Transforma la gestión de la interrupción de la cadena de suministro con Agentic AI para superar los obstáculos de preparación de datos y automatizar la mitigación en minutos.
caso de uso: Inteligencia Artificial, Búsqueda Inteligente
Industrias: Manufactura y Movilidad
Productos: MongoDB Atlas, MongoDB Atlas Search, MongoDB Atlas búsqueda vectorial, Voyage IA
Descripción general de la solución
Las interrupciones de la cadena de suministro cuestan a las empresas $184 mil millones anualmente desde 2026. Agente IA puede ayudar a reducir el impacto de estas disrupciones. Gartner identificó la preparación de los datos como uno de los obstáculos decisivos para las cadenas de suministro.
Para que los agentes de IA evolucionen de ser chatbots a colaboradores autónomos, requieren una base de datos de alta calidad y en tiempo real que actualmente se encuentra almacenada en silos. La IA agenteica llena esta brecha mediante:
Resolviendo el problema de los datos no estructurados: la IA agentiva utiliza el razonamiento para extraer información de miles de archivos PDF, correos electrónicos e imágenes, convirtiéndolos en un UNS que toda la empresa puede utilizar.
Reducir los tiempos de respuesta: Los agentes pueden diagnosticar una interrupción e iniciar acciones correctivas en minutos en lugar de días.
Permitiendo la mitigación autónoma: Los agentes conscientes del 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 preparación de datos en una ventaja competitiva.
La arquitectura de la acción: IA Agente en MongoDB Atlas
La solución propuesta demuestra cómo varios agentes de IA pueden colaborar dentro de una única base de datos preparada para IA. La aplicación utiliza MongoDB Atlas para convertir el obstáculo de preparación de datos en una ventaja competitiva en los siguientes momentos operativos.
Figura 1. Resumen de agentes de soluciones
Análisis de interrupciones: extraer lógica del caos
Largas cadenas de correos electrónicos, facturas en PDF, reportes de Aseguramiento de calidad (QA) o notas de entrega suelen ocultar la razón de una falla en el envío. Las bases de datos tradicionales tienen dificultades para analizar esta información porque buscan palabras exactas. Por ejemplo, si un informe dice retraso mecánico pero un usuario busca avería de camión, el sistema no detecta la conexión. Esta solución utiliza Voyage IA para convertir este texto en incrustaciones.
Considera un embedding como una representación matemática del significado. En lugar de solo almacenar texto, Atlas búsqueda vectorial asigna el significado de los datos en un espacio de alta dimensión. Esto permite que el agente reconozca que términos como clima severo, tormenta de nieve y caminos intransitables comparten un significado similar.
Con esta información, el agente puede razonar a través de diferentes documentos y explicar por qué un transportista falló. Entiende la situación y transforma una pila de PDF en un análisis claro y accionable de la disrupción.
Planificación de la cadena de suministro: ejecutar la recuperación
Cuando el agente descubre la causa de una falla, obtiene una victoria diagnóstica, pero puede que todavía necesite bastante tiempo para encontrar alternativas. En este momento, el agente cambia de analista a coordinador y utiliza Atlas Search con consultas geoespaciales de MongoDB para identificar transportistas alternativos que puedan intervenir inmediatamente.
En lugar de cruzar manualmente las hojas de cálculo con un mapa, el agente trata la geografía como un punto de datos dinámico y consultable. El agente utiliza un
geoWithin query para encontrar rápidamente los hubs de flota disponibles dentro de un radio específico de la interrupción.
Análisis de riesgos: Mitigación de vulnerabilidades
El agente final actúa como un motor de predicción, calculando el VAR para cada envío mediante la agregación de datos de fuentes como eventos meteorológicos y registros históricos de incidentes. MongoDB Atlas utiliza un modelo orientado a documentos flexible, lo que permite al agente ingerir estas fuentes dispares sin la fricción de un esquema rígido.
Este agente sugiere de manera eficaz actualizaciones a los pesos de riesgo basándose en las condiciones actuales. Por ejemplo, si se espera un clima severo, el agente puede recomendar aumentar el peso de prioridad de los patrones climáticos para ofrecer una evaluación de riesgos más precisa en tiempo real.
Arquitecturas de Referencia
Presenta una aplicación de cadena de suministro multiagente construida con:
MongoDB Atlas para almacenamiento de datos, recuperación y búsqueda vectorial.
LangGraph para la orquestación agéntica.
Razonamiento de AWS Bedrock para LLM.
Voyage IA 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 sirve como la plataforma de datos unificada, gestionando datos logísticos estructurados, consultas geoespaciales y búsqueda vectorial en una sola base de datos, eliminando la necesidad de múltiples sistemas especializados.
LangGraph orquesta agentes especializados, cada uno con sus propias herramientas y prompts, 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 central de toma de decisiones. Al aprovechar modelos como Claude 3.5 Haiku, Bedrock funciona como un agente de razonamiento que no solo iguala palabras clave, sino que entiende la intención.
Voyage AI genera las representaciones vectoriales de alta calidad necesarias para una recuperación precisa. Los modelos de incrustación convierten datos complejos y no estructurados, como documentos, imágenes o audios, en vectores numéricos densos (p. ej. incrustaciones) que capturan sus significados semánticos.
Cada agente dispone de un conjunto único de herramientas adaptadas a su dominio. Por ejemplo, una herramienta puede query patrones de envío históricos y disrupciones climáticas, otra puede encontrar transportistas cercanos usando proximidad geoespacial, y otra puede realizar búsquedas semánticas en informes de aseguramiento de calidad. La siguiente sección explora los agentes de esta plataforma en detalle.
Figura 2. Diagrama de arquitectura de la solución
Herramientas de análisis de interrupciones
Accede a herramientas que permiten descubrir las causas subyacentes de las interrupciones mediante datos estructurados de envíos e informes QA no estructurados.
Recuperar el historial del transportista
Utiliza el historial almacenado de la operadora para detectar tendencias en el rendimiento. Con estos datos, el agente tiene la inteligencia para determinar si el retraso es un evento aislado o parte de un patrón continuo.
Recuperar informes de control de calidad
Utiliza Atlas Búsqueda vectorial para permitir que el agente analice los informes de calidad vectorizados almacenados en la base de datos y encuentre problemas similares relacionados con el transportista.
Generar informes de incidencias de envíos
Genera un informe completo sobre la causa del retraso. Almacena este informe en la base de datos, para que pueda ser utilizado posteriormente para identificar problemas recurrentes.
Herramientas de planificación de la cadena de suministro
Encuentra transportistas y rutas alternativos. Combina los datos geográficos con las capacidades de los transportistas para sugerir alternativas que puedan completar la entrega. El agente utiliza las siguientes herramientas.
Encuentra los transportistas más cercanos
Busca transportistas cerca de la ubicación actual del envío. Identifica qué transportistas pueden hacerse cargo rápidamente de un envío retrasado, minimizando el tiempo de recuperación.
Validar cobertura del servicio y origen
Verifica qué transportistas operan en la región de origen. Esta herramienta considera solo a transportistas con operaciones activas dentro del área de ubicación de recogida.
Validar la cobertura del servicio y el destino
Identifica los transportistas que cubrieron el origen y llegaron a su destino.
Format Alternatives
Recupera información detallada del operador de la base de datos y presenta rutas y operadores alternativos. Resalta los principales factores de decisión, como el costo, el tiempo estimado de entrega, las calificaciones de confiabilidad y el impacto ambiental.
Usando las capacidades geoespaciales de MongoDB, el agente garantiza alternativas viables y proporciona valiosas perspectivas para tomar decisiones basadas en datos.
Herramientas de análisis de riesgos
Analiza los posibles riesgos de una ruta establecida revisando las condiciones meteorológicas, las interrupciones en los cruces fronterizos y la fiabilidad histórica del transportista. En este contexto, el agente genera entonces una métrica VAR que estima el posible riesgo financiero. El agente tiene disponibles las siguientes herramientas.
Recuperar eventos meteorológicos
Busca patrones meteorológicos históricos a lo largo de la ruta, como huracanes, tormentas de nieve, inundaciones y otras condiciones que podrían causar retrasos. De esta forma, el agente puede advertir sobre los riesgos meteorológicos inesperados al programar un envío.
Recuperar incidentes en la frontera
Obtiene y analiza las perturbaciones históricas en los pasos fronterizos, como retrasos en las inspecciones y cierres inesperados de pasos fronterizos.
Recuperar el rendimiento del transportista
Revisa los envíos recientes del transportista seleccionado para identificar patrones como retrasos, problemas de cumplimiento o un desempeño confiable. El agente utiliza este historial para evaluar si el cambio de operadores reduce el riesgo.
Calcule el VAR para estimar la exposición financiera
Recoge información contextual de las herramientas anteriores para generar un VAR estimado. El cálculo combina el costo base de la ruta con valores ajustados por riesgo, que se ponderan de acuerdo con las preferencias del usuario para cada factor de riesgo.
Juntos, estas herramientas proporcionan un análisis de riesgo que ayuda a los equipos a tomar decisiones basadas en inteligencia operativa almacenada en MongoDB Atlas.
Compilar la solución
Para replicar esta solución, sigue la README en el repositorio de GitHub, que te guía en los siguientes pasos.
Configurar los requisitos previos
Garantiza que hayas 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 Claude 3.5 Haiku) y una clave de API de Voyage IA
CLI: AWS CLI configurado con credenciales activas
Configurar el entorno
Copia la plantilla y crea el archivo de entorno local:
cp .env.example .env
Abre el archivo .env presente y actualice sus 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, se puede elegir us.anthropic.claude-4-5-haiku-20251001-v1:0 como modelo de finalización y voyage-large-2-instruct como modelo de embedding.
Accede a la aplicación
Una vez que se esté ejecutando la aplicación, navega en tu navegador y dirígete a http://localhost:8080 para utilizar la solución.
Lecciones clave
Orquestando operaciones de la cadena de suministro con inteligencia artificial agente: La inteligencia artificial agente puede mitigar las interrupciones en la cadena de suministro—valoradas en un costo estimado de $184 mil millones anuales—al convertir la preparación de datos en una ventaja competitiva.
Desbloquea perspectivas de datos no estructurados: Utiliza Agentic AI para analizar datos no estructurados, como PDFs y correos electrónicos, reduciendo los tiempos de respuesta de días a minutos.
Consolida tu base de datos: Adopta MongoDB Atlas como tu única plataforma de datos. Unifique los datos estructurados de logística, los datos geoespaciales para la optimización de rutas y la búsqueda vectorial para la recuperación semántica de informes de control de calidad en una única base de datos, eliminando la necesidad de múltiples bases de datos especializadas.
Implementa agentes multi-especializados: Implementa agentes gestionados por LangGraph para gestionar interrupciones operativas críticas. Compile un sistema que utilice Voyage IA y Atlas búsqueda vectorial para identificar la intención de interrupción, utilice queries geoespaciales de MongoDB para encontrar transportistas alternativos y agregue flujos de datos fragmentados en un flexible modelo orientado a documentos para estimar el posible VAR durante eventos volátiles.
Construir una pila de IA modular: Combina MongoDB Atlas, LangGraph, AWS Bedrock y Voyage AI para crear un motor de razonamiento de alto rendimiento para los datos de tu cadena de suministro.
Autores
Javier Guajardo, MongoDB
Dr. Humza Akhtar, MongoDB