Decisiones inteligentes impulsadas por IA de nueva generación y optimización de inventario en el ciclo de vida completo de la fabricación de productos complejos integrando LSTM y Q‑learning

Fábricas más inteligentes para la tecnología de todos los días

Desde teléfonos inteligentes y portátiles hasta automóviles y aviones, muchos de los productos que la gente usa a diario dependen de piezas complejas fabricadas mediante cadenas de producción largas y delicadas. Estas fábricas deben decidir cuánto producir en cada etapa, cuánto mantener en almacenamiento y cómo reaccionar cuando la demanda repentinamente aumenta o cae. Este estudio explora una nueva forma de permitir que la inteligencia artificial gestione esas decisiones de modo más inteligente, reduciendo desperdicios y faltantes mientras mantiene el flujo de productos de alto valor.

Por qué es tan difícil fabricar productos avanzados

Productos complejos como chips semiconductores y componentes aeroespaciales pasan por muchas etapas estrechamente vinculadas, desde el corte y el ensamblaje hasta las pruebas y el empaquetado. La demanda de estos productos suele ser volátil: los pedidos se disparan cuando un nuevo dispositivo es popular y se hunden cuando cambian los mercados. Los métodos de planificación tradicionales tienen dificultades para afrontar estas oscilaciones. O bien producen demasiado, inmovilizando capital en almacenes, o producen muy poco, provocando dolorosos desabastecimientos donde los clientes deben esperar o buscar alternativas. Al mismo tiempo, las fábricas generan grandes cantidades de datos procedentes de sensores, controles de calidad y registros de suministro que son difíciles de digerir en tiempo real para los planificadores humanos.

Combinando dos tipos de IA en un circuito cerrado

Los autores proponen un marco de IA integrado que enlaza dos técnicas complementarias: un módulo de pronóstico y un módulo de toma de decisiones. El componente de pronóstico utiliza un tipo de red neuronal llamada Long Short‑Term Memory (LSTM) para aprender patrones en pedidos pasados y señales de sensores, como picos estacionales de demanda o desaceleraciones causadas por problemas en equipos. En lugar de tratar este pronóstico como fijo, el sistema lo refina continuamente con datos nuevos. El componente de decisión emplea Q‑learning, una forma de aprendizaje por refuerzo en la que un agente virtual experimenta con diferentes opciones de producción en un entorno simulado y aprende cuáles conducen a menores costes y menos faltantes con el tiempo. De forma crucial, estos dos módulos están conectados en un bucle de retroalimentación: los pronósticos guían las decisiones y los resultados de esas decisiones retroalimentan para mejorar pronósticos futuros.

Equilibrando coste, inventario e incertidumbre

Las fábricas reales deben equilibrar varios tipos de coste a la vez: el gasto de fabricar cada artículo, el coste de mantener stock adicional en estanterías y el coste, a menudo mucho mayor, de agotar existencias y no satisfacer pedidos. El marco modela una línea de producción con múltiples etapas y realiza un seguimiento explícito del inventario y los retrasos en cada una. También añade una capa protectora para la incertidumbre usando una técnica de optimización robusta que prepara para cambios bruscos en la demanda en lugar de asumir que los patrones pasados siempre se mantendrán. En la práctica, esto significa que el sistema es menos propenso a sorprenderse por escenarios extremos, como repuntes súbitos del mercado o disrupciones en la cadena de suministro, sin caer en el hábito de producir en exceso “por si acaso”.

Qué muestran los experimentos en fábricas reales

Para probar el enfoque, los investigadores lo aplicaron a datos reales de una planta de empaquetado y prueba de semiconductores que opera en cinco etapas de producción. Compararon su marco con sistemas tradicionales de planificación de requerimientos de materiales y con varios competidores avanzados basados en IA. Los pronósticos LSTM redujeron el error de predicción en aproximadamente un 40 por ciento frente a un método estadístico clásico, y el marco completo redujo los costes totales en un 15,7 por ciento respecto al sistema heredado y en un 8,3 por ciento frente a un sólido referente moderno. De forma notable, alcanzó una tasa cero de desabastecimiento mientras rotaba el inventario 4,2 veces al año, lo que significa que las piezas no permanecían inactivas por mucho tiempo. Análisis adicionales mostraron que el sistema se mantuvo estable incluso cuando la demanda se volvió más errática, los pronósticos fueron menos precisos o los datos de los sensores se volvieron ruidosos—condiciones que reflejan la realidad industrial cotidiana.

Escalado y adopción en distintos sectores

El estudio también examinó cómo escala el marco cuando las fábricas crecen o operan en otros sectores de alto valor. Las simulaciones con más etapas de producción mostraron solo aumentos modestos en el tiempo de cálculo, lo que sugiere que plantas más grandes podrían adoptar el enfoque sin saturar su infraestructura digital. Adaptado a la fabricación de componentes aeroespaciales, el método volvió a reducir costes y mantener raros los faltantes simplemente ajustando parámetros de coste y capacidad para ese sector. Los autores sostienen que, con el apoyo de hardware de computación en el borde y una integración cuidadosa del sistema, el marco puede insertarse en el software de fábrica existente que ya utilizan muchos fabricantes hoy en día.

Qué significa esto para la producción futura

En términos sencillos, el estudio demuestra que dotar a las fábricas de un “copiloto digital” que tanto predice la demanda como aprende a actuar sobre ella puede hacer la producción más fluida, económica y fiable. Al vincular estrechamente el pronóstico con las decisiones de campo y diseñar el sistema para afrontar el ruido y las sorpresas del mundo real, el marco convierte los datos brutos en orientación práctica sobre cuánto producir y almacenar en cada etapa. Para los consumidores, este tipo de inteligencia entre bambalinas podría traducirse en menos retrasos para nuevos dispositivos y un suministro más resiliente de los componentes avanzados que impulsan la vida moderna.

Cita: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

Palabras clave: fabricación inteligente, optimización de inventario, producción de semiconductores, aprendizaje por refuerzo, pronóstico de la demanda