Den næste AI-kløft: Hvorfor mellemstore logistikvirksomheder skal reparere deres infrastruktur, før de kan udnytte AI

Samtalen om AI ofte fokuserer på adgang, med antagelsen om at når en virksomhed har adgang til de rette modeller og værktøjer, er den næste udfordring at finde ud af, hvordan de skal bruges. For mellemstore logistikvirksomheder er det ikke nødvendigvis, hvor problemet begynder.

På tværs af mange lagre og tredjepartslogistikudbydere (3PL’er) er kløften sjældent et manglende system. De fleste har allerede et lagerstyringssystem (WMS), en enterprise resource planning-software (ERP) eller regnskabspakke, transportørforbindelser og EDI med deres større kunder. Problemet er, hvad der sker mellem disse systemer.

Punkt-til-punkt-forbindelser akkumuleres over tid. En kunde eller handelspartner får forbindelse på den ene måde, en anden partner får forbindelse på en anden måde, og til sidst har ingen et komplet overblik over, hvem der taler med hvem. Integration afhænger også af mennesker, som når nogen genindtaster ordrer fra en kundeportal eller afstemmer gårsdagens forsendelser i et regneark hver morgen. En 3PL ved måske ikke, at en transaktion fejlede, før en kunde ringer for at spørge, hvor deres ordre er.

Intet af dette vises på en IT-aktivliste, hvilket er grunden til, at det er så let at undervurdere problemet. 

Problemet er i overleveringerne

De største operationelle problemer opstår typisk ved overleveringer, hvor en ordre, modtagelse eller forsendelse bevæger sig fra ét system eller virksomhed til en anden:

• En indgående ordre, der ankommer for sent eller er fejlbehæftet, kan betyde en mistet bølge og en mistet afsendelsesdato. 
• En forudgående forsendelsesmeddelelse, der ikke stemmer overens med det, der fysisk ankommer, kan stoppe modtagelsen, mens medarbejderne undersøger hver palle. 
• En forsendelsesbekræftelse, der aldrig når kundens system, kan forårsage en faktureringsforsinkelse og føre til en tilbagebetaling, hvor en forhandler trækker en bøde for en overholdelsesfejl.

For en 3PL multipliceres disse problemer, fordi hver kunde har sine egne formater, regler og forventninger. Lageret fungerer normalt godt, men informationsflowet omkring det bryder sammen. 

Denne sondring bliver vigtigere, efterhånden som virksomheder introducerer AI i deres drift, fordi AI kun kan arbejde med den information, den har til rådighed. At forbinde en chatbot eller copilot til ét system kan give en god demonstration, men det giver ikke det system indsigt i en operation, der spænder over flere systemer.

I logistik krydser de nyttige spørgsmål ofte disse grænser, så et svar om en ordre kan kræve information fra WMS, ERP og et transport- eller kundesystem. Et AI-værktøj, der kun kan se én del af processen, arbejder ud fra et ufuldstændigt billede.

Der er en voksende kløft mellem virksomheder, hvis infrastruktur giver AI mulighed for at arbejde med den information, den har brug for og virksomheder, hvis systemer forbliver frakoblede, og det er her den næste AI-kløft opstår. 

AI har brug for et fundament, som det faktisk kan arbejde med

En ægte AI-klar infrastruktur bør beskrives i operationelle termer frem for teknologiske termer. Hver vigtig hændelse, såsom en ordre, modtagelse, lagerflytning eller forsendelse, skal passere gennem et fælles hub i stedet for en samling af separate forbindelser. Det format, en handelspartner sender, bør ikke længere være lagerets problem. X12, EDIFACT, XML eller JSON bør normaliseres til den samme ordre, før nogen nedstrøms behøver at tænke på formatet.

Teamene skal vide, hvornår noget fejler inden for minutter, før problemet når en kunde. De samme oplysninger, som medarbejderne bruger til at identificere og løse disse problemer, bør også være tilgængelige for software og AI-agenter via rene API’er, der bevarer eksisterende tilladelser. Der skal også være en registrering af, hvad der skete, så når AI foreslår noget, kan en person kontrollere hvorfor. 

Når disse betingelser er på plads, bliver det meget nemmere at tilføje AI. Det betyder ikke, at en mellemstor virksomhed skal udskifte sin komplette teknologiske stack. Faktisk har en mellemstor 3PL næsten aldrig brug for et nyt WMS eller ERP blot for at blive AI-klar. Den mere praktiske tilgang er at lade kernesystemerne være og rette op på forbindelserne mellem dem.

Et enkelt hub, som alle systemer og partnere forbinder til, er meget lettere at administrere end et spind af enkeltstående links.

AI kan hjælpe med at bygge infrastrukturen

Dette er også, hvor AI kan være særligt nyttigt for mellemstore virksomheder. Traditionelt har integration krævet, at folk læser partneres specifikationer, kortlægger felter manuelt og tester disse kortlægninger én handelspartner ad gangen. En enkelt partnerkortlægning kan tage uger med praktisk arbejde, test samt frem og tilbage med partneren.

Nuværende AI-modeller er i stand til at læse specifikationer og prøvefiler, foreslå kortlægning og teste den mod reelle transaktioner. En person kan derefter gennemgå og godkende resultatet.

AI kan reducere det praktiske arbejde, der kræves for at producere den første version af en EDI-mapping. Specialisten kan starte med et udkast, derefter gennemgå og rette det, før det sendes gennem partnerens eksisterende gennemgangscyklus, så specialister kan bruge mindre tid på at bygge mappinger felt for felt, mens de bevarer kontrollen over det endelige resultat.

Men der er en vigtig sondring mellem at bruge AI til integration og at stole på AI med integration.

Når jeg gør dette, bruger jeg en tilgang, jeg kalder “Foreslå, Forankre, Verificere, Bekræfte.”

AI foreslår partneropsætningen og feltnetværket. Det er forankret i den faktiske specifikation og prøvefiler i stedet for at opfinde felter eller koder. En separat verifikationsproces sammenligner mappingen felt for felt mod et rigtigt dokument. Så bekræfter en person resultatet, før det når en live kundestrøm. 

Vi lærte, hvorfor den disciplin er vigtig, ved at teste AI-genererede mappinger mod rigtige produktionsdokumenter.

I en test læste en AI-genereret map et lageroverførselsdokument uden fejl, men droppede alle 15 linjeposter. I en anden bevarede den alle seks parter på en forsendelsesordre, men mistede koden, der identificerede hvilken part der var modtager, samt gadeadressen. Vores automatiserede kontrol kaldte mappingen for ren, og en EDI-specialist opdagede hullet.

Selv reference data kan være forkert. En standardfil, der hævdede at være krydstjekket, var uenig med den offentliggjorte standard på hvert omstridt segment, vi testede.

Lektionen er, at et delvist resultat kan være sværere at opdage end et manglende. Verifikation skal sammenligne hvert felt i et rigtigt dokument med, hvad mappingen fangede. At bekræfte, at et dokument kan parses, er ikke nok. 

Pålidelige resultater afhænger af den disciplin, der omgiver modellen, fra hvordan den bruges til hvordan dens output gennemgås.

Værdien starter før AI træffer en beslutning

Infrastrukturarbejde har også værdi langt før en AI-agent begynder at give operationelle anbefalinger. En 3PL, vi arbejdede med, kørte SAP parallelt med sit lagersystem. Hver indgående modtagelse tog tre til fem minutter i manuel indtastning, og lagerbeholdningen i SAP var omkring 20 minutter bag docken.

Da de to systemer blev forbundet direkte, blev den forsinkelse næsten realtid. Operationen sparede mere end 980 arbejdstimer om året, inklusive 775 timer på udgående arbejde. Regnearkssporing forsvandt, mens etiketter, fragtbreve og pakkelister begyndte at blive genereret automatisk. Lageret beholdt sine eksisterende arbejdsgange, så ingen på gulvet skulle omskoleres. 

Lektionen, vi tog fra det projekt, var større end arbejdskraftbesparelserne. Når to systemer deler ét aktuelt billede, er netop dette billede, hvad en AI-agent har brug for for at være nyttig.

At forbinde dem er skridtet, der gør alt efterfølgende muligt. 

AI-parathed starter med integration

For virksomheder, der beslutter, hvor de skal starte, bør integration komme først, med AI, der udfører en stor del af integrationsarbejdet. Alt for ofte begår driftsafdelingen fejlen ved at behandle AI som noget, der kun hører til i slutningen af processen. Det kan hjælpe med at gøre integrationsarbejdet hurtigere og billigere i starten, derefter hjælpe med beslutninger når den grundlæggende struktur er på plads. 

Mellemstore logistikvirksomheder har ikke nødvendigvis brug for mere teknologi. Mange har allerede de systemer, de har brug for. Muligheden ligger i at få disse systemer til at arbejde sammen. Det er her, AI kan spille en rolle, der går ud over blot at generere et svar på en skærm.