Para prever la demanda de una pyme, lo primero es un método estadístico sencillo bien aplicado. Los modelos de aprendizaje automático mejoran cuando hay muchas referencias con historial, y variables como precio, promociones o calendario que explican parte de las ventas. Los modelos de lenguaje no son buenos calculando previsiones, pero sí leyendo señales (un correo de un cliente, un aviso de un proveedor) y explicando cada propuesta. Si no tienes al menos un par de años de ventas ordenadas, ninguno de los tres hace milagros.
La guía de IA en logística y gestión de stock explica qué papel tiene la IA en compras y almacén, y por qué no conviene empezar por la previsión. Aquí vamos a lo que esa guía no cubre: qué método elegir, con qué datos y cómo saber si funciona.
| Paso | Hoy, en muchas pymes | Con un sistema de previsión |
|---|---|---|
| Previsión | El comprador mira lo vendido el año pasado y ajusta de cabeza | Previsión por referencia y periodo, recalculada cada semana |
| Información de clientes | Está en correos y llamadas que no llegan a compras | Se registra como ajuste explícito, con quién y por qué |
| Propuesta de compra | Hoja de cálculo propia de cada comprador | Propuesta con la previsión, el stock, el plazo del proveedor y los mínimos |
| Aprendizaje | Nadie mide si se acertó | Error medido cada mes frente a un método sencillo de referencia |
| Método | Qué hace bien | Cuándo elegirlo |
|---|---|---|
| Estadística clásica (medias móviles, suavizado exponencial, modelos con estacionalidad) | Tendencia y estacionalidad de series estables; es barata y fácil de explicar | Casi siempre como punto de partida y como referencia |
| Aprendizaje automático (por ejemplo, árboles de decisión potenciados) | Aprovecha precio, promociones, calendario y relaciones entre muchas referencias | Cientos o miles de referencias, historial largo y variables explicativas registradas |
| Modelos de lenguaje | Leer texto: pedidos anunciados, avisos de proveedores, noticias de un cliente; explicar una propuesta | Alrededor de la previsión, nunca como calculadora |
La mejor prueba pública de la diferencia es la competición M5, en la que se pidió prever 42.840 series de ventas por unidades de Walmart. El equipo ganador fue un 22,4 % más preciso que la mejor referencia estadística (suavizado exponencial), y la mayoría de los mejores métodos usaron LightGBM, un algoritmo de árboles de decisión potenciados. Pero fíjate en las condiciones: miles de series relacionadas, años de historial, precios, promociones y calendario, y equipos dedicados a ajustar modelos. Con 150 referencias y dos años de datos, esa ventaja no está garantizada.
La pregunta útil no es «¿IA sí o no?», sino «¿mejora al método sencillo con mis datos?». Eso se contesta en una prueba histórica: se simula que estás hace seis meses, se prevé con cada método y se compara con lo que pasó. Si el modelo complejo no mejora claramente, te quedas con el sencillo.
En la práctica, el trabajo de un proyecto de previsión en una pyme es sobre todo limpiar y completar estos datos. Si están en el ERP, se extraen; si están en hojas de cálculo de cada comprador, primero hay que juntarlas.
Si estás en distribución, estos casos se ven con ejemplos en IA para distribuidoras y mayoristas.
Alrededor del número, en tareas que hoy hace el comprador de memoria:
Cada ajuste queda registrado con su motivo. Al cabo de unos meses se puede medir si los ajustes manuales mejoran o empeoran la previsión, algo que rara vez se mide.
Ejemplo ilustrativo con cifras supuestas, no un cliente real. Un distribuidor con 2.000 referencias activas tiene dos compradores que dedican unas 12 horas semanales cada uno a preparar previsiones y propuestas de compra en hojas de cálculo: unas 100 horas al mes. Con 30 € por hora de coste de empresa, unos 3.000 € al mes.
| Supuesto | Hoy | Con el sistema |
|---|---|---|
| Preparar previsión y propuesta | unas 100 h | unas 30 h de revisión y ajuste |
| Coste de esas horas (30 €/h) | unos 3.000 € | unos 900 € |
| Medición del error | No existe | Mensual, frente a un método sencillo |
Unas 70 horas al mes, unos 2.100 €, antes de costes recurrentes. El efecto en stock y en roturas puede ser mayor que el de horas, pero depende de tus datos y no se promete: se mide en la prueba histórica antes de decidir. Haz la cuenta de horas en la calculadora de ahorro.
Con RedundAI, la previsión con método estadístico de referencia, prueba histórica, propuesta de compra explicada y lectura de avisos es un Sprint de IA: 4.500 € sin IVA y tres semanas, si los datos de ventas están en el ERP y son razonablemente limpios. Si hay que juntar hojas de cálculo o reconstruir roturas, lo decimos en el diagnóstico gratuito de 45 minutos y se valora aparte. Aparte van el alojamiento, el consumo del modelo y el mantenimiento.
Si tu ERP ya trae un módulo de previsión, pruébalo antes con tus datos y compáralo con un método sencillo: a veces basta configurarlo bien. Para decidir entre una herramienta de mercado y algo propio, mira IA a medida o SaaS, y los precios generales en cuánto cuesta implantar IA.
Depende de los datos. Con muchas referencias relacionadas, historial largo y variables como precio o promociones, los modelos de aprendizaje automático pueden mejorar claramente, como mostró la competición M5. Con pocas referencias estables, un método estadístico bien aplicado suele rendir igual, cuesta menos y se explica mejor.
Como mínimo, ventas por referencia y periodo, y si hay estacionalidad, conviene tener al menos dos ciclos anuales completos. También hacen falta las roturas de stock, las promociones y las altas y bajas de referencias; sin ellas, el sistema aprende de ventas que no reflejan la demanda real.
No es la herramienta adecuada para calcular previsiones. Un modelo de lenguaje sí es útil alrededor: leer correos de clientes y avisos de proveedores, proponer ajustes y explicar cada línea de la propuesta de compra.
Con una prueba histórica: se simula que estás en una fecha pasada, se prevé con cada método y se compara con lo que ocurrió. Si el modelo complejo no mejora claramente a un método sencillo de referencia, te quedas con el sencillo. Después, el error se mide cada mes.
Con RedundAI, si los datos de ventas están en el ERP y son razonablemente limpios, cuesta 4.500 euros sin IVA en tres semanas. Si hay que juntar hojas de cálculo o reconstruir roturas de stock, se valora aparte tras el diagnóstico gratuito.
Consultadas el 25 de septiembre de 2026.
En el diagnóstico gratuito de 45 minutos miramos tus datos de ventas y cómo compráis, y te decimos si merece una prueba histórica o si basta con ordenar lo que tenéis. Cuéntanos cuántas referencias manejáis.
Escríbenos por WhatsApp