Transforme la gestión de las interrupciones en la cadena de suministro con Agentic AI para superar los obstáculos relacionados con la disponibilidad de datos y automatizar la mitigación en cuestión de minutos.
caso de uso: Inteligenciaartificial, búsqueda inteligente
Industrias: Fabricación y movilidad
Productos: MongoDB Atlas, MongoDB Atlas Search, MongoDB Atlas Vector Search, Voyage AI
emparejar: AWS, LangChain
Resumen de la solución
Las interrupciones en la cadena de suministro cuestan a las empresas 184 3.000 millones de dólares anuales a partir del 4 de abril.2026La IA agente puede ayudar a reducir el impacto de estas interrupciones. Gartner identificóla preparación de los datos como uno de los obstáculos cruciales para las cadenas de suministro.
Para que los agentes de IA pasen de ser chatbots a colaboradores autónomos, requieren una base de datos de alta calidad y en tiempo real, actualmente almacenados en silos. La IA agencial cierra esta brecha mediante:
Resolviendo el problema de los datos no estructurados: Agentic AI utiliza el razonamiento para extraer información de miles de PDF, correos electrónicos e imágenes, convirtiéndolos en un UNS que toda la empresa puede utilizar.
Reducción de los tiempos de respuesta: Los agentes pueden diagnosticar una interrupción y activar acciones correctivas en minutos en lugar de días.
Facilitando la mitigación autónoma: Los agentes sensibles al contexto pueden razonar simultáneamente a través de múltiples flujos de datos. Pueden redirigir envíos de forma autónoma, negociar con proveedores alternativos y ajustar los cronogramas de producción dentro de los límites establecidos. Estas capacidades convierten la disponibilidad de datos en una ventaja competitiva.
La arquitectura de la acción: IA agencial en MongoDB Atlas
La solución propuesta demuestra cómo múltiples agentes de IA pueden colaborar dentro de una única base de datos preparada para IA. La aplicación utiliza MongoDB Atlas para transformar el obstáculo de la preparación de datos en una ventaja competitiva en los siguientes momentos operativos.
Figura 1. Descripción general de los agentes de solución.
Análisis de disrupciones: Extraer la lógica del caos
Las largas cadenas de correos electrónicos, las facturas en PDF, los informes de control de calidad o los albaranes suelen ocultar el motivo de un fallo en un envío. Las bases de datos tradicionales tienen dificultades para analizar esta información porque buscan palabras exactas. Por ejemplo, si un informe indica "retraso mecánico" pero un usuario busca "avería de camión", el sistema no encuentra la conexión. Esta solución utiliza Voyage AI para convertir este texto en incrustaciones.
Consideremos una incrustación como una representación matemática del significado. En lugar de simplemente almacenar texto, Atlas Vector Search mapea el significado de los datos en un espacio de alta dimensión. Esto permite al agente reconocer que términos como "condiciones meteorológicas adversas", "tormenta de nieve" y "carreteras intransitables" comparten un significado similar.
Con esta información, el agente puede analizar diferentes documentos y explicar por qué falló la compañía de telecomunicaciones. Comprende la situación y transforma un conjunto de archivos PDF en un análisis claro y práctico de la interrupción.
Planificación de la cadena de suministro: Ejecutar la recuperación
Cuando el agente descubre la causa de una falla, obtiene un resultado positivo en el diagnóstico, pero aún podría necesitar bastante tiempo para encontrar alternativas. En este punto, el agente pasa de analista a coordinador y utiliza Atlas Search con consultas geoespaciales de MongoDB para identificar proveedores alternativos que puedan intervenir de inmediato.
En lugar de hacer referencias cruzadas manualmente a hojas de cálculo con un mapa, el agente trata la geografía como un punto de datos vivo y consultable. El agente utiliza un
geoWithin Consulta para encontrar rápidamente centros de flotas disponibles dentro de un radio específico de la interrupción.
Análisis de riesgos: Mitigar vulnerabilidades
El agente final actúa como un motor predictivo, calculando el valor añadido (VAR) para cada envío mediante la agregación de datos de diversas fuentes, como eventos meteorológicos y registros históricos de incidentes. MongoDB Atlas utiliza un modelo de documentos flexible, lo que permite al agente procesar estas fuentes dispares sin las limitaciones de un esquema rígido.
Este agente sugiere eficazmente actualizaciones a las ponderaciones de riesgo en función de las condiciones actuales. Por ejemplo, si se prevén condiciones meteorológicas adversas, el agente puede recomendar aumentar la prioridad de los patrones climáticos para ofrecer una evaluación de riesgos más precisa y en tiempo real.
Arquitecturas de Referencia
Presenta una aplicación de cadena de suministro multiagente construida con:
MongoDB Atlas para el almacenamiento, recuperación y búsqueda vectorial de datos.
LangGraph para la orquestación de agentes.
AWS Bedrock para el razonamiento LLM.
Voyage AI para generar incrustaciones.
Estas tecnologías crean un sistema inteligente donde los agentes autónomos utilizan datos logísticos para gestionar el análisis de interrupciones, la planificación de rutas y la evaluación de riesgos.
Los beneficios de esta arquitectura
MongoDB Atlas funciona como una plataforma de datos unificada, que gestiona datos logísticos estructurados, consultas geoespaciales y búsqueda vectorial en una única base de datos, eliminando la necesidad de múltiples sistemas especializados.
LangGraph coordina agentes especializados, cada uno con sus propias herramientas y mensajes, para gestionar flujos de trabajo complejos. Puede almacenar la memoria de la conversación y la gestión del estado en MongoDB.
AWS Bedrock actúa como el centro neurálgico para la toma de decisiones. Al aprovechar modelos como Claude 3.5 Haiku, Bedrock funciona como un agente de razonamiento que no solo compara palabras clave, sino que también comprende la intención.
Voyage AI genera las representaciones vectoriales de alta calidad necesarias para una recuperación precisa. Losmodelos de incrustación convierten datos complejos y no estructurados, como documentos, imágenes y audios, en vectores numéricos densos (es decir, incrustaciones) que capturan su significado semántico.
Cada agente dispone de un conjunto único de herramientas adaptadas a su ámbito de aplicación. Por ejemplo, una herramienta puede consultar patrones históricos de envíos e interrupciones meteorológicas, otra puede encontrar transportistas cercanos mediante proximidad geoespacial y otra puede realizar búsquedas semánticas en informes de control de calidad. La siguiente sección explora las herramientas de los agentes en detalle.
Figura 2. Diagrama de arquitectura de la solución
Herramientas de análisis de disrupciones
Acceso a herramientas que le permiten descubrir las causas subyacentes de las interrupciones utilizando datos de envío estructurados e informes de control de calidad no estructurados.
Recuperar historial del operador
Utiliza el historial de operadores almacenado para detectar tendencias en el rendimiento. Con estos datos, el agente dispone de la información necesaria para determinar si el retraso es un evento aislado o parte de un patrón recurrente.
Recuperar informes de control de calidad
Utiliza Atlas Vector Search para permitir que el agente analice los informes de control de calidad vectorizados almacenados en la base de datos y encuentre problemas similares relacionados con el operador.
Generar informes de incidentes de envío
Genera un informe completo sobre la causa del retraso. Este informe se almacena en la base de datos para poder utilizarse posteriormente en la identificación de problemas recurrentes.
Herramientas de planificación de la cadena de suministro
Encuentra transportistas y rutas alternativas. Combina datos geográficos con las capacidades de los transportistas para sugerir alternativas que puedan completar la entrega. El agente utiliza las siguientes herramientas.
Encuentra las compañías de transporte más cercanas
Busca transportistas cerca de la ubicación actual del envío. Identifica qué transportistas pueden hacerse cargo rápidamente de un envío retrasado, minimizando así el tiempo de recuperación.
Validar la cobertura y el origen del servicio.
Comprueba qué transportistas operan en la región de origen. Esta herramienta solo considera a los transportistas con operaciones activas dentro del área del lugar de recogida.
Validar la cobertura del servicio y el destino.
Identifica las compañías aéreas que cubrieron el trayecto de origen y llegaron a su destino.
Alternativas de formato
Recupera información detallada sobre transportistas de la base de datos y presenta rutas y transportistas alternativos. Destaca factores clave para la toma de decisiones, como el costo, el tiempo estimado de entrega, los índices de confiabilidad y el impacto ambiental.
Gracias a las capacidades geoespaciales de MongoDB, el agente garantiza alternativas viables y proporciona información valiosa para tomar decisiones basadas en datos.
Herramientas de análisis de riesgos
Analiza los riesgos potenciales de una ruta determinada revisando las condiciones meteorológicas, las interrupciones en los cruces fronterizos y la fiabilidad histórica de la compañía de transporte. Con este contexto, el agente genera una métrica VAR que estima el riesgo financiero potencial. El agente dispone de las siguientes herramientas.
Recuperar eventos meteorológicos
Consulta los patrones meteorológicos históricos a lo largo de la ruta, como huracanes, tormentas de nieve, inundaciones y otras condiciones que podrían causar retrasos. De esta manera, el agente puede advertir sobre riesgos meteorológicos inesperados al programar un envío.
Recuperar incidentes fronterizos
Recopila y analiza datos sobre interrupciones históricas en los pasos fronterizos, como retrasos en las inspecciones y cierres inesperados de pasos fronterizos.
Recuperar el rendimiento del operador
Se revisan los envíos recientes del transportista seleccionado para identificar patrones como retrasos, problemas de cumplimiento o un desempeño deficiente. El agente utiliza este historial para evaluar si cambiar de transportista reduce el riesgo.
Calcula el VAR para estimar la exposición financiera.
Recopila información contextual de las herramientas anteriores para generar un VAR estimado. El cálculo combina el coste base de la ruta con valores ajustados al riesgo, ponderados según las preferencias del usuario para cada factor de riesgo.
En conjunto, estas herramientas proporcionan un análisis de riesgos que ayuda a los equipos a tomar decisiones basadas en la inteligencia operativa almacenada en MongoDB Atlas.
Compilar la solución
Para replicar esta solución, siga README las instrucciones en el repositorio de GitHub, que le guiarán a través de los siguientes pasos.
Configurar los requisitos previos
Asegúrese de haber configurado los siguientes requisitos:
Tiempo de ejecución: Node.js 18.0 o superior
Base de datos: Un clúster de MongoDB Atlas
Inteligencia: Acceso a AWS Bedrock (específicamente a Claude 3.5 Haiku) y una clave API de Voyage AI.
CLI: AWS CLI configurado con credenciales activas
Configurar el entorno
Copia la plantilla y crea tu archivo de entorno local:
cp .env.example .env
Abre el archivo .env y actualiza tus credenciales:
MONGODB_URI="mongodb+srv://<user>:<password>@<cluster>.mongodb.net/" DATABASE_NAME="supply_chain_demo" AWS_REGION="us-east-1" AWS_PROFILE="default" COMPLETION_MODEL="your_completion_model" EMBEDDING_MODEL="your_embedding_model" VOYAGE_API_KEY="your_voyage_key_here"
Por ejemplo, puede elegir us.anthropic.claude-4-5-haiku-20251001-v1:0 como su modelo de finalización y voyage-large-2-instruct como su modelo de incrustación.
Acceda a la aplicación
Una vez que la aplicación esté en funcionamiento, navegue a su navegador y vaya a http://localhost:8080 para usar la solución.
Lecciones clave
Orqueste las operaciones de la cadena de suministro con IA con agentes: La IA con agentes puede mitigar las interrupciones de la cadena de suministro, cuyo costo se estima en $184 mil millones anuales, al transformar la preparación de datos en una ventaja competitiva.
Descubra información valiosa a partir de datos no estructurados: utilice Agentic AI para analizar datos no estructurados, como archivos PDF y correos electrónicos, reduciendo los tiempos de respuesta de días a minutos.
Consolida tu base de datos: adopta MongoDB Atlas como tu plataforma de datos única. Unifica datos logísticos estructurados, datos geoespaciales para la optimización de rutas y búsqueda vectorial para la recuperación semántica de informes de control de calidad en una sola base de datos, eliminando la necesidad de múltiples bases de datos especializadas.
Implemente agentes multiagente especializados: implemente agentes gestionados por LangGraph para gestionar interrupciones operativas críticas. Cree un sistema que utilice Voyage AI y Atlas Vector Search para identificar la intención de interrupción, utilice consultas geoespaciales de MongoDB para encontrar transportistas alternativos y agregue flujos de datos fragmentados en un modelo de documento flexible para estimar el riesgo potencial de avería durante eventos volátiles.
Cree una pila de IA modular: combine MongoDB Atlas, LangGraph, AWS Bedrock y Voyage AI para crear un motor de razonamiento de alto rendimiento para los datos de su cadena de suministro.
Autores
Javier Guajardo, MongoDB
Dr. Humza Akhtar, MongoDB