Die Rolle von Generativer KI in Supply Chains

Genau wie Lieferkettenunterbrechungen zu einem häufigen Thema in Vorstandssitzungen im Jahr 2020 wurden, wurde Generative KI schnell zum heißen Thema im Jahr 2023. Schließlich erreichte OpenAIs ChatGPT 100 Millionen Nutzer in den ersten zwei Monaten, was es zur am schnellsten wachsenden Verbraucheranwendung in der Geschichte macht.

Lieferketten sind in gewissem Maße gut geeignet für die Anwendungen von generativer KI, da sie auf und generieren massive Mengen an Daten basieren. Die Vielfalt und Menge der Daten sowie die verschiedenen Arten von Daten fügen zusätzliche Komplexität zu einem extrem komplexen realen Problem hinzu: Wie kann die Leistung der Lieferkette optimiert werden? Und während die Anwendungsfälle für generative KI in Lieferketten umfassend sind – einschließlich erhöhter Automatisierung, Nachfrageprognose, Bestellverarbeitung und -verfolgung, prädiktiver Wartung von Maschinen, Risikomanagement, Lieferantenmanagement und mehr – sind viele davon auch auf prädiktive KI anwendbar und wurden bereits in großem Umfang adoptiert und eingesetzt.

Dieser Artikel beschreibt einige Anwendungsfälle, die besonders gut für generative KI in Lieferketten geeignet sind, und bietet einige Warnungen, die Lieferkettenführer berücksichtigen sollten, bevor sie in eine Investition einsteigen.

Unterstütztes Entscheidungsverfahren

Der Hauptzweck von KI und ML in Lieferketten ist es, den Entscheidungsprozess zu erleichtern und das Versprechen von erhöhter Geschwindigkeit und Qualität zu bieten. Prädiktive KI tut dies, indem sie Vorhersagen und Prognosen liefert, die genauer sind, neue Muster entdeckt, die noch nicht identifiziert wurden, und sehr große Mengen an relevanten Daten verwendet. Generative KI kann dies noch weiter vorantreiben, indem sie verschiedene funktionale Bereiche des Lieferkettenmanagements unterstützt. Zum Beispiel können Lieferkettenmanager generative KI-Modelle verwenden, um klärende Fragen zu stellen, zusätzliche Daten anzufordern, Einflussfaktoren besser zu verstehen und die historische Leistung von Entscheidungen in ähnlichen Szenarien zu sehen. Kurz gesagt, generative KI macht den Due-Diligence-Prozess, der der Entscheidungsfindung vorausgeht, erheblich schneller und einfacher für den Benutzer.

Darüber hinaus können generative KI-Modelle aufgrund der zugrunde liegenden Daten und Modelle große Mengen an strukturierten und unstrukturierten Daten verarbeiten, verschiedene Szenarien automatisch generieren und Empfehlungen auf der Grundlage der vorgestellten Optionen bereitstellen. Dies reduziert die nicht wertschöpfenden Arbeiten, die Lieferkettenmanager derzeit ausführen, und ermöglicht es ihnen, mehr Zeit damit zu verbringen, datengetriebene Entscheidungen zu treffen und auf Marktentwicklungen schneller zu reagieren.

Eine (mögliche) Lösung für den Mangel an Lieferkettenmanagement-Talent

In den letzten Jahren haben Unternehmen unter einem Mangel an Lieferketten-Talent gelitten, da Planer ausgebremst, abgewandert oder eine steile Lernkurve für neue Mitarbeiter aufgrund der komplexen Natur der Aufgabe hatten. Generative KI-Modelle können auf die Standardbetriebsverfahren, Geschäftsprozesse, Workflows und Software-Dokumentation von Unternehmen abgestimmt werden und dann auf Benutzeranfragen mit kontextualisierten und relevanten Informationen reagieren. Die konversationale Benutzeroberfläche, die häufig mit generativer KI in Verbindung gebracht wird, erleichtert es erheblich, mit einem Supports-System zu interagieren, und ermöglicht es, die Anfrage zu verfeinern, was die Zeit, die es dauert, die richtigen Informationen zu finden, weiter beschleunigt.

Die Kombination eines generativen KI-basierten Lern- und Entwicklungssystems mit generativer KI-gestütztem Entscheidungsverfahren kann dazu beitragen, verschiedene Änderungsmanagementprobleme zu beschleunigen. Es kann auch die Einarbeitung neuer Mitarbeiter beschleunigen, indem die Schulungszeit und die Anforderungen an die Berufserfahrung reduziert werden. Wichtig ist, dass generative KI Menschen mit Behinderungen durch die Verbesserung der Kommunikation, die Verbesserung der Kognition, die Unterstützung beim Lesen und Schreiben, die persönliche Organisation und die Unterstützung des kontinuierlichen Lernens und der Entwicklung ermöglichen kann.

Während einige befürchten, dass generative KI in den kommenden Jahren zu Arbeitsplatzverlusten führen wird, denken andere, dass sie die Arbeit auf ein höheres Level heben wird, indem sie repetitive Aufgaben entfernt und Platz für strategischere schafft. In der Zwischenzeit wird sie das heutige chronische Lieferketten- und digitale Talentmangel lösen. Deshalb ist es wichtig, zu lernen, wie man mit dieser Technologie arbeitet.

Aufbau des digitalen Lieferkettenmodells

Lieferketten müssen widerstandsfähig und agil sein, was eine übergreifende Sichtbarkeit erfordert. Die Lieferkette muss das gesamte Netzwerk “kennen”, um Sichtbarkeit zu haben. Allerdings ist der Aufbau des digitalen Modells des gesamten n-Tier-Lieferkettennetzwerks oft kostenaufwändig. Große Unternehmen haben Daten, die über Dutzende oder Hunderte von Systemen verteilt sind, mit den meisten großen Unternehmen, die mehr als 500 Anwendungen gleichzeitig über ERP-, CRM-, PLM-, Beschaffungs- und Sourcing-, Planungs-, WMS-, TMS- und mehr verwalten. Mit all dieser Komplexität und Fragmentierung ist es extrem schwierig, diese disparaten Daten logisch zusammenzuführen. Dies wird noch verschlimmert, wenn Organisationen über die ersten- oder zweiten Lieferanten hinausgehen, wo das Sammeln von Daten in einem strukturierten Format unwahrscheinlich ist.

Generative KI-Modelle können massive Mengen an Daten, einschließlich strukturierter (Master-Daten, Transaktionsdaten, EDIs) und unstrukturierter Daten (Verträge, Rechnungen, Bildscans), verarbeiten, um Muster und Kontext mit begrenzter Vorverarbeitung von Daten zu identifizieren. Da generative KI-Modelle aus Mustern lernen und mit Wahrscheinlichkeitsberechnungen (mit einiger menschlicher Intervention) die nächste logische Ausgabe vorhersagen, können sie ein trueres digitales Modell des n-Tier-Liefernetzwerks erstellen – schneller und im großen Maßstab – und die Zusammenarbeit und Sichtbarkeit zwischen und innerhalb von Unternehmen optimieren. Dieses n-Tier-Modell kann weiter bereichert werden, um ESG-Initiativen zu unterstützen, einschließlich, aber nicht beschränkt auf die Identifizierung von Konfliktmineralien, die Verwendung umweltsensibler Ressourcen oder Gebiete, die Berechnung von Treibhausgasemissionen von Produkten und Prozessen und mehr.

Obwohl generative KI eine erhebliche Gelegenheit für Lieferkettenführer bietet, innovative und strategische Vorteile zu schaffen, gibt es bestimmte Bedenken und Risiken, die berücksichtigt werden sollten.

Ihre Lieferkette ist einzigartig

Allgemeine Anwendungen von generativer KI, wie ChatGPT oder Dall-E, sind derzeit erfolgreich darin, Aufgaben zu bearbeiten, die breiter sind, da die Modelle auf großen Mengen an öffentlich verfügbaren Daten trainiert werden. Um die Fähigkeiten von generativer KI für die Unternehmenslieferkette wirklich zu nutzen, müssen diese Modelle auf die jeweiligen Unternehmensdaten und den Kontext des Unternehmens fein abgestimmt werden. Mit anderen Worten, Sie können nicht ein allgemein trainiertes Modell verwenden. Die Datenmanagement-Herausforderungen wie Datenqualität, Integration und Leistung, die derzeitige Transformationsprojekte behindern, können auch Investitionen in generative KI beeinträchtigen, was zu einem zeitaufwändigen und teuren Unterfangen ohne die richtige Datenmanagement-Lösung führt.

Generative KI ist abhängig vom Verständnis von Mustern in den Trainingsdaten, und wenn Lieferkettenprofis etwas in den letzten drei Jahren gelernt haben, dann ist es, dass Lieferketten weiterhin neue Risiken und unvorhersehbare Chancen gegenüberstehen.

Sicherheit & Vorschriften

Die grundlegende Anforderung von generativen KI-Modellen ist der Zugriff auf große Mengen an Trainingsdaten, um Muster und Kontext zu verstehen. Das menschenähnliche Interface von generativen KI-Anwendungen kann jedoch zu Benutzer-Imitation, Phishing und anderen Sicherheitsbedenken führen. Während der eingeschränkte Zugriff auf die Modelltraining zu einer Unterforderung der KI führen kann, kann die Gewährung von uneingeschränktem Zugriff auf Lieferketten-Daten zu Informationssicherheitsvorfällen führen, bei denen kritische und sensible Informationen unbefugten Benutzern zur Verfügung gestellt werden.

Es ist auch unklar, wie verschiedene Regierungen generative KI in Zukunft regulieren werden, wenn die Adoption weiterhin wächst und neue Anwendungen von generativer KI entdeckt werden. Mehrere KI-Experten haben Bedenken hinsichtlich des Risikos, das durch KI verursacht wird, geäußert und gefordert, dass Regierungen Riesen-KI-Experimente stoppen, bis Technologie-Führer und Politiker Regeln und Vorschriften zur Gewährleistung der Sicherheit festlegen können.

Generative KI bietet eine Vielzahl von Verbesserungsmöglichkeiten für Organisationen, die in diese Technologie investieren und einen Multiplikator für menschliche Erfindungskraft, Kreativität und Entscheidungsfindung schaffen können. Allerdings ist es, bis es Modelle gibt, die speziell für Lieferketten-Anwendungsfälle trainiert und entwickelt wurden, der beste Weg, einen ausgewogenen Ansatz für Investitionen in generativen KI zu verfolgen.

Die Einrichtung geeigneter Schutzmechanismen wird ratsam sein, um sicherzustellen, dass die KI einen Satz optimierter Pläne für jeden Benutzer zur Überprüfung und Auswahl bereitstellt, die mit den Geschäftsprozessen und -zielen übereinstimmen. Unternehmen, die “Geschäfts-Playbooks” mit generativer KI kombinieren, werden am besten in der Lage sein, die Kapazität der Teams zu planen, zu entscheiden und auszuführen, während sie gleichzeitig die gewünschten Geschäftsergebnisse optimieren. Organisationen sollten auch einen starken Geschäftsfall, die Sicherheit von Daten und Benutzern sowie messbare Geschäftsziele berücksichtigen, bevor sie in neue Technologie von generativer KI investieren.