01What it isQué es
Veracity, in the Mr. Supply Chain AVC framework, is an agent's ability to decide on information that is complete, correct and current at the moment of the decision; it fails through latency, incompleteness, incorrect source data or asymmetry between agents.
La Veracidad, en el marco AVC de Mr. Supply Chain, es la capacidad del agente de decidir con información completa, correcta y vigente en el momento de la decisión; falla por latencia, información incompleta, datos fuente incorrectos o asimetría entre agentes.
02Why it mattersPor qué importa
When an agent misbehaves, teams tend to retune the model, yet the root cause is often stale, partial or wrong data. Decisions made on delayed or distorted local information amplify variability along the supply chain, the mechanism behind the bullwhip effect (Lee, Padmanabhan and Whang, 1997 — Management Science). The author's Epistemic Degradation Function frames the same idea for agents: information quality decays with time since update and distance from the source, so refresh frequency should follow decision criticality.
Cuando un agente se equivoca, los equipos tienden a reajustar el modelo, aunque la causa raíz suele ser un dato viejo, parcial o erróneo. Las decisiones tomadas con información local retrasada o distorsionada amplifican la variabilidad a lo largo de la cadena de suministro, el mecanismo detrás del efecto látigo (Lee, Padmanabhan and Whang, 1997 — Management Science). La Función de Degradación Epistémica del autor plantea la misma idea para agentes: la calidad de la información decae con el tiempo desde la última actualización y con la distancia a la fuente, por lo que la frecuencia de actualización debe seguir la criticidad de la decisión.
03How it is doneCómo se hace
1
Classify every override. Tag each human override as latency, incompleteness, incorrect data, asymmetry or true model error before changing anything.
2
Verify before large actions. Have the agent re-read source systems, not caches, for open POs and in-transit stock before any high-impact decision.
3
Set freshness targets. Define a maximum data age per source and decision type, and block or escalate decisions when data is older.
1
Clasifica cada override. Etiqueta cada override humano como latencia, información incompleta, dato incorrecto, asimetría o error real del modelo antes de cambiar algo.
2
Verifica antes de acciones grandes. Haz que el agente relea los sistemas fuente, no cachés, para OC abiertas e inventario en tránsito antes de cualquier decisión de alto impacto.
3
Fija metas de frescura. Define una antigüedad máxima del dato por fuente y tipo de decisión, y bloquea o escala las decisiones cuando el dato sea más viejo.
04The concept in depthEl concepto a fondo
Veracity in the AVC: information completeness and integrity for autonomous agents›
Veracity is the property of the system to operate with complete, correct, and current information at the time of each decision. Perfect Veracity would require real-time access to all relevant supply chain data — theoretically and practically unachievable at scale.
The 4 types of Veracity failures in supply chain agents›
(1) Information Latency: the data the agent sees is outdated. ERP updates every 15 minutes — agent may have incorrect inventory during that window. (2) Information Incompleteness: agent has ERP inventory but not in-transit, reserved, or quality-blocked inventory. (3) Information Incorrectness: source system data has errors. (4) Information Asymmetry: the reorder agent has central DC inventory data but not store inventory — which the order allocation agent does have.
The Epistemic Degradation Function (EDF)›
The Epistemic Degradation Function (EDF), introduced by López (2026), models how information quality available to the agent diminishes over time since the last update and with network distance from the data source. Agents needing high Veracity must have low-latency data from sources closest to the event they manage.
Intermediate vs. Advanced›
Intermediate: identifies Veracity failure sources; reports cases where the agent acted on incorrect information.
Advanced: designs the agent information architecture to maximize Veracity; implements freshness checking; quantifies Veracity failure impact on decision quality.
Advanced: designs the agent information architecture to maximize Veracity; implements freshness checking; quantifies Veracity failure impact on decision quality.
La Veracidad en el AVC: completitud e integridad de la información para agentes autónomos›
La Veracidad es la propiedad del sistema de operar con información completa, correcta y vigente en el momento de cada decisión. La Veracidad perfecta requeriría acceso en tiempo real a todos los datos relevantes de la cadena de suministro, algo inalcanzable a escala tanto en la teoría como en la práctica.
Los 4 tipos de fallas de Veracidad en agentes de supply chain›
(1) Latencia de información: los datos que ve el agente están desactualizados. Si el ERP se actualiza cada 15 minutos, el agente puede tener un inventario incorrecto durante esa ventana. (2) Información incompleta: el agente tiene el inventario del ERP, pero no el inventario en tránsito, reservado o bloqueado por calidad. (3) Información incorrecta: los datos del sistema fuente tienen errores. (4) Asimetría de información: el agente de reorden tiene los datos de inventario del CEDIS central, pero no el inventario en tiendas, que sí tiene el agente de asignación de pedidos.
La Función de Degradación Epistémica (EDF)›
La Función de Degradación Epistémica (EDF, por sus siglas en inglés), introducida por López (2026), modela cómo disminuye la calidad de la información disponible para el agente conforme pasa el tiempo desde la última actualización y conforme aumenta la distancia en la red respecto de la fuente del dato. Los agentes que necesitan alta Veracidad deben contar con datos de baja latencia provenientes de las fuentes más cercanas al evento que gestionan.
Intermedio vs. Avanzado›
Intermedio: identifica las fuentes de fallas de Veracidad; reporta los casos en que el agente actuó con información incorrecta.
Avanzado: diseña la arquitectura de información del agente para maximizar la Veracidad; implementa freshness checking; cuantifica el impacto de las fallas de Veracidad en la calidad de decisión.
Avanzado: diseña la arquitectura de información del agente para maximizar la Veracidad; implementa freshness checking; cuantifica el impacto de las fallas de Veracidad en la calidad de decisión.
05In practiceEn la práctica
Most supply chain agent failures are Veracity failures — not decision model failures›
Before concluding the agent has an incorrect model, verify if it had correct information at the time of the decision. In practice, a large share of buyer overrides originates in Veracity failures.
Design the agent with the verify before acting principle for high-impact decisions›
The agent that verifies relevant information in source systems (not cache) before issuing a large PO has significantly higher effective Veracity.
The Epistemic Degradation Function (EDF) of the AVC quantifies Veracity degradation over time›
The EDF provides the mathematical basis for deciding how frequently the agent should update its data from each source, based on decision criticality.
Audit agent overrides quarterly and classify them according to the AVC failure taxonomy›
Overrides classified as Veracity failure vs. model failure generate very different corrective actions.
La mayoría de las fallas de los agentes de supply chain son fallas de Veracidad, no del modelo de decisión›
Antes de concluir que el agente tiene un modelo incorrecto, verifica si tenía información correcta en el momento de la decisión. En la práctica, una parte importante de los overrides de los compradores se origina en fallas de Veracidad.
Diseña el agente con el principio de "verificar antes de actuar" en decisiones de alto impacto›
El agente que verifica la información relevante en los sistemas fuente (no en caché) antes de emitir una OC grande tiene una Veracidad efectiva significativamente mayor.
La Función de Degradación Epistémica (EDF) del AVC cuantifica la degradación de la Veracidad en el tiempo›
La EDF aporta la base matemática para decidir con qué frecuencia el agente debe actualizar sus datos de cada fuente, según la criticidad de la decisión.
Audita los overrides del agente cada trimestre y clasifícalos según la taxonomía de fallas del AVC›
Los overrides clasificados como falla de Veracidad vs. falla del modelo generan acciones correctivas muy distintas.
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: Veracity failure analysis — autonomous reorder agent, manufacturing company
The team audits 180 buyer overrides in the first 6 months of the agent.
The team audits 180 buyer overrides in the first 6 months of the agent.
| Type of Veracity failure | # of overrides caused | Corrective action implemented |
|---|---|---|
| Information Latency: agent issued a PO draft based on inventory data with 15 min latency — inventory had already been replenished with a previous PO not yet appearing in the ERP | 48 overrides (27% of total) | Agent now verifies status of open POs before issuing a new one · Overrides for this type: 48 → 3 in the next quarter |
| Information Incompleteness: agent did not have access to in-transit inventory — counted WMS but not expected receipts in the next 5 days | 62 overrides (34%) | Agent now queries pending GR/GI from the ERP · Overrides for this type: 62 → 8 |
| Information Incorrectness: 12 SKUs with incorrect weight data in the master record generated incorrect SS calculations | 28 overrides (16%) | Product master correction + monthly validation of logistical attributes of the top 200 SKUs |
Result: The 3 types of Veracity failure explained 77% of overrides. Corrective actions reduced overrides from 180 to 42 in the next semester (−77%). The lesson: most agent failures are not decision model failures — they are Veracity failures (incorrect, outdated, or incomplete data).
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: Análisis de fallas de Veracidad — agente autónomo de reorden, empresa manufacturera
El equipo audita 180 overrides de compradores en los primeros 6 meses del agente.
El equipo audita 180 overrides de compradores en los primeros 6 meses del agente.
| Tipo de falla de Veracidad | # de overrides causados | Acción correctiva implementada |
|---|---|---|
| Latencia de información: el agente emitió un borrador de OC basado en datos de inventario con 15 min de latencia; el inventario ya se había repuesto con una OC previa que aún no aparecía en el ERP | 48 overrides (27% del total) | El agente ahora verifica el estatus de las OC abiertas antes de emitir una nueva · Overrides de este tipo: 48 → 3 en el siguiente trimestre |
| Información incompleta: el agente no tenía acceso al inventario en tránsito; contaba el WMS, pero no las recepciones esperadas en los próximos 5 días | 62 overrides (34%) | El agente ahora consulta las entradas/salidas de mercancía (GR/GI) pendientes en el ERP · Overrides de este tipo: 62 → 8 |
| Información incorrecta: 12 SKU con datos de peso incorrectos en el registro maestro generaban cálculos de SS erróneos | 28 overrides (16%) | Corrección del maestro de productos + validación mensual de los atributos logísticos de los 200 SKU principales |
Resultado: Los 3 tipos de falla de Veracidad explicaron el 77% de los overrides. Las acciones correctivas redujeron los overrides de 180 a 42 en el siguiente semestre (−77%). La lección: la mayoría de las fallas del agente no son fallas del modelo de decisión, sino fallas de Veracidad (datos incorrectos, desactualizados o incompletos).
07How it is measuredCómo se mide
Veracity Failure Rate %›
Veracity Failure Rate %
(Agent decisions with human override caused by a Veracity failure / Total agent decisions) × 100
Benchmark: <10% in well-designed agents with high-quality data access · >25% indicates significant problems in the information architecture
⚠️ A Veracity failure rate >25% indicates the agent is systematically making decisions with incorrect or outdated information.
Information Freshness Score›
Information Freshness Score
Average age (in minutes) of data from agent information sources at the time of each decision
Benchmark: <5 minutes for inventory and order data of urgent decision agents · <60 minutes for tactical planning agents
🔑 The Information Freshness Score is the direct metric of agent Veracity.
Veracity Failure Rate %›
Veracity Failure Rate % (tasa de fallas de Veracidad)
(Decisiones del agente con override humano causado por una falla de Veracidad / Total de decisiones del agente) × 100
Benchmark: <10% en agentes bien diseñados con acceso a datos de alta calidad · >25% indica problemas significativos en la arquitectura de información
⚠️ Una tasa de fallas de Veracidad >25% indica que el agente toma decisiones de forma sistemática con información incorrecta o desactualizada.
Information Freshness Score›
Information Freshness Score (frescura de la información)
Antigüedad promedio (en minutos) de los datos de las fuentes de información del agente en el momento de cada decisión
Benchmark: <5 minutos para datos de inventario y pedidos en agentes de decisión urgente · <60 minutos para agentes de planeación táctica
🔑 El Information Freshness Score es la métrica directa de la Veracidad del agente.
08What you would useQué se usa
📌 Data Veracity for Agents
Apache Kafka + Redis Cache›
Module: Real-Time Data Pipeline + Low-Latency Cache for Agent Information
Kafka (real-time event streaming) + Redis (low-latency cache) — the reference architecture for guaranteeing high Veracity in supply chain agents.
Kafka (real-time event streaming) + Redis (low-latency cache) — the reference architecture for guaranteeing high Veracity in supply chain agents.
Databricks Lakeflow Declarative Pipelines (formerly Delta Live Tables)›
Module: Data Quality + Freshness Monitoring for Agent Data Sources
Lakeflow Declarative Pipelines with data quality expectations guarantees the Veracity of the sources feeding agents, with automatic alerts when quality or freshness falls below threshold.
Lakeflow Declarative Pipelines with data quality expectations guarantees the Veracity of the sources feeding agents, with automatic alerts when quality or freshness falls below threshold.
📌 Veracidad de datos para agentes
Apache Kafka + Redis Cache›
Módulo: Pipeline de datos en tiempo real + caché de baja latencia para la información del agente
Kafka (streaming de eventos en tiempo real) + Redis (caché de baja latencia): la arquitectura de referencia para garantizar alta Veracidad en agentes de supply chain.
Kafka (streaming de eventos en tiempo real) + Redis (caché de baja latencia): la arquitectura de referencia para garantizar alta Veracidad en agentes de supply chain.
Databricks Lakeflow Declarative Pipelines (antes Delta Live Tables)›
Módulo: Calidad de datos + monitoreo de frescura de las fuentes de datos del agente
Lakeflow Declarative Pipelines, con expectativas de calidad de datos, garantiza la Veracidad de las fuentes que alimentan a los agentes, con alertas automáticas cuando la calidad o la frescura caen por debajo del umbral.
Lakeflow Declarative Pipelines, con expectativas de calidad de datos, garantiza la Veracidad de las fuentes que alimentan a los agentes, con alertas automáticas cuando la calidad o la frescura caen por debajo del umbral.
The bottom lineEn corto
Before you fix the agent's brain, fix what it is looking at.
Antes de arreglar el cerebro del agente, arregla lo que está mirando.
← PreviousAnteriorThe AVC Theorem: Autonomy-Veracity-Coordination trilemma in AI supply chainsEl Teorema AVC: el trilema Autonomía-Veracidad-Coordinación en la SC con IANextSiguiente →Coordination failures in multi-agent supply chains: emergent conflictsFallas de coordinación en SC multi-agente: conflictos emergentes
All D13 componentsTodos los componentes de D13D13 artifactsArtifacts de D13SCRA