GRIP — el motor de decisión

Por qué probabilístico, no determinista

Las decisiones operativas en la industria farmacéutica no son exactas: el resultado de una licitación no es "sí" o "no", sino una probabilidad condicionada por la demanda, la capacidad del transportista, el historial de la ruta y los precios de la competencia. La reacción de un proveedor ante una contraoferta no es segura, sino una distribución entre Aceptar / Contraofertar / Retirarse. La vida útil restante de un lote tras una excursión de temperatura no es un número único, sino un intervalo de confianza determinado por la cinética de Arrhenius y los datos históricos de estabilidad.

GRIP devuelve la distribución completa — y recomienda una acción frente a ella aplicando la tolerancia al riesgo del operador. Esto significa que:

• Puedes presupuestar frente al peor caso del percentil 80^.º, no frente a la media.
• Puedes explicar a los auditores por qué se liberó o retuvo un lote límite — con las matemáticas, no con "lo dijo el modelo".
• Puedes comparar A/B dos estrategias de negociación con la varianza de resultados cuantificada.

Los tres pilares

Hermano: el motor Arrhenius del módulo de Calidad

El módulo de Calidad incluye un motor probabilístico independiente y dedicado — no GRIP — construido en torno a la cinética de Arrhenius para evaluar el impacto sobre la vida útil tras excursiones de temperatura. Las matemáticas son la misma primitiva general (k(T) = A · exp(−E_a / RT) integrada sobre el perfil real del sensor, con propagación de incertidumbre Monte Carlo), pero el motor, la biblioteca de parámetros y el paquete de validación son independientes. Los separamos deliberadamente: Calidad corre en el escritorio del QP y está validado según GAMP 5 Cat 4 frente a scripts IQ/OQ centrados en la revisión de excursiones, mientras que GRIP corre en el hub de datos operativos para decisiones de Transporte + Negociación con criterios de aceptación distintos.

El recorrido matemático completo está en el whitepaper de modelado de vida útil con Arrhenius — obtención de la energía de activación, propagación del error de calibración del sensor, ajustes por inhomogeneidad espacial, cuándo domina la temperatura pico frente a la exposición acumulada, y un ejemplo trabajado de una excursión de 6 horas a 14 °C con salida de distribución completa.

Ejemplo 1 — Elasticidad-precio bayesiana en el módulo de Negociación

Cada proveedor tiene una distribución latente de elasticidad-precio que GRIP estima y actualiza tras cada interacción. La distribución previa procede de referencias de categoría (Fastmarkets, ICIS, LME, Argus); la posterior se actualiza mediante la regla de Bayes tras cada ronda de intercambio de precios:

Por eso la "contraoferta recomendada" del módulo de Negociación viene con una probabilidad de aceptación esperada calibrada — no con una corazonada. Tras 3-5 rondas con un proveedor, la distribución posterior converge y las recomendaciones se vuelven más ajustadas.

Ejemplo 2 — Monte Carlo para cobertura de licitaciones en el módulo de Transporte

Dado el plan de producción y las rutas de licitación activas, ¿cuál es la probabilidad de cubrir el 95 % de tu demanda de transporte durante el próximo trimestre sin exposición al flete spot?

GRIP ejecuta 10 000 simulaciones Monte Carlo muestreando desde distribuciones internas:

• Estocasticidad del plan de producción (probabilidad de retraso por SKU)
• Aceptación de adjudicación a nivel de ruta por cada transportista (histórica, entrenada con ML sobre tus resultados de licitación)
• Volatilidad de la demanda por clase de temperatura (cadena de frío vs ambiente)
• Distribución de la inflación de la tarifa spot (transportista × mes)

Capa de señales externas

El muestreador Monte Carlo también incorpora fuentes externas en vivo a las distribuciones de entrada, de modo que cada recomendación refleja el entorno operativo actual real, no una línea base obsoleta:

• Índices de precio del combustible — Brent / ULSD / diésel por región de ruta, momento de la ventana de cobertura para la exposición al recargo por combustible.
• Referencias de materias primas — ICIS, Fastmarkets, LME, Argus para líneas base de accesorios y recargos.
• Eventos de disrupción geopolítica — congestión portuaria (Róterdam, Amberes, Hamburgo), tiempos de tránsito por el Mar Rojo / Suez, impacto de sanciones en rutas comerciales concretas, duración de huelgas aduaneras.
• Señales de tensión de capacidad — diferencial spot-vs-contrato, tasas de recogida puntual de los transportistas, curvas estacionales de volumen.
• Clima / cambio de modo — efectos de la temporada de tormentas en el Atlántico Norte, desbordamiento hacia flete aéreo cuando las rutas marítimas se congestionan.

Salida: distribución de resultados de "tasa de cobertura × coste de exposición spot × coste puesto en destino", condicionada al estado externo actual. Transporte entonces destaca las rutas que más contribuyen al riesgo de cola (el peor 5 %) y recomienda una mini-licitación para ellas antes de que se concilien las facturas. Cada recomendación lleva el hash de linaje de los datos de entrada, de modo que el auditor puede reproducir la decisión exacta con la instantánea externa exacta que la informó.

Auditabilidad — versiones de modelo en cada decisión

Cada paquete de decisión que produce Terminus incluye:

• Versión del motor GRIP (semver)
• Versión del conjunto de parámetros del modelo (por inquilino)
• Versión del conjunto de reglas (tus SOP)
• Versión de la capa de política (tu configuración de tolerancia al riesgo)
• Hash de linaje de los datos de entrada
• Hash SHA-256 de la salida completa en PDF + JSON

Cuando un auditor pregunta "¿por qué el modelo recomendó X hace dos años?" — reproducimos la versión exacta de GRIP con exactamente las mismas entradas y obtenemos exactamente la misma salida. La reproducibilidad bit a bit es el requisito operativo, no un lujo opcional.

Lo que GRIP NO es

• No es un modelo de lenguaje grande. Ningún LLM está en el bucle de decisión. Los LLM se usan en otras partes (p. ej., para convertir notas de excursión en texto libre en campos estructurados), pero su salida nunca alimenta la recomendación de decisión.
• No es una caja negra. Cada distribución de probabilidad puede inspeccionarse, cada regla es código legible por humanos, cada recomendación se rastrea hasta sus entradas.
• No sustituye el juicio de QA / QP / compras. GRIP recomienda; los humanos aprueban. La aprobación forma parte del paquete de decisión.
• No es magia. La calidad de las recomendaciones está limitada por la calidad de las entradas. Basura entra → basura calibrada sale. Te ayudamos a arreglar las entradas.