Se agotó al mediodía y la IA solo vio las ventas

Supongamos que un alimento se termina al mediodía. La caja registra las unidades vendidas hasta entonces. Las compras que podrían haberse realizado por la tarde quedan desconocidas.

Si ese dato entra al modelo sin contexto, una venta limitada por inventario puede interpretarse como poco interés. El marco de NIST sobre IA insiste en evaluar los sistemas dentro de su uso concreto; en este caso, las condiciones de venta forman parte de la información que el pronóstico necesita.

Distintas razones para vender cero

Un local cerrado, una referencia fuera del surtido, un faltante y una jornada sin compradores pueden producir el mismo número. Sus implicaciones son distintas. Marcar esas situaciones permite decidir qué observaciones comparar y dónde falta información.

Promociones y cambios de surtido también ayudan a interpretar el historial. Si se estima la demanda que no pudo observarse, esa estimación debe seguir identificada. Así se evita tratar una hipótesis como una venta registrada.

La prueba debe parecerse a la decisión de producción

Reserva un período posterior que el modelo no haya utilizado y compáralo con una regla sencilla. Además del error de pronóstico, considera cuánto cuesta producir de más o quedarse corto. La medida elegida debe reflejar las consecuencias que importan a la operación.

Un piloto con pocas referencias facilita revisar recomendaciones inesperadas y volver al procedimiento conocido cuando haga falta. El aprendizaje está en reconocer en qué situaciones ayuda la herramienta y cuáles siguen necesitando contexto que todavía no recibe.