Připravenost na AI začíná důvěryhodnými produktovými daty

Výrobci masivně investují do AI, iniciativ zaměřených na digitální vlákno, automatizace a modernizace podniků, aby zvýšili produktivitu a zlepšili rozhodování. Velká část diskusí se soustředí na modely AI, infrastrukturu a integraci. Mnohé organizace však přehlížejí zásadní předpoklad těchto snah: důvěru v podkladová produktová data a obchodní pravidla, na nichž závisí provozní rozhodování.

Výzvou není jen propojit systémy, ale také zajistit, aby definice produktů, konfigurační logika a obchodní pravidla, které mezi nimi proudí, zůstaly přesné. Připravenost na AI začíná důvěrou v podniková produktová data. Digitální transformace nespočívá pouze v propojování systémů; jde také o zachování významu a přesnosti informací, které mezi nimi proudí.

Při modernizaci podnikových systémů a propojování systémů pro řízení životního cyklu produktu (PLM), plánování podnikových zdrojů (ERP), konfiguraci, stanovení ceny a tvorbu nabídky (CPQ) a servisních platforem mohou nesrovnalosti v konfigurační logice nenápadně narušit přesnost navazujících procesů i účinnost doporučení založených na AI. Bez důvěryhodné konfigurační logiky AI urychluje chyby, místo aby zlepšovala rozhodování.

Proč je konfigurace produktu skrytým základem

Dnešní výrobci se stále více spoléhají na propojený ekosystém zahrnující PLM, ERP, CPQ, výrobu a servis. Konfigurace produktu slouží jako pojítko, které převádí záměry konstruktérů do požadavků na výrobu, prodej, cenotvorbu a servis.

Každý systém se na produkt dívá jinak: PLM potřebuje technické a konstrukční informace, výroba potřebuje vědět, co lze vyrobit, a CPQ potřebuje znát pravidla prodeje a trhu. Právě konfigurace tyto pohledy propojuje. Když se podkladová logika změní nebo se stane nekonzistentní, digitální vlákno se přeruší bez ohledu na to, jak dobře jsou systémy integrovány.

Zastaralá pravidla představují skryté riziko

Modely konfigurace produktů často zachycují znalosti hromaděné po desetiletí a postupně doplňované o regulační požadavky, výrobní omezení, výjimky pro konkrétní trhy a cenovou logiku. Lidé, kteří tyto modely původně vytvořili, už ve firmě často nepracují, takže organizacím zůstávají pravidla, kterým dnes nikdo plně nerozumí.

Projekty modernizace podnikových systémů, například migrace na SAP S/4HANA, se obvykle zaměřují na aplikace, infrastrukturu a vlastní kód, zatímco konfigurační logiku považují za vedlejší. Výsledkem je přehlížené riziko: systémy lze úspěšně migrovat, ale chování konfigurace se přitom může nenápadně změnit, aniž by to bylo možné snadno odhalit tradičním testováním.

Migrace na S/4HANA tento problém dobře ilustrují, protože nový konfigurační engine může interpretovat dlouhodobě používaná pravidla jinak, přestože jejich syntaxe zůstává stejná. To, jak se uplatňují výchozí hodnoty, v jakém pořadí se vyhodnocují omezení a jak se řeší konflikty mezi pravidly, může změnit, které kombinace model přijímá, aniž by se přepsal jediný řádek samotných pravidel.

Nejde jen o zmatek; chybná konfigurační logika se stává obchodním problémem. Existují dva typy selhání a oba jsou nákladné:

• Konfigurace umožní firmě prodávat něco, co ve skutečnosti nedokáže vyrobit, což vede k dodatečným opravám, nesplněným závazkům a narušení vztahů se zákazníky.
• Konfigurace firmě chybně znemožní prodávat něco, co by dokázala vyrobit, což vede ke ztrátě tržeb a potenciálně i konkurenční výhody.

První typ selhání se dříve či později projeví přímo ve výrobě. Druhý zůstává skrytý; v objednávkách se nijak neprojeví prodej, který konfigurátor nikdy neumožnil.

Ověřování se stává strategickou schopností

Tradiční ověřování migrace se do značné míry opírá o manuální testování a namátkové kontroly, které nemohou realisticky prověřit obrovské množství možných kombinací produktů. Ověřování konfigurace přesouvá pozornost od otázky, zda se data úspěšně přenesla, k otázce, zda zůstal zachován obchodní záměr.

Setkal jsem se s výrobci, kteří zaměstnávají celé týmy, jejichž jediným úkolem je ověřit, že migrovaný model stále vytváří stejné platné konfigurace a stále odmítá stejné neplatné konfigurace, protože nemají jiný způsob, jak to zjistit. Je to podrobná, nákladná a časově náročná práce, a přesto se při ní prověřuje jen vzorek problému.

Stojí za to přesně vymezit rozsah problému. Model s 30 proměnnými a pěti možnostmi pro každou z nich umožňuje zhruba 10²¹ kombinací, což je mnohem více, než kolik se odhaduje zrnek písku na Zemi; skutečné průmyslové modely jsou přitom podstatně větší. Žádný počet lidí, kteří procházejí možnosti v uživatelském rozhraní, takový prostor nepokryje; matematika to neumožňuje.

Právě proto jsou formální metody důležité. Místo testování vzorku kombinací lze model konfigurace převést do kanonické logické podoby: kompaktní matematické reprezentace všech platných kombinací, které jeho pravidla připouštějí. Dva takto převedené modely lze přímo porovnat. Buď popisují přesně stejnou množinu platných produktů, nebo porovnání přesně ukáže, v čem se liší, a uvede konkrétní příklady kombinací, které jeden model přijímá a druhý odmítá. Stejná reprezentace mění chování za běhu programu z prohledávání na vyhledání v seznamu, takže konfigurátor může zobrazovat pouze platné možnosti a nikdy uživatele nezavede do slepé uličky. Ověřování a správnost za běhu se ukazují jako tatáž schopnost, na niž lze nahlížet ze dvou stran.

Organizace stále častěji potřebují tento druh formálního porovnání ještě předtím, než nad pravidla svých produktů nasadí AI nebo automatizaci. Cílem není jen snížit riziko migrace, ale také zachovat kontinuitu provozu v oblasti konstrukce, výroby, prodeje a servisu a získat možnost modely konfigurace testovat, ladit a ověřovat před uvedením do provozu, nikoli až po něm.

AI má stavět na deterministickém konfiguračním enginu, ne ho nahrazovat

Nic z toho nevyžaduje, aby AI nahradila konfigurační engine. Udržitelnější přístup je opačný: AI funguje jako prostředník mezi uživatelem a důsledným konfiguračním enginem a nabízí přirozenější asistovaný prodej nebo doporučování, zatímco základní pravidla zůstávají deterministická. Jazykový model interpretuje, o co zákazník žádá; engine rozhoduje, co lze skutečně vyrobit. Díky tomuto rozdělení úloh zůstává část procesu, jejíž správnost musí být možné prokazatelně ověřit, mimo dosah systému, který je ze své podstaty pravděpodobnostní.

Důvěryhodná data jsou základem úspěšných programů AI

AI dokáže vytvářet doporučení jen tak spolehlivě, jak spolehlivé jsou znalosti o produktech, které má k dispozici. Neověřená konfigurační data vedou k tomu, že AI šíří chyby v měřítku celého podniku, a oslabují tak podporu prodeje, rozhodování ve výrobě i závazky vůči zákazníkům.

Výrobci by měli ověřování dat považovat za předpoklad nasazení AI, podobně jako se testování softwaru stalo předpokladem vývoje aplikací. S pokračující digitální transformací bude konkurenční výhoda stále více vycházet nikoli z toho, kdo nasadí AI jako první, ale z toho, kdo ji nasadí na základě důvěryhodných produktových dat.