Kunstig intelligens formerer handelssammenhold, og de fleste virksomheder er ikke klar

I årevis har handelssammenhold ikke været højt på prioriteringslisten for de fleste organisationer. Mens det er nødvendigt, har dets funktioner været tekniske og i stor udstrækning usynlige, indtil noget gik galt, men den antagelse er ikke længere gyldig. Tariffvolatilitet, tvangsarbejdskrafts gennemførelse, geopolitisk fragmentering og hurtigt skiftende toldregler har ført handelssammenhold ind i centrum af operationelle beslutninger.Seneste forslag fra den amerikanske handelsrepræsentant om at indføre nye tariffer på dusinvis af handelspartnere på grund af påståede fejl i at begrænse tvangsarbejdskraftsimport demonstrerer, hvordan arbejdskraftssammenholdskrav er mere og mere med til at forme handelspolitik sammen med traditionel toldgennemførelse.

Samtidig begynder kunstig intelligens at forme, hvordan organisationer klassificerer produkter, overvåger risiko, fortolker regler og forbereder sig på revisioner. Dette betyder, at mange virksomheder genovervejer, hvordan de tænker om global handelsoperation.

Handelssammenhold er blevet et data-problem

Moderne handelssammenhold afhænger af enorme mængder af information, der flytter præcist over systemer. Virksomheder må spore:

• Harmoniseret toldskema (HTS) klassificeringer
• Land af oprindelsesbestemmelse
• Leverandørdata
• Tvangsarbejdskraftssammenholdsdokumentation
• Produktspecifikationer
• Handelsaftaleberettigelse
• Tariffexponering
• Toldbeslutninger og regulatoriske opdateringer
• Konsekvens i indgangsfilering over mæglere og forretningsenheder

Udfordringen er, at det meste af denne information bor i ikke-sammenhængende systemer. En leverandør kan opretholde produktdetaljer i regneark, ingeniørteams lagrer specifikationer i PLM-platforme, indkøbsteams fokuserer på indkøbsomkostninger, og mæglere opererer fra indgangsdata, der allerede kan være ufuldstændige eller forældede. Når et handelssammenholdsteam gennemgår en leverance, kan kritiske produktattributter allerede være tabt, forenklede eller kopieret forkert over systemer. Denne fragmentering skaber risiko.

Ifølge US Customs and Border Protection, afhænger gennemførelsesindsatsen af avanceret dataanalyse til at identificere afvigelser i importørens adfærd. Samtidig er gennemførelse vanskeligt. Kongresgennemgange og regeringsanalyser har fremhævet fortsatte udfordringer, der spænder fra svindel i importprocesser og direkte-til-forbruger-e-handel til begrænsede supply-chain-sporbarhedsfunktioner. Selv med udvidede gennemførelsesindsats under Uyghur Forced Labor Prevention Act (UFLPA) debatterer politikere stadig, hvor effektivt tvangsarbejdsgoder identificeres og udelukkes fra US-forsyningskæder.

Denne ændring er vigtig, fordi klassificeringsfejl ofte er systemiske snarere end isolerede. Den samme forkerte kode kan optræde på tværs af tusindvis af indgange. En leverandørbeskrivelse kan genbruges i årevis uden validering. Ingeniørændringer kan ændre klassificeringsfaktorer uden at udløse en compliance-gennemgang. Disse er netop de mønstre, som AI-systemer er godt positioneret til at detektere.

Hvorfor HTS-klassificering bliver et AI-brugstilfælde

HTS-klassificering har altid krævet ekspertise, fortolkning og detaljeret produktviden. Det er også en af de mest operationelt vanskelige processer at skalaere konsekvent.

Den World Customs Organization opdaterer Harmonized System på en tilbagevendende basis, mens nationale tarifschemer udvikler sig uafhængigt. Domstolsafgørelser omformer fortolkning. Yderligere tariffprogrammer som AD/CVD, Section 122, Section 232 og Section 301-duties skaber nye lag af finansielt eksponering. En enkelt klassificeringsbeslutning kan dramatisk påvirke:

• Toldsatser
• Adgangskrav
• Tvangsarbejdskraftsgranskning
• Frihandelsaftaleberettigelse
• Partnerregeringens krav
• Landede omkostningsberegninger

Dette niveau af kompleksitet er ikke administrerbar gennem statiske regneark og stammeviden alene, og det er her, hvor AI begynder at påvirke faget.

Maskinlæringsmodeller kan analysere historiske klassificeringer, identificere inkonsistenser på tværs af mæglere eller faciliteter og fremhæve produkter, der måske kræver genvalidering. Naturlig sprogbehandlingsystemer kan sammenligne produktbeskrivelser mod regulatorisk sprog, toldbeslutninger og tidligere bestemmelse.

Vigtigt er, at AI ikke “løser” klassificering autonomt i de fleste virksomhedsmiljøer. I stedet hjælper det compliance-fagfolk med at indsnævre muligheder, detektere afvigelser, standardisere arbejdsgange og reducere gentagen manuel forskning. Denne forskel er vigtig. De mest succesfulde organisationer fjerner ikke menneskelig dømmekraft fra compliance-beslutninger. De supplerer menneskelig ekspertise med systemer, der forbedrer konsekvens og synlighed.

AI ændrer revisionsparathed

Handelssammenholdrevisioner var tidligere reaktive. En toldhenvendelse ville ankomme, hold ville skynde sig for at finde dokumenter, mæglere ville søge efter gamle indgange, og medarbejdere ville manuelt genskabe beslutninger fra fragmenterede optegnelser. Det tilgang er dog mere og mere uholdbar.

Størrelsen af moderne importaktivitet betyder, at organisationer behøver konstant synlighed i overholdelsespræstation, ikke periodiske rensningsøvelser. AI-drevne overvågningsystemer bruges mere og mere til at:

• Detektere inkonsistent HTS-brug på tværs af indgange
• Identificere manglende dokumentation
• Flagge usædvanlige toldfluktuationer
• Fremhæve leverandørrisikoindikatorer
• Sammenligne nuværende indgange mod historiske indgangsmønstre
• Overvåge regulatoriske ændringer, der kan påvirke klassificeringer

Denne forebyggende tilgang minder om andre tendenser i virksomhedsrisikostyring.

En seneste McKinsey-rapport om generativ AI bemærkede, at videnintensivt operationelt arbejde ofte forbedres gennem AI-understøttet analyse og arbejdsgangsautomatisering. Handelssammenhold passer perfekt ind i den kategori.

Konsekvenserne strækker sig ud over operationel effektivitet. Organisationer med stærkere overholdelsessynlighed er ofte bedre positioneret til at reagere på toldhenvendelser hurtigt, demonstrere styreprocesser og identificere eksponering, før regulatorer gør. Denne evne er blevet strategisk vigtig.

Tvangsarbejdskraftsgennemførelsesudfordringen

Et område, hvor AI-adoptionshastighed accelererer særligt hurtigt, er supply-chain due diligence. Implementeringen af Uyghur Forced Labor Prevention Act har betydeligt øget forventningerne omkring leverandørsporing og dokumentation. Importører forventes nu at demonstrere dybere synlighed i sourcing-forhold, produktionsprocesser og materialeoprindelse. For mange virksomheder er det ekstraordinært svært. Moderne supply-chains kan involvere:

• Flere kontraktproducenter
• Anden- og tredjeleverandører
• Hyppige sourcing-skift
• Inkonsistent leverandørdokumentation
• Kompleks komponentniveau-sourcing

Størrelsen af udfordringen forbliver betydelig. Ifølge International Labour Organization-estimater, er ca. 27,6 millioner mennesker på verdensplan udsat for tvangsarbejde, hvilket genererer en estimeret $236 milliarder i ulovlige gevinster årligt. Meget af denne aktivitet foregår inden for komplekse kommercielle supply-chains, hvor synlighed i upstream-leverandører er begrænset. Manuelt gennemgang kan ofte ikke følge med. AI-systemer bruges til at organisere leverandørposter, identificere manglende information, flagge højrisiko-sourcingområder og overvåge leverandøradfærdsmønstre over tid.

Igen er disse værktøjer ikke erstatning for juridisk eller compliance-dømmekraft, men de hjælper organisationer med at behandle supply-chain-information i en skala, som mennesker alene kæmper med at administrere. Dette er sandsynligvis mere vigtigt, da globale supply-chain-reguleringer fortsætter med at udvide sig.

Regulatoriske initiativer i Europa og andre steder signalerer en bredere global bevægelse mod øget supply-chain-ansvarlighed og due-diligence-forventninger. Handelssammenhold er på et skæringspunkt med ESG-rapportering, sourcing-gennemsigtighed og virksomhedsrisikostyring. AI sidder i centrum af denne konvergens, fordi udfordringen i grund og grund er et spørgsmål om dataorganisation og mønsterdetektering.

Færdighederne, som handelssammenholdsfagfolk behøver næste

En af de største misforståelser omkring AI-adoptionshastighed er idéen om, at automatisering reducerer betydningen af menneskelig ekspertise. I handelssammenhold sker det modsatte. Da AI-værktøjer håndterer gentagne analyser og storstilede data-processering, øges værdien af erfarne fagfolk. Organisationer har stadig brug for mennesker, der kan:

• Fortolke tvetydige regler
• Vurdere toldbeslutninger
• Vurdere risikotolerance
• Træffe forsvarende klassificeringsbeslutninger
• Koordinere på tværs af sourcing-, ingeniør-, logistik- og jurateam
• Forstå geopolitiske implikationer
• Kommunikerer overholdelseseksponering til direktører

Hvad ændrer sig, er arbejdets natur. Handelssammenholdsfagfolk bliver til strategiske rådgivere snarere end renligt transaktionsbaserede gennemgang. Dette kræver nye færdigheder.

Data-litteratus bliver mere vigtig. Hold behøver at forstå, hvordan information flytter gennem systemer, hvor inkonsistenser opstår, og hvordan automatiseringsværktøjer giver anbefalinger. Kommunikationsfærdigheder betyder mere, da overholdelse bliver et bestyrelsesniveau-område. Tværfaglig samarbejde bliver også mere essentiel, da klassificering, sourcing, indkøb, ingeniørarbejde og finansielle beslutninger nu er dybt forbundne.

Risikoen for “Sort Boks”-sammenhold

Trods de muligheder, som AI skaber, er der berettigede bekymringer om overafhængighed af automatisering. Handelssammenholdbeslutninger forbliver juridiske bestemmelser. Hvis et AI-system anbefaler en forkert klassificering, vil regulatorer stadig holde importøren ansvarlig. Dette skaber en stor styreudfordring.

Organisationer, der adopterer AI i overholdelsesmiljøer, behøver:

• Menneskelig gennemgangsprocesser
• Tydelige godkendelsesarbejdsgange
• Dokumenteret begrundelse for beslutninger
• Versionskontrol og revisionsspor
• Gennemsigtige datakilder
• Konstant validering af modeloutput

Blindt tillid til automatisering skaber sin egen form for risiko, et problem, der strækker sig ud over handelssammenhold.

Den National Institute of Standards and Technology AI Risk Management Framework fremhæver vigtigheden af styre, forklarbarhed og ansvarlighed i virksomheds-AI-udvikling. For overholdelsesfunktioner er forklarbarhed særligt vigtig. Hvis en virksomhed ikke kan forklare, hvordan en klassificeringsbeslutning blev truffet, bliver det betydeligt sværere at forsvare den beslutning under en revision. Fremtiden er ikke fuldt autonom overholdelse, men det er menneskeledet overholdelse understøttet af intelligente systemer.

Hvorfor dette betyder noget ud over overholdelseshold

Handelssammenholdshold opererede tidligere stort set uden for direktørers synlighed, men det ændrer sig hurtigt. Tariffer påvirker nu overskudsprognoser, toldforsinkelse forstyrrer produktionsskemaer, tvangsarbejdskraftsgennemførelse påvirker sourcingstrategier, og geopolitiske begivenheder ændrer leverandørernes levedygtighed. Handelsbeslutninger påvirker i sidste ende bredere forretningsstrategi. Dette er en af årsagerne til, at AI-adoptionshastighed i overholdelsesmiljøer accelererer. Direktører ønsker:

• Hurtigere synlighed i tariffeksponering
• Bedre forudsigelse af landedekostninger
• Tidligere advarselssignaler for sourcing-risiko
• Stærkere revisionsparathed
• Mere robuste supply-chains

Sporbarhedsudfordringerne forstærkes ofte af brugen af flere mellemled og multi-level-leverandørnetværk. Fabrikanter kan source materiale gennem mange uafhængige leverandører, hvilket gør det svært at verificere arbejdsvilkår dybt inde i supply-chain. Dette er en af årsagerne til, at AI-drevne kortlægning, leverandør-overvågning og risikodetektionsværktøjer modtager øget opmærksomhed fra overholdelseshold.

Næste fase af global handelsoperation

Handelssammenhold indtræder en fundamentalt anden tid med andre oplevelser. Volumen af regulatorisk ændring, gennemførelsespres, supply-chain-granskning og arbejdskraft-relaterede handelsaktioner er usandsynligt at mindske. Regeringer bruger mere og mere både toldgennemførelseværktøjer og bredere handelspolitikke-mekanismer til at adresse tvangsarbejdskrav, hvilket skaber nye overholdelsesforventninger for importører og deres supply-chain-partnere.

De organisationer, der tilpasser sig med succes, vil sandsynligvis dele flere karakteristika:

• Stærk datastyre
• Tværfagligt samarbejde
• Konstant klassificeringsvalidering
• Gennemsigtig AI-overvågning
• Investering i overholdelseskompetence
• Hurtigere adgang til operationel intelligens

Spørgsmålet er ikke længere, om kunstig intelligens vil påvirke handelssammenhold, for det gør det allerede. Det vigtigere spørgsmål er, om organisationer er parat til at håndtere den overgang ansvarligt.