01What it isQué es
AVC post-mortem analysis, a Mr. Supply Chain practice, classifies every autonomous agent incident by the trilemma property it violated — Autonomy, Veracity or Coordination — so that each failure produces a reusable design rule instead of a one-off fix.
El análisis post mortem AVC, una práctica de Mr. Supply Chain, clasifica cada incidente de un agente autónomo según la propiedad del trilema que violó —Autonomía, Veracidad o Coordinación—, de modo que cada falla produzca una regla de diseño reutilizable y no una corrección aislada.
02Why it mattersPor qué importa
Interacting algorithms can fail in ways no single algorithm would: two repricing bots on Amazon in 2011 pushed a used book to about $23.7M simply by reacting to each other. In complex systems, accidents typically arise from unsafe interactions among components that each work as designed, not from a single broken part (Leveson, 2011 — MIT Press, Engineering a Safer World). Interactions between automated trading algorithms amplified the 2010 Flash Crash in US equity markets (Kirilenko, Kyle, Samadi and Tuzun, 2017 — Journal of Finance).
Los algoritmos que interactúan pueden fallar de formas en que ninguno fallaría solo: dos bots de reprecio en Amazon en 2011 llevaron un libro usado a cerca de $23.7M solo por reaccionar uno al otro. En los sistemas complejos, los accidentes suelen surgir de interacciones inseguras entre componentes que funcionan cada uno como fueron diseñados, no de una sola pieza rota (Leveson, 2011 — MIT Press, Engineering a Safer World). Las interacciones entre algoritmos de trading automatizado amplificaron el Flash Crash de 2010 en los mercados accionarios de EE. UU. (Kirilenko, Kyle, Samadi and Tuzun, 2017 — Journal of Finance).
03How it is doneCómo se hace
1
Classify by violated vertex. For every incident, name the AVC property that failed and the condition the designer did not anticipate.
2
Turn it into a rule. Write the fix as a reusable control — a freshness check, a coordination protocol or an approval threshold — not a one-time patch.
3
Earn autonomy with evidence. Promote an agent to the next autonomy level only after a sustained low override rate, and demote it when the context shifts.
1
Clasifica por vértice violado. En cada incidente, nombra la propiedad AVC que falló y la condición que el diseñador no anticipó.
2
Conviértelo en regla. Escribe la corrección como un control reutilizable —un freshness check, un protocolo de coordinación o un umbral de aprobación—, no como un parche único.
3
Gana autonomía con evidencia. Sube a un agente al siguiente nivel de autonomía solo tras una tasa de override baja y sostenida, y bájalo cuando cambie el contexto.
04The concept in depthEl concepto a fondo
The AVC in practice: post-mortem analysis of autonomous supply chain failures›
The history of autonomous supply chain systems is full of cases where the violation of one of the 3 AVC properties generated significant consequences. Post-mortem analysis through the AVC framework reveals the underlying pattern and generalizable design lessons.
The 3 major supply chain autonomy failures under the AVC›
(1) The pricing-bot spiral (Amazon Marketplace, 2011): two third-party sellers' repricing algorithms kept setting their prices relative to each other, pushing a used developmental biology book to about $23.7M (A+V without C). (2) The post-pandemic inventory glut (US retail, 2022): several large retailers reported sharp inventory build-ups as demand shifted away from pandemic patterns — an illustration of a temporal Veracity failure when replenishment logic keeps trusting outdated demand signals. (3) An illustrative automotive multi-agent conflict: a production scheduling agent and a logistics agent generate bottlenecks no individual agent can see.
The 5 lessons from the AVC in practice›
(1) AVC predicts the failure but not when. (2) Coordination failures are hardest to detect. (3) Veracity failures are most frequent — and most correctable. (4) Autonomy must be earned gradually: an agent with <10% override rate for 3 months can ascend to the next autonomy level. (5) External context can convert an AVC-stable system into AVC-unstable.
Design implications›
Autonomous agent systems fail not due to lack of model sophistication — but due to trilemma property violations in conditions the designer did not anticipate. The AVC framework converts post-mortem failures into generalizable design lessons.
El AVC en la práctica: análisis post mortem de fallas de supply chain autónoma›
La historia de los sistemas autónomos de supply chain está llena de casos en que la violación de una de las 3 propiedades del AVC generó consecuencias significativas. El análisis post mortem bajo el marco AVC revela el patrón subyacente y lecciones de diseño generalizables.
Las 3 grandes fallas de autonomía en supply chain bajo el AVC›
(1) La espiral de bots de precios (Amazon Marketplace, 2011): los algoritmos de reprecio de dos vendedores externos fijaban su precio uno en función del otro y llevaron un libro usado de biología del desarrollo a cerca de $23.7M (A+V sin C). (2) El exceso de inventario pospandemia (retail en EE. UU., 2022): varios grandes minoristas reportaron fuertes acumulaciones de inventario cuando la demanda se alejó de los patrones de la pandemia; ilustra una falla temporal de Veracidad cuando la lógica de reabastecimiento sigue confiando en señales de demanda desactualizadas. (3) Un conflicto multiagente ilustrativo en el sector automotriz: un agente de programación de producción y un agente de logística generan cuellos de botella que ningún agente individual puede ver.
Las 5 lecciones del AVC en la práctica›
(1) El AVC predice la falla, pero no cuándo ocurre. (2) Las fallas de Coordinación son las más difíciles de detectar. (3) Las fallas de Veracidad son las más frecuentes y las más corregibles. (4) La Autonomía debe ganarse gradualmente: un agente con una tasa de override <10% durante 3 meses puede subir al siguiente nivel de autonomía. (5) El contexto externo puede convertir un sistema estable bajo el AVC en uno inestable.
Implicaciones de diseño›
Los sistemas de agentes autónomos no fallan por falta de sofisticación del modelo, sino por violaciones de las propiedades del trilema en condiciones que el diseñador no anticipó. El marco AVC convierte las fallas analizadas en post mortem en lecciones de diseño generalizables.
05In practiceEn la práctica
The AVC framework converts agent incidents into generalizable design lessons — use it in all post-mortems›
A post-mortem that concludes the agent made an incorrect decision generates no lesson. A post-mortem under the AVC generates the specific design lesson and the systemic corrective action.
Autonomy must be earned gradually — an agent with <10% override rate for 3 months can ascend to the next autonomy level›
The process of gradually escalating Autonomy with evidence of decreasing override rate is the most effective governance mechanism.
The macroeconomic context can stabilize or destabilize an AVC system — monitor external changes outside the agent model›
The agent stable in normal conditions can fail when the macro environment changes (inflation, pandemic, geopolitical disruptions).
Share AVC post-mortems with teams designing new agents — knowledge of past failures is the most valuable design asset›
A team designing a new pricing agent without knowing the 2011 Amazon pricing-bot incident may make the same Coordination failure error.
El marco AVC convierte los incidentes de agentes en lecciones de diseño generalizables: úsalo en todos los post mortem›
Un post mortem que concluye que el agente tomó una decisión incorrecta no genera ninguna lección. Un post mortem bajo el AVC genera la lección de diseño específica y la acción correctiva sistémica.
La Autonomía debe ganarse gradualmente: un agente con una tasa de override <10% durante 3 meses puede subir al siguiente nivel de autonomía›
Escalar la Autonomía de forma gradual, con evidencia de una tasa de override decreciente, es el mecanismo de gobierno más eficaz.
El contexto macroeconómico puede estabilizar o desestabilizar un sistema AVC: monitorea los cambios externos que quedan fuera del modelo del agente›
El agente estable en condiciones normales puede fallar cuando cambia el entorno macro (inflación, pandemia, disrupciones geopolíticas).
Comparte los post mortem AVC con los equipos que diseñan nuevos agentes: conocer las fallas pasadas es el activo de diseño más valioso›
Un equipo que diseña un nuevo agente de precios sin conocer el incidente de los bots de precios de Amazon en 2011 puede cometer el mismo error de Coordinación.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: AVC failure post-mortem — distribution company, 3 incidents in the first year of multi-agent operation
| Incident | AVC projection violated | Design lesson |
|---|---|---|
| Incident 1: The reorder agent and the liquidation agent generated contradictory decisions on 18 SKUs simultaneously | A+V without C · Both agents had correct information (high Veracity) and high Autonomy but did not coordinate | Implement coordination protocol: before issuing a PO >$100K MXN, the reorder agent must verify if the SKU has an active pricing action |
| Incident 2: The routing agent generated optimal routes based on traffic data 18 hours old during an unplanned vehicle strike | A+C without V · High Autonomy and coordination with TMS, but low Veracity due to outdated traffic data | Implement the traffic data freshness check: if data is >2 hours old, the agent uses only historically stable routes |
| Incident 3: The order allocation agent operated correctly for 8 months — and in month 9 made 3 incorrect decisions in one week · A supplier changed its product mix without notifying the ERP | A+C without V (temporary) · Agent data master was outdated for that supplier | Implement data staleness alerts for critical data masters: if the supplier master has not been updated in >30 days, the agent requires human validation for decisions that depend on that supplier |
Result: All 3 incidents are explained with the same framework: each is the materialization of one of the 3 vertices of the AVC trilemma. Post-mortem analysis under the AVC converted 3 isolated incidents into a design pattern with generalizable lessons for all future agents.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: Post mortem de fallas AVC — empresa de distribución, 3 incidentes en el primer año de operación multiagente
| Incidente | Proyección AVC violada | Lección de diseño |
|---|---|---|
| Incidente 1: el agente de reorden y el agente de liquidación generaron decisiones contradictorias sobre 18 SKU al mismo tiempo | A+V sin C · Ambos agentes tenían información correcta (alta Veracidad) y alta Autonomía, pero no se coordinaron | Implementar un protocolo de coordinación: antes de emitir una OC >$100K MXN, el agente de reorden debe verificar si el SKU tiene una acción de precios activa |
| Incidente 2: el agente de ruteo generó rutas óptimas con datos de tráfico de 18 horas de antigüedad durante un paro de transportistas no previsto | A+C sin V · Alta Autonomía y coordinación con el TMS, pero baja Veracidad por datos de tráfico desactualizados | Implementar el freshness check de datos de tráfico: si los datos tienen más de 2 horas, el agente usa solo rutas históricamente estables |
| Incidente 3: el agente de asignación de pedidos operó correctamente durante 8 meses y en el mes 9 tomó 3 decisiones incorrectas en una semana · Un proveedor cambió su mezcla de productos sin notificarlo en el ERP | A+C sin V (temporal) · El maestro de datos del agente estaba desactualizado para ese proveedor | Implementar alertas de antigüedad para los maestros de datos críticos: si el maestro del proveedor no se ha actualizado en más de 30 días, el agente requiere validación humana para las decisiones que dependen de ese proveedor |
Resultado: Los 3 incidentes se explican con el mismo marco: cada uno es la materialización de uno de los 3 vértices del trilema AVC. El análisis post mortem bajo el AVC convirtió 3 incidentes aislados en un patrón de diseño con lecciones generalizables para todos los agentes futuros.
07How it is measuredCómo se mide
AVC-Classified Incident Rate %›
AVC-Classified Incident Rate %
(Agent incidents classified as A, V, or C failure under the AVC framework / Total incidents) × 100
Benchmark: >85% of agent incidents classifiable under the AVC framework · The AVC is an exhaustive framework covering the vast majority of autonomous agent failure modes
⚠️ Incidents that cannot be classified under the AVC may indicate the presence of a fourth type of failure (e.g., an adversarial attack) that requires an additional category.
Agent Incident Recovery Time›
Agent Incident Recovery Time
Average time from incident detection until the system returns to operating within normal parameters
Benchmark: <2 hours for Coordination failure incidents (reversible by human intervention) · <24 hours for Veracity failure incidents (require source data correction)
🔑 Recovery time is the resilience metric of the multi-agent system.
AVC-Classified Incident Rate %›
AVC-Classified Incident Rate % (incidentes clasificados bajo el AVC)
(Incidentes de agentes clasificados como falla de A, V o C bajo el marco AVC / Total de incidentes) × 100
Benchmark: >85% de los incidentes de agentes clasificables bajo el marco AVC · El AVC es un marco exhaustivo que cubre la gran mayoría de los modos de falla de agentes autónomos
⚠️ Los incidentes que no pueden clasificarse bajo el AVC pueden indicar la presencia de un cuarto tipo de falla (p. ej., un ataque adversarial) que requiere una categoría adicional.
Agent Incident Recovery Time›
Agent Incident Recovery Time (tiempo de recuperación ante incidentes)
Tiempo promedio desde la detección del incidente hasta que el sistema vuelve a operar dentro de parámetros normales
Benchmark: <2 horas para incidentes de falla de Coordinación (reversibles con intervención humana) · <24 horas para incidentes de falla de Veracidad (requieren corregir el dato fuente)
🔑 El tiempo de recuperación es la métrica de resiliencia del sistema multiagente.
08What you would useQué se usa
📌 AVC Incident Framework
López, I. (2024) — AVC Theorem · mrsupplychain.ai›
Module: AVC Framework for Supply Chain Agent Incident Analysis
The AVC framework provides the complete taxonomy for classifying supply chain agent incidents into the 3 projections of the trilemma.
The AVC framework provides the complete taxonomy for classifying supply chain agent incidents into the 3 projections of the trilemma.
López, I. (2026) — Emergent Opacity Working Paper›
Module: Emergent Opacity as a Consequence of AVC Trade-offs
The Emergent Opacity working paper analyzes the long-term consequences of the A+C without V projection — the accumulation of epistemic opacity in supply chain multi-agent systems.
The Emergent Opacity working paper analyzes the long-term consequences of the A+C without V projection — the accumulation of epistemic opacity in supply chain multi-agent systems.
📌 Marco AVC para incidentes
López, I. (2024) — AVC Theorem · mrsupplychain.ai›
Módulo: Marco AVC para el análisis de incidentes de agentes de supply chain
El marco AVC aporta la taxonomía completa para clasificar los incidentes de agentes de supply chain en las 3 proyecciones del trilema.
El marco AVC aporta la taxonomía completa para clasificar los incidentes de agentes de supply chain en las 3 proyecciones del trilema.
López, I. (2026) — Emergent Opacity Working Paper›
Módulo: La opacidad emergente como consecuencia de los trade-offs AVC
El working paper de Opacidad Emergente analiza las consecuencias de largo plazo de la proyección A+C sin V: la acumulación de opacidad epistémica en sistemas multiagente de supply chain.
El working paper de Opacidad Emergente analiza las consecuencias de largo plazo de la proyección A+C sin V: la acumulación de opacidad epistémica en sistemas multiagente de supply chain.
The bottom lineEn corto
Every agent incident is a lesson in autonomy, truth or coordination — write it down as a rule.
Cada incidente de un agente es una lección de autonomía, veracidad o coordinación: escríbela como regla.
← PreviousAnteriorAutonomy boundaries: when AI agents should defer to human judgmentLímites de autonomía: cuándo los agentes de IA deben deferir al juicio humanoNextSiguiente →Autonomous reorder agents: dynamic safety stock & PO generationAgentes de reorden autónomos: stock de seguridad dinámico y generación de PO
All D13 componentsTodos los componentes de D13D13 artifactsArtifacts de D13SCRA