Generativ AI’s rolle i forsyningskæder

Lige som forsyningskædeafbrud blev et hyppigt emne for bestyrelsesmøder i 2020, blev Generativ AI hurtigt det hotteste emne i 2023. Efter alt, nåede OpenAI’s ChatGPT 100 millioner brugere i de første to måneder, hvilket gjorde det til den hurtigst voksende forbrugerapplikation i historien.

Forsyningskæder er til en vis grad godt egnede til anvendelsen af generativ AI, da de fungerer på og genererer massive mængder data. Variationen og mængden af data samt de forskellige typer af data tilføjer yderligere kompleksitet til et ekstremt komplekst virkelighedsproblem: hvordan man optimerer forsyningskædens præstation. Og selvom anvendelsesområderne for generativ AI i forsyningskæder er omfattende – herunder øget automatisering, kraveprognose, ordrebehandling og -sporings, præventivt vedligehold af maskiner, risikostyring, leverandørstyring og mere – kan mange af disse også anvendes til prædictiv AI og er allerede blevet adopteret og implementeret i stor skala.

Denne artikel beskriver nogle anvendelsesområder, der er særligt velegnede til generativ AI i forsyningskæder, og tilbyder nogle advarsler, som forsyningskædeledere bør overveje, før de investerer.

Assisteret beslutningstagning

Det primære formål med AI og ML i forsyningskæder er at lette beslutningsprocessen og tilbyde løfter om øget hastighed og kvalitet. Prædictiv AI gør dette ved at give præcisioner og prognoser, der er mere nøjagtige, opdage nye mønstre, der endnu ikke er identificeret, og anvende meget store mængder relevante data. Generativ AI kan tage dette et skridt videre ved at understøtte forskellige funktionelle områder af forsyningskædestyring. For eksempel kan forsyningskædeledere bruge generativ AI-modeller til at stille afklarende spørgsmål, anmode om yderligere data, bedre forstå påvirkningsfaktorer og se den historiske præstation af beslutninger i lignende scenarier. Kort sagt gør generativ AI den due diligence-proces, der forudgår beslutningstagning, væsentligt hurtigere og lettere for brugeren.

Desuden kan generativ AI-modeller, baseret på underliggende data og modeller, analysere store mængder struktureret og ustruktureret data, automatisk generere forskellige scenarier og give anbefalinger baseret på de præsenterede muligheder. Dette reducerer væsentligt det ikke-værdiskabende arbejde, som forsyningskædeledere i øjeblikket udfører, og giver dem mulighed for at bruge mere tid på at træffe datadrevne beslutninger og reagere på markedsskift hurtigere.

En (mulig) løsning på manglen på forsyningskædeledertalenter

I de seneste år har virksomheder lidt under en mangel på forsyningskædeledertalenter på grund af planlægningsoverbelastning, flugt og en stejl læringskurve for nye ansatte på grund af jobfunktionens komplekse natur. Generativ AI-modeller kan tilpasse sig virksomheders standardprocedurer, forretningsprocesser, arbejdsgange og software-dokumentation og derefter besvare brugerforespørgsler med kontekstualiseret og relevant information. Den konversationsinterface, der ofte er forbundet med generativ AI, gør det væsentligt lettere at interagere med et supportsystem og giver mulighed for at finjustere forespørgslen, hvilket yderligere accelererer tiden, det tager at finde den rigtige information.

At kombinere et generativt AI-baseret læringssystem med generativ AI-drevet assisteret beslutningstagning kan hjælpe med at accelerere løsningen af forskellige ændringsstyringsproblemer. Det kan også accelerere opstarten af nye medarbejdere ved at reducere træningstiden og arbejdserfaringens krav. Endnu vigtigere kan generativ AI give mennesker med handicaps mulighed for at kommunikere bedre, forbedre kognition, læsning og skrivning, give personlig organisering og støtte læring og udvikling.

Selvom nogle frygter, at generativ AI vil føre til jobtab i de kommende år, mener andre, at det vil hæve arbejdet ved at fjerne repetitive opgaver og give plads til mere strategiske. I mellemtiden forventes det at løse i dag manglen på forsyningskæde- og digitalt talent. Derfor er det vigtigt at lære at arbejde med teknologien.

Opbygning af det digitale forsyningskædemodel

Forsyningskæder skal være robuste og agile, hvilket kræver tværsigtbarhed på tværs af virksomheder. Forsyningskæden skal “kende” det samlede netværk for at have indsigt. Bygning af det digitale model af det samlede n-tier forsyningskædenet er dog ofte omkostningskrævende. Store virksomheder har data spredt over dusinvis eller hundredvis af systemer, med de fleste store virksomheder, der håndterer mere end 500 applikationer samtidigt på tværs af ERP, CRM, PLM, indkøb og sourcing, planlægning, WMS, TMS og mere. Med al denne kompleksitet og fragmentering er det ekstremt svært at logisk samle denne forskellige data sammen. Dette forværres, når organisationer ser ud over de første- eller andentiers leverandører til, hvor det er usandsynligt, at data indsamles i en struktureret format.

Generativ AI-modeller kan behandle massive mængder data, herunder struktureret (masterdata, transaktionsdata, EDI) og ustruktureret data (kontrakter, fakturaer, billedscanninger), for at identificere mønstre og kontekst med begrænset forarbejdning af data. Fordi generativ AI-modeller lærer af mønstre og bruger sandsynlighedsberegninger (med nogen menneskelig indgriben) til at forudsige den næste logiske output, kan de oprette et mere sandt digitalt model af n-tier forsyningskæden – hurtigere og i stor skala – og optimere samarbejde og indsigt på tværs af og inden for virksomheder. Dette n-tier model kan yderligere beriges for at understøtte ESG-initiativer, herunder, men ikke begrænset til, identificering af konfliktmineraler, brug af miljømæssigt følsomme ressourcer eller områder, beregning af carbonemissioner fra produkter og processer og mere.

Selvom generativ AI giver en betydelig mulighed for forsyningskædeledere til at være innovative og skabe en strategisk fordel, er der visse bekymringer og risici, der skal overvejes.

Dit forsyningskæde er unikt

Generelle anvendelser af generativ AI, som ChatGPT eller Dall-E, er i øjeblikket succesfulde i at løse opgaver, der er bredere i naturen, fordi modellerne er trænet på massive mængder offentligt tilgængelige data. For at virkelig udnytte kapaciteterne af generativ AI til virksomhedens forsyningskæde skal disse modeller tilpasse sig den respektive virksomhedsdata og konteksten specifik for din organisation. Med andre ord kan du ikke bruge en generelt trænet model. Datastyringsudfordringerne som datakvalitet, integration og ydeevne, der forhindrer nuværende transformationsprojekter, kan også påvirke investeringer i generativ AI, hvilket fører til en tidskrævende og kostbar øvelse uden den rette datastyringsløsning på plads.

Generativ AI er afhængig af at forstå mønstre inden for træningsdata, og hvis forsyningskædefagfolk har lært noget i de sidste tre år, er det, at forsyningskæder vil fortsætte med at møde nye risici og usædvanlige muligheder.

Sikkerhed og reguleringer

Den grundlæggende krav til generativ AI-modeller er adgang til store mængder træningsdata for at forstå mønstre og kontekst. Det sagde, kan den menneskelignende interface af generativ AI-applikationer føre til brugerimitation, phishing og andre sikkerhedsproblemer. Mens begrænset adgang til modeltræning kan føre til underpræstation af AI, kan ubegrænset adgang til forsyningskædedata føre til informations sikkerhedsincidenser, hvor kritisk og følsom information bliver tilgængelig for uautoriserede brugere.

Det er også uklart, hvordan regeringer vil vælge at regulere generativ AI i fremtiden, da adoptionen fortsætter med at vokse, og nye anvendelser af generativ AI opdages. Flere AI-eksperter har udtrykt bekymring over risikoen, der er forbundet med AI, og bedt regeringer om at pause gigantiske AI-eksperimenter, indtil teknologilederne og politikere kan etablere regler og reguleringer for at sikre sikkerhed.

Generativ AI tilbyder en overflod af muligheder for forbedring for de organisationer, der kan udnytte denne teknologi og skabe en kraftmultiplier for menneskelig kreativitet, innovation og beslutningstagning. Det sagde, indtil der er modeller, der er trænet og udtrykkeligt designed til forsyningskædeanvendelser, er den bedste måde at gå frem på en balanceret tilgang til investeringer i generativ AI.

At etablere ordentlige sikkerhedsforanstaltninger vil være klogt for at sikre, at AI leverer en række optimerede planer for hver bruger til gennemgang og udvælgelse, der er i overensstemmelse med forretningsprocesser og mål. Virksomheder, der kombinerer “forretningsplaybooks” med generativ AI, vil være bedst placeret til at øge teams’ kapacitet til at planlægge, træffe beslutninger og udføre, samtidig med at de optimerer ønskede forretningsresultater. Organisationer skal også overveje en stærk forretningscase, datasikkerhed og brugersikkerhed samt målbare forretningsmål, før de investerer i ny generativ AI-teknologi.