La inteligencia artificial está entrando rápidamente en la agenda de la función de compras. Promete procesos de compras más ágiles, mayor visibilidad del gasto, un mejor control contractual, una detección automatizada de riesgos de proveedores y una toma de decisiones más predictiva. Para los líderes, la oportunidad es considerable. La función de compras se sitúa en la intersección entre costes, riesgos, resiliencia, sostenibilidad, innovación de proveedores y gobernanza. Pocas funciones concentran una riqueza tan elevada de datos críticos para el negocio.
Sin embargo, precisamente aquí es donde comienza el desafío.
La mayoría de las organizaciones no carecen de datos de compras. Tienen demasiados. Estos datos se encuentran fragmentados entre sistemas ERP, plataformas de compras electrónicas, hojas de cálculo, portales de proveedores, repositorios de contratos, sistemas financieros, bases de datos ESG y archivos de correo electrónico. El problema no es el volumen de datos. El problema es su utilidad.
La inteligencia artificial solo puede crear valor a partir de los datos de compras cuando estos son fiables, estructurados, contextualizados, conectados y están adecuadamente gobernados. Sin esta base, la inteligencia artificial acelerará el ruido, no la inteligencia.
Por qué este tema es importante ahora
La función de compras está sometida a una presión creciente para hacer más con recursos limitados. McKinsey señala que el gasto gestionado por cada profesional de compras a tiempo completo es actualmente un 50 % superior al de hace cinco años, mientras que los agentes de inteligencia artificial podrían hacer que la función de compras fuera entre un 25 % y un 40 % más eficiente si se implementan adecuadamente.
La encuesta Global CPO Survey 2025 de Deloitte muestra que los principales «Digital Masters» destinan hasta el 24 % de sus presupuestos a tecnologías de compras y están obteniendo retornos de aproximadamente 3,2 veces sus inversiones en inteligencia artificial generativa.
Sin embargo, la brecha entre la ambición y la madurez sigue siendo considerable.
The Hackett Group concluyó que el 49 % de los equipos de compras realizó proyectos piloto de inteligencia artificial generativa en 2024, pero solo el 4 % había logrado un despliegue a gran escala. La calidad de los datos, la privacidad y la regulación se situaban entre las principales preocupaciones.
Gartner también ha advertido que la inteligencia artificial generativa aplicada a las compras está entrando en el denominado «valle de la desilusión», donde la fragmentación y la baja calidad de los datos de compras dificultan la obtención de resultados fiables.
El mensaje es claro: las organizaciones no ofrecen el potencial de la IA en compras únicamente adquiriendo más herramientas. Primero deben preparar sus datos de compras para la inteligencia artificial.
De los repositorios de datos a la inteligencia de compras
Unos datos de compras preparados para la inteligencia artificial no son simplemente «datos limpios». Son datos capaces de respaldar mejores decisiones.
Una base de datos de compras verdaderamente útil debería permitir responder a preguntas ejecutivas como:
- ¿Dónde se encuentran nuestras oportunidades de ahorro?
- ¿Qué proveedores generan el mayor riesgo?
- ¿Qué contratos presentan fugas de valor?
- ¿Dónde estamos expuestos a riesgos regulatorios, geopolíticos o climáticos?
- ¿Qué categorías pueden apoyar nuestros objetivos de sostenibilidad?
- ¿Qué proveedores pueden contribuir a la innovación, la resiliencia o la transformación de costes?
Para responder a estas preguntas, los datos de compras deben organizarse en torno a cinco dominios de inteligencia.
Inteligencia de gasto
El primer dominio es la inteligencia de gasto. Esto requiere nombres de proveedores armonizados, taxonomías de categorías consistentes, datos transaccionales depurados, condiciones de pago, canales de compra y visibilidad sobre el gasto fuera de contrato.
Sin estos elementos, la inteligencia artificial no puede identificar de forma fiable oportunidades de ahorro, fugas de valor ni patrones de demanda.
Inteligencia de proveedores
El segundo dominio es la inteligencia de proveedores. Los datos maestros de proveedores deben incluir información sobre propiedad, ubicaciones, certificaciones, calificaciones de riesgo, historiales de desempeño, indicadores de diversidad, situación ESG y criticidad de la relación.
Esto permite que la inteligencia artificial respalde la segmentación de proveedores, la homologación, la monitorización de riesgos y el desarrollo de proveedores.
Inteligencia contractual
El tercer dominio es la inteligencia contractual. Los contratos suelen ser una de las fuentes de valor menos estructuradas de la función de compras. La inteligencia artificial puede ayudar a extraer cláusulas, obligaciones, fechas de renovación, mecanismos de precios, condiciones de responsabilidad y compromisos de sostenibilidad, pero únicamente si los documentos son accesibles, están clasificados y adecuadamente gobernados.
Inteligencia de riesgos y resiliencia
El cuarto dominio es la inteligencia de riesgos y resiliencia. Los datos internos de proveedores deben enriquecerse con datos externos: salud financiera, exposición geopolítica, riesgo cibernético, sanciones, vulnerabilidad climática, disrupciones logísticas e índices de mercado. Accenture destaca la importancia de combinar datos internos y externos para respaldar el suministro, la analítica del gasto y la detección de riesgos de proveedores.
Inteligencia de sostenibilidad
El quinto dominio es la inteligencia de sostenibilidad. La inteligencia artificial aplicada a las compras debe ser capaz de conectar los datos de proveedores y categorías con el carbono, la circularidad, los derechos humanos, el cumplimiento regulatorio y los compromisos de compras responsables. Esto es particularmente importante en Europa, donde las decisiones de compras se sitúan cada vez más dentro de unas expectativas ESG y regulatorias más amplias.
La gobernanza como factor habilitador
Cuanto más poderosa se vuelve la inteligencia artificial, más importante se vuelve la gobernanza. KPMG informa de que el 62 % de las organizaciones considera que la falta de gobernanza de los datos constituye uno de los principales obstáculos para las iniciativas de inteligencia artificial y recomienda la implicación de la alta dirección, una gobernanza federada, una disciplina rigurosa de los metadatos y la integración de diversos tipos de datos.
Para la función de compras, esto implica una rendición de cuentas clara. ¿Quién es responsable de los datos maestros de proveedores? ¿Quién valida las taxonomías de categorías? ¿Quién aprueba las fuentes externas de datos de riesgo? ¿Quién define qué cláusulas contractuales puede extraer la inteligencia artificial? ¿Quién decide si las recomendaciones generadas por la inteligencia artificial pueden ejecutarse automáticamente o requieren validación humana?
En las instituciones públicas y las organizaciones internacionales, las exigencias de gobernanza son aún mayores. La OCDE señala que la inteligencia artificial puede mejorar la supervisión de la contratación pública, la rendición de cuentas y la gestión de riesgos, pero subraya que una gobernanza sólida de los datos y una implementación centrada en el usuario son esenciales.
En Europa, el Reglamento de Inteligencia Artificial de la Unión Europea (AI Act) refuerza asimismo la importancia de la calidad de los datos, la trazabilidad, la documentación, la supervisión humana, la robustez y la ciberseguridad para los sistemas de inteligencia artificial de mayor riesgo.
Por lo tanto, la IA en compras debe diseñarse para ser auditable y no únicamente eficiente.
Una hoja de ruta práctica para los líderes
Los equipos directivos deben comenzar por el valor y no por la tecnología.
La primera pregunta no debería ser:
«¿Qué herramienta de inteligencia artificial deberíamos adquirir?»
La pregunta correcta es:
«¿Qué decisiones de compras deben ser más rápidas, mejores o más fiables?»
A partir de ahí, los líderes de compras deberían priorizar un número limitado de casos de uso de alto valor:
- clasificación del gasto;
- monitorización del riesgo de proveedores;
- visibilidad contractual;
- control del gasto residual;
- previsión de la demanda;
- inteligencia sobre la cartera de iniciativas de ahorro;
- cumplimiento de objetivos ESG.
Cada caso de uso debe definir claramente:
- los datos necesarios;
- la propiedad de los datos;
- los estándares de calidad;
- el modelo de gobernanza;
- y el valor empresarial esperado.
Posteriormente, las organizaciones deben construir un modelo de datos de compras que conecte la información relativa al gasto, los proveedores, los contratos, los riesgos y la sostenibilidad.
Esto no siempre requiere un programa de transformación de gran envergadura.
Los equipos de compras pueden comenzar con un enfoque pragmático basado en una «base mínima viable de datos», centrada en:
- proveedores críticos;
- principales categorías;
- contratos activos;
- áreas de gasto de mayor riesgo.
Por último, la inteligencia artificial debe seguir estando liderada por las personas.
Los profesionales de compras deben validar las recomendaciones, cuestionar las hipótesis, interpretar las compensaciones y gestionar las relaciones con los proveedores.
La inteligencia artificial puede procesar datos a gran escala, pero el criterio profesional en compras sigue siendo esencial.
La oportunidad para los equipos directivos
La IA en compras no es el destino. El destino son unas mejores decisiones de compras.
Las organizaciones que consigan hacer útiles sus datos de compras estarán mejor posicionadas para reducir costes, proteger márgenes, fortalecer la resiliencia, mejorar el cumplimiento normativo, avanzar en sostenibilidad y desarrollar ecosistemas de proveedores más estratégicos.
Las que no lo hagan permanecerán atrapadas en proyectos piloto, herramientas fragmentadas y conocimientos poco fiables.
El futuro de la función de compras no pertenecerá a las organizaciones con más datos.
Pertenecerá a aquellas capaces de transformar los datos de compras en inteligencia fiable.
Para OPTIMA, aquí es donde comienza una IA en compras verdaderamente generadora de valor: con un diagnóstico liderado por profesionales sénior, unas bases de datos disciplinadas, una gobernanza pragmática y un enfoque claro en la creación de valor.
