Další AI propast: Proč středně velké logistické společnosti potřebují opravit svou infrastrukturu, než budou moci využít AI

Diskuse o AI se často soustředí na přístup, s předpokladem, že jakmile má společnost přístup k správným modelům a nástrojům, dalším úkolem je zjistit, jak je využít. Pro středně velké logistické společnosti to nutně není místo, kde problém začíná.

V mnoha skladech a u poskytovatelů logistických služeb třetích stran (3PL) je mezera zřídka chybějící systém. Většina již má systém řízení skladu (WMS), software pro plánování podnikových zdrojů (ERP) nebo účetní balíček, spojení s dopravci a EDI se svými většími zákazníky. Problém je, co se děje mezi těmito systémy.

Přímé propojení se v průběhu času hromadí. Zákazník nebo obchodní partner je připojen jedním způsobem, další partner jiným způsobem a nakonec nikdo nemá úplný přehled o tom, kdo s kým komunikuje. Integrace také závisí na lidech, například když někdo přepisuje objednávky z zákaznického portálu nebo každé ráno sladí včerejší zásilky v tabulce. 3PL nemusí vědět, že transakce selhala, dokud zákazník nezavolá a nezeptá se, kde je jeho objednávka.

Žádná z těchto věcí se neobjeví v seznamu IT aktiv, což je důvod, proč je tak snadné problém podcenit. 

Problém je v předáních

Největší provozní problémy se obvykle vyskytují při předáních, kde objednávka, přijetí nebo zásilka přechází z jednoho systému nebo společnosti do druhé:

• Příchozí objednávka, která dorazí pozdě nebo poškozená, může znamenat zmeškání vlny a zmeškání termínu odeslání. 
• Předběžné oznámení o zásilce, které neodpovídá tomu, co fyzicky dorazí, může zastavit příjem, zatímco zaměstnanci zkoumají každou paletu. 
• Potvrzení o zásilce, které nikdy nedorazí do systému zákazníka, může způsobit zpoždění fakturace a vést k vrácení platby, kdy maloobchodník odečte pokutu za nedodržení souladu.

Pro 3PL se tyto problémy násobí, protože každý zákazník má své vlastní formáty, pravidla a očekávání. Skladové prostory obvykle fungují dobře, ale tok informací kolem nich se přerušuje. 

Toto rozlišení se stává důležitějším, jakmile společnosti zavádějí AI do svých operací, protože AI může pracovat pouze s informacemi, které jsou jí k dispozici. Připojení chatbota nebo kopilota k jednomu systému může být dobrá ukázka, ale neposkytuje tomuto systému přehled o operaci, která zahrnuje několik systémů.

V logistice se užitečné otázky často překračují tyto hranice, takže odpověď týkající se objednávky může vyžadovat informace ze WMS, ERP a dopravního nebo zákaznického systému. AI nástroj, který vidí jen jednu část tohoto procesu, pracuje s neúplným obrazem.

Mezi společnostmi, jejichž infrastruktura umožňuje AI pracovat s informacemi, které potřebuje a společnostmi, jejichž systémy zůstávají odpojené, a právě zde se objevuje další AI propast. 

AI potřebuje základ, se kterým může skutečně pracovat

Skutečně připravená AI infrastruktura by měla být popsána v provozních termínech spíše než v technologických termínech. Každá důležitá událost, jako je objednávka, přijetí, pohyb zásob nebo zásilka, by měla procházet společným uzlem místo sbírky samostatných spojení. Formát, který obchodní partner odesílá, by již neměl být problémem skladu. X12, EDIFACT, XML nebo JSON by měly být normalizovány na stejnou objednávku, než aby kdokoli v následném řetězci musel přemýšlet o formátu.

Týmy potřebují vědět, kdy něco selže během minut, ještě předtím, než problém dosáhne zákazníka. Stejné informace, které zaměstnanci používají k identifikaci a řešení těchto problémů, by měly být také přístupné softwaru a AI agentům prostřednictvím čistých API, která zachovávají stávající oprávnění. Také je potřeba záznam o tom, co se stalo, aby když AI něco navrhne, člověk mohl zkontrolovat proč. 

Když jsou tyto podmínky splněny, přidání AI se stane mnohem jednodušším. To neznamená, že středně velká společnost musí vyměnit celý technologický stack. Ve skutečnosti středně velký 3PL téměř nikdy nepotřebuje nový WMS nebo ERP jen kvůli připravenosti na AI. Praktičtějším přístupem je nechat hlavní systémy nedotčené a opravit propojení mezi nimi.

Jednotný uzel, ke kterému se připojuje každý systém a partner, je mnohem snazší spravovat než síť jednorázových spojení.

AI může pomoci vybudovat infrastrukturu

To je také místo, kde může být AI zvláště užitečná pro středně velké společnosti. Tradičně integrace vyžadovala, aby lidé četli specifikace partnerů, ručně mapovali pole a testovali tyto mapy po jednom obchodním partnerovi. Jedna mapa partnera může trvat týdny praktické práce, testování i zpětné komunikace s partnerem.

Současné AI modely jsou schopny číst specifikace a vzorové soubory, navrhovat mapování a testovat jej na reálných transakcích. Poté může člověk výsledek zkontrolovat a schválit.

AI může snížit množství ruční práce potřebné k vytvoření první verze mapování EDI. Specialista může začít s návrhem, poté jej zkontrolovat a opravit, než jej odešle skrze stávající revizní cyklus partnera, což umožní specialistům strávit méně času vytvářením map po jednotlivých polích a zároveň si zachovat kontrolu nad konečným výstupem.

Ale existuje důležité rozlišení mezi používáním AI pro integraci a důvěrou v AI při integraci.

Při tom používám přístup, který nazývám „Navrhnout, Základ, Ověřit, Potvrdit.“

AI navrhuje nastavení partnera a mapování polí. Je založeno na skutečné specifikaci a ukázkových souborech, místo aby vymýšlelo pole nebo kódy. Samostatný ověřovací proces porovnává mapování pole po poli s reálným dokumentem. Pak osoba výsledek potvrdí, než se dostane do živého zákaznického toku. 

Zjistili jsme, proč je tato disciplína důležitá, testováním AI‑generovaných map proti reálným produkčním dokumentům.

V jednom testu AI‑generovaná mapa přečetla dokument o převodu skladu bez chyb a přesto vynechala všech 15 řádkových položek. V jiném testu zachovala všech šest stran na přepravním objednávce, ale ztratila kód identifikující, která strana je příjemcem, spolu s ulicí. Naše automatizovaná kontrola označila mapu jako čistou a specialista EDI odhalil tuto mezeru.

I referenční data mohou být špatná. Soubor standardů, který tvrdil, že byl prověřen, nesouhlasil s publikovaným standardem u každého sporného segmentu, který jsme testovali.

Lesson je, že částečný výsledek může být obtížnější odhalit než chybějící. Ověření musí porovnat každé pole v reálném dokumentu s tím, co mapa zachytila. Potvrzení, že dokument lze parsovat, není dostačující. 

Důvěryhodné výsledky závisí na disciplíně okolo modelu, od toho, jak je používán, až po to, jak jsou jeho výstupy kontrolovány.

The Value Starts Before AI Makes a Decision

Práce na infrastruktuře má také hodnotu dlouho předtím, než AI agent začne poskytovat provozní doporučení. 3PL, se kterou jsme spolupracovali, provozovala SAP paralelně se svým skladovým systémem. Každý příjem zboží trval tři až pět minut ručního zadávání a inventář v SAP byl zpožděn zhruba o 20 minut za dokem.

Jakmile byly oba systémy propojeny přímo, toto zpoždění se stalo téměř reálným časem. Provoz ušetřil více než 980 pracovních hodin ročně, včetně 775 hodin na odchozích úkolech. Sledování v tabulkách zmizelo, zatímco štítky, nákladní listy a balicí listy se začaly generovat automaticky. Sklad si zachoval stávající pracovní postupy, takže nikdo na podlaze nemusel být přeškolován. 

Lesson, kterou jsme z tohoto projektu odnesli, byla větší než úspory práce. Jakmile dva systémy sdílejí jeden aktuální obraz, tento obraz je tím, co AI agent potřebuje, aby byl užitečný.

Propojení je krok, který umožňuje vše, co následuje. 

AI Readiness Starts With Integration

Pro společnosti, které se rozhodují, kde začít, by měla integrace přijít jako první, přičemž AI provádí velkou část integrační práce. Příliš často je chyba operací v tom, že AI považují za něco, co patří jen na konci procesu. Může pomoci urychlit a zlevnit integrační práci na začátku, pak pomoci s rozhodováním jakmile je tato základna vytvořena. 

Středně velké logistické společnosti nemusí nutně potřebovat více technologií. Mnoho z nich již má potřebné systémy. Příležitost spočívá v tom, aby tyto systémy spolupracovaly. To je místo, kde může AI hrát roli, která přesahuje pouhé generování další odpovědi na obrazovce.