Optimización sostenible de la cadena de suministro alimentaria: revisión bibliográfica de aplicaciones de machine learning en logística y reducción de desperdicios

Abstract

La presente investigación aborda el impacto del machine learning en la optimización de la cadena de suministro sostenible en la industria alimentaria a partir de una revisión exhaustiva de referencias bibliográficas. Dada la creciente demanda de productos sostenibles y las exigencias normativas internacionales, las organizaciones del sector alimentario enfrentan el reto de transformar sus procesos logísticos y operativos hacia modelos más eficientes y responsables. A través del análisis de contenido y la revisión de estudios de caso, se identificaron los beneficios del uso de algoritmos de aprendizaje automático en la predicción de la demanda, la gestión de inventarios y la reducción de desperdicios. En la revisión bibliográfica realizada, se identificó que los modelos de inteligencia artificial más recurrentemente aplicados en la optimización sostenible de cadenas de suministro alimentarias fueron los algoritmos de Random Forest y las redes neuronales recurrentes (RNN). Diversos estudios (Amado Mateus, 2024; Dhiman et al., 2024; Ochoa-Barragán et al., 2024) reportaron que estos modelos alcanzaron precisiones superiores al 90 % en la predicción de la demanda, lo cual permitió una optimización significativa en el uso de recursos y en la planificación de la distribución. Además, se observaron mejoras concretas como un incremento del 12 % en eficiencia energética, una reducción del 18 % en los tiempos de entrega, y un nivel de trazabilidad superior al 95 %, gracias a la implementación de sistemas inteligentes integrados a lo largo de la cadena logística (Juárez, 2024; Hong y Xiao, 2024; Rodríguez, 2022). La investigación concluye que el machine learning no solo mejora el desempeño operativo, sino que representa una herramienta clave para avanzar hacia una industria alimentaria más sostenible, innovadora y competitiva.