Calbee crea C-BOSS y deja el ERP para planificar la papa

La papa no espera. Ese es el principio que rige la cadena de suministro de Calbee, el mayor fabricante de snacks de Japón, y la razón por la que su director de DX, Tomoyuki Oe, describe la planificación tradicional como "un rompecabezas que se vuelve más difícil cada año". En julio de 2026 la compañía puso en producción C-BOSS (Calbee Business Optimization Simulation System), un motor de simulación propio que cruza datos de ventas, producción, logística y aprovisionamiento para generar planes de maximización de margen bajo restricciones reales. No compraron la solución: la construyeron.

La biología como cuello de botella

El 80 % de la papa que procesa Calbee proviene de Hokkaido, cosechada en otoño y almacenada hasta mayo; el resto llega en una ola que sube desde Kyushu hacia el norte. "No podemos fabricar más de lo que se cosechó ese año", resume Oe. A la estacionalidad rígida se suman olas de calor y déficit de radiación solar que reducen el calibre y el almidón, variables que ningún ERP estándar modela. A eso hay que añadir productos que ocupan volumen desproporcionado en camiones, más de mil SKUs, líneas de envase dedicadas por fábrica y una regla interna draconiana: cualquier unidad con más de nueve días desde la fritura es "defecto de gestión".

Hasta 2023 la respuesta era reactiva: cada área aportaba sus hojas de cálculo cuando el problema —falta de papa, saturación de flota— ya había estallado. "Decidíamos a posteriori", reconoce Yasuomi Shoji, jefe de S&OP. La creación de un equipo dedicado de S&OP marcó el punto de inflexión.

Build vs buy: la trampa del software genérico

Calbee evaluó suites globales de S&OP. Dos obstáculos aparecieron: los módulos estándar no contemplan restricciones agronómicas como el calendario de cosecha o la merma por clima, y las plataformas pensadas para multinacionales sobredimensionaban el alcance inicial, que era estrictamente doméstico. La decisión de desarrollar internamente —con socio técnico para la codificación— respondió a una lógica de ajuste preciso: modelar solo lo que duele, sin pagar por capacidades globales que no usarían.

La literatura académica respalda la tensión. Una revisión de 2025 sobre IA en cultivo de papa señala que los modelos predictivos de rendimiento requieren datos hiperlocales de suelo, clima y variedad, difíciles de parametrizar en herramientas horizontales Using artificial intelligence for sustainable crop production. Otro trabajo sobre optimización por simulación en cadenas agroalimentarias concluye que los enfoques basados en agentes superan a la programación lineal clásica cuando la estocasticidad climática domina A comprehensive review of simulation optimization methods. Calbee, en la práctica, llegó a la misma conclusión por vía empírica.

Qué cambia para un ejecutivo latinoamericano

Perú, Colombia, Argentina, Chile y Brasil comparten la estructura del problema: papa (y maíz, trigo, caña) con ciclos estacionales marcados, variedades locales, infraestructura logística fragmentada y presión climática creciente. Tres lecturas operativas emergen del caso:

• Datos de campo antes que dashboards: C-BOSS no nació de un data lake corporativo; nació de sentarse con agrónomos y jefes de planta para traducir "la papa no rinde" en ecuaciones de restricción. En LatAm, donde la trazabilidad de finca a fábrica suele ser papel o Excel, el primer paso no es comprar IA, sino estandarizar la captura de variables agronómicas (humedad, calibre, materia seca) en tiempo de cosecha.
• El alcance mínimo viable: Calbee delimitó el MVP a su mercado local. Una cooperativa andina o un procesador de fritos en el Cono Sur puede replicar la lógica: un simulador que decida qué lote va a qué línea, en qué camión y con qué fecha de caducidad, maximizando margen fresco. Eso cabe en un proyecto de 6-9 meses con equipo mixto (dominio + data science), no en una implementación SAP de tres años.
• Riesgo de dependencia de proveedor: Al poseer el modelo, Calbee puede reentrenarlo cuando cambie la variedad de papa o se abra una nueva planta. En la región, donde los ciclos de adopción de semillas mejoradas son cortos y la regulación de residuos plásticos obliga a rediseñar envases, la capacidad de modificar la función objetivo sin negociar contratos con el vendor es valor estratégico.

La pregunta que queda abierta

C-BOSS ya corre en todas las divisiones niponas. El siguiente salto —revelan los directivos— es integrar pronósticos climáticos de mediano plazo para simular escenarios de siembra, no solo de despacho. Para un CEO latinoamericano la pregunta no es si la IA sirve en la cadena agroindustrial, sino qué restricción propia —variedad, flete, caducidad, norma ambiental— justifica hoy escribir su propio código en lugar de alquilar el de otro.