpio exige.

Un error frecuente es contratar la tercera capa cuando no existe la primera. Si las ofertas llegan por correo y nadie las registra en ningún sitio, no hay modelo que prediga nada: no hay datos con los que aprender.

Compras es el departamento con más datos por metro cuadrado y menos datos estructurados de toda la empresa. Ese es el problema real, y también la oportunidad.

¿Por dónde empezar? Homologación y maestro de proveedores

El primer caso de uso casi siempre es el menos glamuroso: poner orden en quién te vende y qué te vende.

En un maestro de proveedores de cierta antigüedad conviven el mismo proveedor dado de alta tres veces con razones sociales ligeramente distintas, proveedores inactivos desde hace cinco años que siguen abiertos y CIF repetidos. Un modelo de emparejamiento de entidades resuelve esto en horas: agrupa registros que probablemente son el mismo proveedor y deja que una persona confirme los casos dudosos. No es inteligencia artificial de titular, pero es la que desbloquea todo lo demás, porque sin un proveedor único no puedes agregar gasto ni comparar precios.

Sobre la homologación, la IA ayuda en dos puntos concretos:

• Leer y verificar documentación. Certificados ISO, pólizas de responsabilidad civil, certificados de estar al corriente con Hacienda y Seguridad Social: extraer fecha de caducidad y entidad emisora, y avisar 60 días antes de que venza. Es trabajo administrativo puro y se automatiza bien.
• Puntuar el riesgo de proveedor. Combinando datos propios (incidencias de calidad, cumplimiento de plazo, litigios) con datos externos (situación financiera, concursos). Aquí cuidado: una puntuación que nadie sabe explicar acaba ignorada o, peor, usada para excluir a un proveedor sin argumento defendible.

Lo mismo que aplica al maestro de proveedores aplica al de artículos. Si el mismo tornillo está dado de alta con cuatro descripciones, cualquier análisis de precio que hagas será falso. Conviene pasar antes por los controles de calidad de datos.

¿Cómo ayuda la IA con precios y condiciones de compra?

Aquí está el ahorro más directo y más fácil de demostrar, porque no depende de predecir nada: depende de ver lo que ya pasó.

Con el gasto consolidado y las referencias limpias, un análisis automático te da tres cosas que rara vez se miran en el día a día:

• Dispersión de precio por referencia. La misma pieza comprada a 4,20 € en una delegación y a 5,80 € en otra. Sucede constantemente en empresas multicentro y no es mala fe: es que nadie tiene la vista agregada.
• Deriva de precio en el tiempo. Subidas aplicadas sin renegociación, incrementos por encima de lo pactado en contrato, descuentos por volumen que dejaron de aplicarse cuando cambió el comercial del proveedor.
• Concentración de gasto. Qué porcentaje de tu volumen está en un único proveedor sin alternativa homologada. Es una métrica de riesgo, no de precio, y suele sorprender.

Para negociar, esto vale más que cualquier recomendación automática: llegas a la reunión con el histórico exacto de lo que has comprado, a qué precio y con qué nivel de servicio. La IA no negocia; te quita la excusa de no tener los números.

Plazos de entrega: ¿se puede predecir el retraso?

Sí, con matices, y es uno de los casos con mejor relación entre esfuerzo y beneficio si tienes el dato histórico.

Lo que se modela no es «este pedido llegará tarde», sino la distribución de plazos reales de cada proveedor por familia de producto: la mediana, la dispersión y la estacionalidad. Con eso puedes hacer dos cosas útiles:

• Usar plazos reales en lugar de los teóricos. El ERP tiene un plazo de entrega cargado en la ficha del proveedor que casi nunca se ha revisado. Sustituirlo por el plazo observado corrige la planificación sin tocar ningún modelo predictivo.
• Priorizar el seguimiento. Si un pedido tiene una probabilidad alta de retraso y bloquea una línea de producción, merece una llamada esta semana. El resto, no. Esto convierte el seguimiento de pedidos en algo selectivo en vez de un repaso completo cada lunes.

La conexión natural es con la previsión de demanda y con la operativa de almacén, que tratamos en IA en logística: plazo de aprovisionamiento y previsión de consumo son las dos mitades del cálculo del stock de seguridad.

¿Cómo se detectan los desvíos y las compras fuera de contrato?

Las compras que se hacen saltándose el circuito —el llamado maverick buying— son el punto ciego clásico. No se detectan porque cada una, por separado, es razonable: alguien necesitaba algo con urgencia y lo compró donde pudo.

Un sistema de detección de anomalías sobre el histórico de pedidos y facturas señala patrones que a ojo no se ven:

• Compras a proveedores no homologados cuando existe un contrato marco para esa categoría.
• Pedidos fraccionados justo por debajo del umbral que exigiría una aprobación superior.
• Facturas sin pedido asociado, o con importe distinto al del pedido más allá de la tolerancia pactada.
• Duplicados: la misma factura registrada dos veces con referencia ligeramente distinta.

Importante: esto genera alertas, no culpables. El valor está en que alguien las revise cada semana y en que el patrón se corrija; si la alerta va a un buzón que nadie abre, es ruido caro. Y si el circuito de compra es tan lento que saltárselo es la única forma de trabajar, el problema no lo arregla un modelo: lo arregla rediseñar el circuito.

¿Qué datos exige cada caso de uso?

Esta tabla es la que usamos para ordenar un proyecto de compras. La columna de la derecha es la que decide el orden real, no las ganas.

| Caso de uso | Dato mínimo necesario | Dificultad de arranque | |---|---|---| | Limpieza de maestro de proveedores | Maestro actual con CIF y razón social | Baja | | Extracción de ofertas y facturas | Documentos digitales accesibles (PDF, correo) | Baja | | Control de vencimientos documentales | Certificados con fecha, por proveedor | Baja | | Análisis de dispersión de precios | 18-24 meses de líneas de pedido con referencia limpia | Media | | Previsión de plazos de entrega | Fecha de pedido, fecha prometida y fecha real de recepción | Media | | Detección de desvíos y duplicados | Pedidos, recepciones y facturas cruzables entre sí | Media | | Recomendación de punto de pedido | Todo lo anterior más consumo histórico y stock fiable | Alta |

Si te fijas, casi todo depende de que pedido, recepción y factura se puedan cruzar. Esa trazabilidad es un problema de integración, no de IA, y suele ser el primer trabajo real del proyecto. Lo desarrollamos en integración de ERP y CRM.

Errores que se repiten en proyectos de IA en compras

• Empezar por la recomendación automática de proveedor. Es el caso de uso con menos datos disponibles y más resistencia interna. Déjalo para cuando el resto funcione.
• Medir el ahorro contra el precio de la oferta. El ahorro real se mide contra lo que habrías pagado sin el análisis, no contra la primera oferta recibida. Lo demás es contabilidad creativa.
• Ignorar al equipo de compras en el diseño. Los compradores saben por qué ese proveedor caro sigue ahí: entrega en 24 horas cuando hay urgencias. Un modelo que no conoce esa restricción recomienda tonterías con mucha seguridad.
• Automatizar la aprobación antes que el análisis. Aprobar sola una compra es una decisión con consecuencias contractuales. Primero que el sistema acierte señalando; ya hablaremos de que decida.
• Confundir el catálogo del proveedor con tu maestro. Importar descripciones del proveedor directamente al maestro de artículos es la forma más rápida de duplicar referencias.

Preguntas frecuentes

¿Cuánto histórico de compras hace falta para empezar?

Para análisis de precios y dispersión, con 18-24 meses de líneas de pedido suele bastar. Para previsión de plazos necesitas además la fecha real de recepción, que es el dato que más veces falta. Si solo tienes seis meses, empieza por la limpieza de maestros y la extracción documental, que no dependen del histórico.

¿Sustituye la IA al equipo de compras?

No, y quien lo plantee así suele estar vendiendo licencias. Lo que cambia es el reparto del tiempo: menos horas cotejando ofertas y persiguiendo albaranes, más horas negociando y homologando alternativas. El criterio de compra —relación con el proveedor, riesgo, urgencias— sigue siendo humano.

¿Se puede hacer sin cambiar de ERP?

En la mayoría de casos sí. La capa de análisis se monta sobre una copia de los datos del ERP, no dentro de él, y las alertas se devuelven por correo o al cuadro de mando. Cambiar de ERP para hacer IA en compras es empezar la casa por el tejado y multiplicar por diez el coste y el plazo.

¿Qué pasa con los datos de proveedores y el RGPD?

Los datos de empresas no son datos personales, pero los de sus personas de contacto sí lo son, igual que los de proveedores autónomos. Aplica la misma regla que en cualquier proyecto: minimiza lo que envías, revisa dónde se procesa y deja constancia de la base legal. Si usas un servicio externo de puntuación de riesgo, comprueba qué hace con lo que le mandas.

---

Si estás valorando por dónde entrar, el orden importa más que la herramienta: maestro limpio, gasto consolidado, análisis de precio y plazo, y solo después recomendación. En una auditoría revisamos exactamente eso —qué datos de compras tienes, cuáles son cruzables y qué caso de uso te devuelve algo antes de seis meses— y te decimos también si no merece la pena todavía. Si prefieres contarlo en voz alta antes de nada, hablemos.