AI en Adquisiciones: Lo que realmente cambia desde el Sourcing hasta el Pago

¿Qué significa realmente AI en la adquisición?

Elimine el lenguaje del proveedor y la AI en las adquisiciones es el reconocimiento de patrones y la generación de texto aplicados a los pasos entre un requisito de compra y una factura pagada: calificación de proveedores, redacción de documentos RFx, normalización y puntuación de ofertas, análisis de contratos, clasificación de gastos, conciliación de facturas. El tratamiento revisado por pares sitúa la frontera con precisión, no en automatización de tareas repetitivas pero en análisis avanzados que respaldan decisiones estratégicas de compra, como la clasificación de gastos, donde el resultado de un modelo alimenta una decisión que el comprador aún debe tomar.

¿Dónde se encuentra la adopción de AI en las adquisiciones hoy en día?

La atención es casi universal; la escala es rara. En la investigación de temas clave 2026 de The Hackett Group, El 80% de ejecutivos de adquisiciones identificó la tecnología habilitada por AI como la tendencia más transformadora que afectará la función en los próximos cinco años — mientras que en ese mismo estudio, El 43% de las organizaciones están buscando activamente la implementación de AI, casi el doble que el año anterior, y solo el 12% reporta una implementación a gran escala. Encuesta separada de 2024 de Deloitte sobre más de 100 CPOs hizo una pregunta diferente a una población diferente: intención, no escala: 92% estaban planificando y evaluando las capacidades de AI generativas..

La forma en que las organizaciones adoptan es tan importante como si lo hacen: en el estudio de Hackett, 69% accede a AI a través de capacidades integradas en sus plataformas de adquisición existentes, concentrado en gestión de contratos, inteligencia de mercado y análisis de gastos. La primera decisión de AI suele ser una evaluación de lo que su pila existente ya ofrece.

¿Qué pasos de abastecimiento ha asumido realmente AI?

Los casos de uso que realmente se han extendido se agrupan en la parte central del ciclo de abastecimiento, que es intensiva en información. El análisis del ciclo de exageración de 2025 de Gartner nombra el patrón común: conversión de texto a proceso y automatización de flujos de trabajo, lo que respalda tareas como la automatización de la gestión de contratos, la definición del alcance del proyecto, las recomendaciones de proveedores y la generación automática de documentos de "solicitud de" (RFx).

Tenga en cuenta lo que esto es y no es evidencia de: muestra dónde las organizaciones implementan, no cuánto tiempo o costo recuperan. El descubrimiento de proveedores sigue la misma forma: ampliar el embudo más allá de los proveedores existentes, un paso que nuestro guía del proceso de descubrimiento de proveedores cubre en detalle.

Tenga en cuenta lo que está ausente de esa lista: nada en ella decide. Redactar un RFx no es adjudicarlo; recomendar un proveedor no es aceptar el riesgo de uno. Lo que se está automatizando es la preparación, no el juicio.

¿Qué cambia AI en las operaciones de Source-to-Pay?

Después del abastecimiento, el caso más estudiado es la clasificación del gasto: decidir qué compró realmente una empresa, línea por línea, según una taxonomía como UNSPSC o su propio árbol de categorías, como base para análisis de gastos y estrategia de categoría. La investigación de casos del Journal of Purchasing and Supply Management propone modelos de inteligencia híbrida que combinan capacidades humanas y de AI, aprovechando la experiencia humana para validar los resultados de AI. La forma se generaliza a la conciliación de facturas y al análisis de contratos: el modelo propone a escala; una persona se encarga de las excepciones.

La inversión sigue la misma lógica. En la encuesta de Deloitte, cerca de 11% de las organizaciones ya gastaban más de $1 millones de sus presupuestos anuales en capacidades de AI generativa para el abastecimiento y la adquisición en 2024 — dinero real, aunque este registro no muestra a qué se destinó ese presupuesto.

¿Qué decisiones de adquisición siguen siendo humanas?

Para los sistemas que la UE clasifica como de alto riesgo, este límite ya no es solo una buena práctica, es un estatuto. El Artículo 14 de la Ley AI exige que esos sistemas pueden ser supervisados eficazmente por personas físicas durante el período en que están en uso, incluida la autoridad decidir, en cualquier situación particular, no utilizar el sistema de alto riesgo AI.

La mayoría de las herramientas de adquisición quedan fuera de esa clasificación. La dirección del razonamiento regulatorio es, sin embargo, inequívoca: el humano es el operador responsable, no un respaldo.

La guía de compras gubernamentales traza una línea paralela desde el lado de las compras: el memorándum de adquisición 2025 (M-25-22) de la OMB de EE. UU. establece que las agencias deben asegurarse de que los sistemas AI que adquieren sean adecuados para su propósito y ofrezcan resultados consistentes que preserven la confianza pública. Ninguno de los documentos legisla quién firma una orden de compra, pero leídos en conjunto coinciden con la forma en que ya funciona la rendición de cuentas de compras: la adjudicación, la postura de negociación y la aceptación de riesgos recaen en la persona responsable.

¿En qué ha fallado AI en las adquisiciones?

Honestamente: en muchos lugares, y el registro del analista así lo dice. El lanzamiento de Gartner de julio de 2025 se titula Gartner dice que la AI generativa para adquisiciones ha entrado en el abismo de la desilusión — muchas organizaciones están experimentando un ROI desigual o no cumplen con las expectativas. El mecanismo importa más que la etiqueta: Los datos fragmentados y de baja calidad en los sistemas de adquisición pueden dificultar resultados precisos, y la integración de soluciones GenAI independientes suele ser compleja..

Desde el punto de vista de la adopción, la explicación más probable no es una brecha tecnológica, sino una de base de datos. Un modelo que lee datos de gastos fragmentados produce respuestas erróneas y seguras más rápido que una hoja de cálculo, lo cual es una inferencia del mecanismo que nombra Gartner, no un hallazgo medido.

Una secuencia de adopción que respeta el límite

1. Arregle los datos antes que el modelo. Los modos de fallo documentados se deben a datos de adquisición fragmentados; la clasificación del gasto y la limpieza del maestro de proveedores son poco atractivas, medibles y requisitos previos.
2. Automatice el trabajo de documentos primero, pero no de manera uniforme. La redacción y la elaboración de resúmenes son fáciles de hacer mal mientras el artefacto aún es interno; ese es el verdadero punto de control, porque una vez que se emite una solicitud, la corrección significa una enmienda formal a todos los postores y los criterios modificados crean una exposición a la igualdad de trato. La normalización de ofertas no pertenece en absoluto a este nivel: nivelar las ofertas a una base común construye la comparación en la que se basa la adjudicación, por lo que necesita trazabilidad a nivel de línea para cada oferta presentada y una verificación de las suposiciones por parte de una segunda persona. La automatización de la secuencia se basa en el costo de un resultado incorrecto, no en si un humano está nominalmente involucrado.
3. Instrumentar el límite. Para cada paso asistido por AI, nombre a la persona responsable y lo que verifica antes de que el resultado se convierta en acción.
4. Compre AI como la adquisición compra cualquier otra cosa. Evidencia adecuada para el propósito, resultados medidos, términos de salida: el estándar ahora impuesto a las agencias de EE. UU. es un sólido valor predeterminado privado.
5. Escalar por evidencia, no por hoja de ruta. Extienda los proyectos piloto solo cuando sus propios datos medidos de tiempo de ciclo o precisión lo respalden.

¿Cómo cambian los agentes de AI el trabajo de adquisición?