Rollen til generativ AI i forsyningskjeder

Like forsyningskjedebrytninger ble et vanlig tema i styremøter i 2020, ble generativ AI raskt et het tema i 2023. Etter alt, nådde OpenAI sin ChatGPT 100 millioner brukere i de første to månedene, og ble dermed den raskest voksende forbrukerapplikasjonen i historien.

Forsyningskjeder er, til en viss grad, godt egnet for anvendelsen av generativ AI, ettersom de fungerer på og genererer store mengder data. Mangfoldet og volumet av data, samt de ulike typene data, legger til ytterligere kompleksitet til et ekstremt komplekst, virkelig problem: hvordan optimalisere forsyningskjedens ytelse. Og selv om anvendelsesområdene for generativ AI i forsyningskjeder er omfattende – inkludert økt automatisering, etterspørselsprognose, ordrebehandling og -sporings, prediktivt vedlikehold av maskiner, risikostyring, leverandørstyring og mer – gjelder mange av disse også for prediktiv AI og er allerede blitt adoptert og implementert i stor skala.

Denne artikkelen presenterer noen anvendelsesområder som er spesielt godt egnet for generativ AI i forsyningskjeder, og gir noen advarsler som forsyningskjedeleder bør vurdere før de gjør en investering.

Assisterende beslutningstaking

Hovedformålet med AI og ML i forsyningskjeder er å lette beslutningstakingen, og gi løftet om økt hastighet og kvalitet. Prediktiv AI gjør dette ved å gi mer nøyaktige prognoser og oppdage nye mønster som ikke er identifisert tidligere, og ved å bruke svært store volumer av relevante data. Generativ AI kan gå et skritt videre ved å støtte ulike funksjonelle områder i forsyningskjedestyring. For eksempel kan forsyningskjedeleder bruke generativ AI-modeller til å stille klargjørende spørsmål, be om ytterligere data, bedre forstå påvirkende faktorer og se den historiske ytelsen av beslutninger i lignende scenarier. Kort sagt, generativ AI gjør due diligence-prosessen som foregår beslutningstakingen, betydelig raskere og enklere for brukeren.

Videre kan generativ AI, basert på underliggende data og modeller, analysere store mengder strukturert og ustrukturert data, automatisk generere ulike scenarier og gi anbefalinger basert på de presenterte alternativene. Dette reduserer betydelig det ikke-verdi-tilføyende arbeidet som forsyningskjedeleder gjør i dag, og gir dem mulighet til å bruke mer tid på å ta datadrevne beslutninger og reagere raskere på markedsskiftninger.

En (mulig) løsning på mangelen på forsyningskjedetalent

I de siste årene har bedrifter lidd under en mangel på forsyningskjedetalent på grunn av planlegger-utbrenning, flukt og en bratt læringskurve for nye ansatte på grunn av jobbens komplekse natur. Generativ AI-modeller kan bli tilpasset bedrifters standardprosedyrer, forretningsprosesser, arbeidsflyter og programvaredokumentasjon, og kan deretter svare på brukerforespørsler med kontekstualisert og relevant informasjon. Den konversasjonelle brukergrensesnittet som vanligvis assosieres med generativ AI, gjør det betydelig enklere å samhandle med et støttesystem og gir mulighet til å finjustere spørsmålet, og ytterligere akselerere tiden det tar å finne riktig informasjon.

Kombinering av et generativt AI-basert læring- og utviklingssystem med generativt AI-drevet assisterende beslutningstaking, kan hjelpe med å akselerere løsningen av ulike endringsstyringsproblemer. Det kan også akselerere oppstarten av nye ansatte ved å redusere treningstiden og arbeidserfaringens krav. Mer viktig, generativ AI kan gi mennesker med funksjonsnedsettelser mulighet til å kommunisere bedre, forbedre kognisjon, lese- og skrivehjelp, gi personlig organisering og støtte kontinuerlig læring og utvikling.

Selv om noen frykter at generativ AI vil føre til jobbtap i årene som kommer, mener andre at det vil heve arbeidet ved å fjerne repetitive oppgaver og gi rom for mer strategiske oppgaver. I mellomtiden er det forventet å løse dagens kroniske forsyningskjede- og digitale talangmangel. Derfor er det viktig å lære å arbeide med teknologien.

Bygging av det digitale forsyningskjedemodellen

Forsyningskjeder må være robuste og fleksible, og det krever tverrbbedrifts synlighet. Forsyningskjeden må “kjenne” hele nettverket for synlighet. Bygging av det digitale modellen av hele n-tiers forsyningskjedenettverket er ofte kostnadsprohibert. Store bedrifter har data spredt over dusinvis eller hundrevis av systemer, med de fleste store bedrifter som håndterer over 500 applikasjoner samtidig over ERPs, CRMs, PLMs, innkjøp og sourcing, planlegging, WMS, TMS og mer. Med all denne kompleksiteten og fragmenteringen, er det ekstremt vanskelig å logisk samle denne forskjellige data sammen. Dette er forverret når organisasjonene ser utenfor første- eller andre-tiers leverandører til hvor det er usannsynlig å samle inn data i en strukturert format.

Generativ AI-modeller kan prosessere store mengder data, inkludert strukturert (hoveddata, transaksjonsdata, EDIs) og ustrukturert data (kontrakter, fakturaer, bilde-scans), for å identifisere mønster og kontekst med begrenset forhåndsbehandling av data. Fordi generativ AI-modeller lærer av mønster og bruker sannsynlighetsberegninger (med noe menneskelig inngripen) for å forutsi det neste logiske utgangspunktet, kan de skape en mer nøyaktig digital modell av n-tiers forsyningsnettverket – raskere og i stor skala – og optimalisere samarbeid og synlighet mellom og innen bedrifter. Denne n-tiers modellen kan bli ytterligere beriket for å støtte ESG-initiativer, inkludert, men ikke begrenset til, å identifisere konfliktmineraler, bruk av miljømessig sensitive ressurser eller områder, beregning av karbonutslipp fra produkter og prosesser og mer.

Selv om generativ AI gir en betydelig mulighet for forsyningskjedeleder til å være innovative og skape en strategisk fordel, er det visse bekymringer og risikoer som må vurdere.

Ditt forsyningskjede er unikt

Generelle anvendelser av generativ AI, som ChatGPT eller Dall-E, er for tiden suksessfulle i å håndtere oppgaver som er bredere i natur, fordi modellene er trent på massive mengder offentlig tilgjengelig data. For å virkelig utnytte mulighetene til generativ AI for bedriftens forsyningskjede, må disse modellene bli finjustert på bedriftens data og konteksten som er spesifikk for din organisasjon. Med andre ord, kan du ikke bruke en generelt trent modell. Datahåndtering-utfordringene som datakvalitet, integrasjon og ytelse som hemmer nåværende transformasjonsprosjekter, kan også påvirke investeringer i generativ AI, og føre til en tidkrevende og kostbar øvelse uten riktig datahåndtering-løsning på plass.

Generativ AI er avhengig av å forstå mønster innenfor treningsdata, og hvis forsyningskjedeprofesjonelle har lært noe i de siste tre årene, er det at forsyningskjeder vil fortsette å møte nye risikoer og uventede muligheter.

Sikkerhet og reguleringer

Den grunnleggende kravet til generativ AI-modeller er tilgang til store mengder treningsdata for å forstå mønster og kontekst. Det sagt, kan den menneskelige grensesnittet til generativ AI-applikasjoner føre til bruker-impersonering, phishing og andre sikkerhetsproblemer. Mens begrenset tilgang til modell-trening kan føre til underprestasjon av AI, kan ubegrenset tilgang til forsyningskjedens data føre til informasjonssikkerhets hendelser hvor kritisk og sensitiv informasjon blir gjort tilgjengelig for uautoriserte brukere.

Det er også uklart hvordan ulike regjeringer vil velge å regulere generativ AI i fremtiden, ettersom adopsjonen fortsetter å vokse og nye anvendelser av generativ AI blir oppdaget. Flere AI-eksperter har uttrykt bekymring over risikoen som AI utgjør, og bedt regjeringer om å pause gigantiske AI-eksperimenter til teknologilederne og politikere kan etablere regler og reguleringer for å sikre sikkerhet.

Generativ AI tilbyr en overflod av forbedringsmuligheter for organisasjoner som kan utnytte denne teknologien og skape en kraftmultiplikator for menneskelig genialitet, kreativitet og beslutningstaking. Det sagt, inntil det er modeller som er trent og eksplisitt designet for forsyningskjede-anvendelser, er den beste måten å gå frem en balansert tilnærming til investeringer i generativ AI.

Etablering av ordentlige retningslinjer vil være forsvarlig for å sikre at AI tjener opp en rekke optimerte planer for hver bruker til å se over og velge fra, som er i samsvar med forretningsprosesser og mål. Bedrifter som kombinerer “forretnings-håndbøker” med generativ AI vil være best i stand til å øke teamets kapasitet til å planlegge, beslutte og utføre, samtidig som de optimaliserer ønskede forretningsresultater. Organisasjoner bør også vurdere en sterk forretningscase, sikkerhet for data og brukere, og målbare forretningsmål før de investerer i ny generativ AI-teknologi.