Resumen: Estudiamos cómo los algoritmos OR, los LLM y los humanos pueden interactuar y complementarse entre sí en un entorno de control de inventario de múltiples períodos. Construimos InventoryBench, un punto de referencia de más de 1000 instancias de inventario que abarca datos de demanda tanto sintéticos como del mundo real, diseñado para poner a prueba las reglas de decisión bajo cambios de demanda, estacionalidad y tiempos de entrega inciertos. A través de este punto de referencia, encontramos que los métodos LLM aumentados con OR superan a cualquiera de los métodos de forma aislada, lo que sugiere que estos métodos son complementarios en lugar de sustitutos.
Investigamos más a fondo el papel de los humanos a través de un experimento en el aula controlado que incorpora las recomendaciones de LLM en un proceso de toma de decisiones humano. Contrariamente a hallazgos anteriores de que la colaboración entre humanos e IA puede degradar el rendimiento, demostramos que, en promedio, los equipos entre humanos y IA logran mayores ganancias que los humanos o los agentes de IA que operan solos. Más allá de este hallazgo a nivel de población, formalizamos un efecto de complementariedad a nivel individual y derivamos un límite inferior sin distribución para la fracción de individuos que se benefician de la colaboración con IA; empíricamente, encontramos que esta fracción es sustancial.
Publicado originalmente en export.arxiv.org el 15 de febrero de 2026.
Ver fuente original
