Następny podział AI: Dlaczego firmy logistyczne z sektora średniego rynku muszą naprawić swoją infrastrukturę, zanim będą mogły wykorzystać AI

Rozmowa o AI często skupia się na dostępie, przy założeniu, że gdy firma uzyska dostęp do odpowiednich modeli i narzędzi, kolejnym wyzwaniem jest ustalenie, jak ich używać. Dla firm logistycznych z sektora średniego rynku niekoniecznie jest to miejsce, w którym zaczyna się problem.

W wielu magazynach i u dostawców usług logistycznych typu 3PL (third‑party logistics providers), luka rzadko wynika z brakującego systemu. Większość ma już system zarządzania magazynem (WMS), oprogramowanie do planowania zasobów przedsiębiorstwa (ERP) lub pakiet księgowy, połączenia z przewoźnikami oraz EDI z ich większymi klientami. Problem polega na tym, co dzieje się pomiędzy tymi systemami.

Połączenia punkt‑do‑punktu gromadzą się z czasem. Jeden klient lub partner handlowy zostaje podłączony w jeden sposób, inny partner w inny sposób i w końcu nikt nie ma pełnego obrazu, kto z kim się komunikuje. Integracja zależy również od ludzi, np. gdy ktoś ręcznie wprowadza zamówienia z portalu klienta lub codziennie rano uzgadnia wczorajsze wysyłki w arkuszu kalkulacyjnym. Dostawca 3PL może nie wiedzieć o niepowodzeniu transakcji, dopóki klient nie zadzwoni, aby zapytać, gdzie znajduje się jego zamówienie.

Nic z tego nie pojawia się na liście zasobów IT, co sprawia, że tak łatwo jest niedocenić problemu. 

Problem leży w przekazaniach

Największe problemy operacyjne zwykle pojawiają się przy przekazaniach, gdzie zamówienie, przyjęcie lub wysyłka przechodzi z jednego systemu lub firmy do drugiej:

• Zamówienie przychodzące, które przychodzi z opóźnieniem lub w nieprawidłowej formie, może spowodować utratę fali i opóźnienie terminu wysyłki. 
• Powiadomienie o wysyłce (ASN), które nie zgadza się z tym, co fizycznie przybywa, może wstrzymać przyjęcie, podczas gdy pracownicy badają każdą paletę. 
• Potwierdzenie wysyłki, które nigdy nie dociera do systemu klienta, może spowodować opóźnienie fakturowania i doprowadzić do zwrotu kosztów, gdy detalista potrąca karę za niezgodność.

Dla dostawcy 3PL te problemy się mnożą, ponieważ każdy klient ma własne formaty, zasady i oczekiwania. Sama operacja w magazynie zazwyczaj działa sprawnie, ale przepływ informacji wokół niej ulega przerwom. 

To rozróżnienie staje się ważniejsze, gdy firmy wprowadzają AI do swoich operacji, ponieważ może ona działać wyłącznie na podstawie dostępnych danych. Połączenie chatbota lub copilota z jednym systemem może być dobrą demonstracją, ale nie zapewnia temu systemowi wglądu w operację obejmującą kilka systemów.

W logistyce przydatne pytania często przekraczają te granice, więc odpowiedź dotycząca zamówienia może wymagać informacji z WMS, ERP oraz systemu transportowego lub klienta. Narzędzie AI, które widzi tylko jedną część tego procesu, pracuje na niekompletnym obrazie.

Coraz większa przepaść pojawia się pomiędzy firmami, których infrastruktura pozwala AI pracować z potrzebnymi informacjami a firmami, których systemy pozostają rozłączone, i to właśnie tam wyłania się kolejny podział AI. 

AI potrzebuje fundamentu, z którym naprawdę może współpracować

Prawdziwie gotowa do AI infrastruktura powinna być opisywana w kategoriach operacyjnych, a nie technologicznych. Każde ważne zdarzenie, takie jak zamówienie, przyjęcie, przemieszczenie zapasów lub wysyłka, powinno przechodzić przez wspólny węzeł zamiast zbioru oddzielnych połączeń. Format, który partner handlowy wysyła, nie powinien być problemem magazynu. X12, EDIFACT, XML lub JSON powinny być znormalizowane do tego samego zamówienia, zanim ktoś w dół łańcucha będzie musiał myśleć o formacie.

Zespoły muszą wiedzieć, kiedy coś zawiedzie w ciągu kilku minut, zanim problem dotrze do klienta. Te same informacje, których pracownicy używają do identyfikacji i rozwiązania tych problemów, powinny być również dostępne dla oprogramowania i agentów AI poprzez czyste interfejsy API zachowujące istniejące uprawnienia. Potrzebny jest także zapis tego, co się wydarzyło, aby gdy AI coś zaproponuje, osoba mogła sprawdzić przyczynę. 

Gdy te warunki są spełnione, dodanie AI staje się znacznie prostsze. Nie oznacza to, że firma z sektora średniego rynku musi wymieniać cały stos technologiczny. W rzeczywistości 3PL z sektora średniego rynku prawie nigdy nie potrzebuje nowego WMS ani ERP, aby stać się gotowym na AI. Bardziej praktycznym podejściem jest pozostawienie podstawowych systemów w spokoju i naprawa połączeń między nimi.

Jedno wspólne centrum, do którego podłączają się wszystkie systemy i partnerzy, jest znacznie łatwiejsze w zarządzaniu niż sieć pojedynczych połączeń.

AI może pomóc w budowie infrastruktury

To jest także miejsce, w którym AI może być szczególnie przydatne dla firm z sektora średniego rynku. Tradycyjnie integracja wymagała od ludzi czytania specyfikacji partnerów, ręcznego mapowania pól i testowania tych map jeden partner po drugim. Jedna mapa partnera może wymagać tygodni pracy praktycznej, testowania oraz wymiany informacji z partnerem.

Obecne modele AI są w stanie czytać specyfikacje i pliki przykładowe, proponować mapowanie i testować je na rzeczywistych transakcjach. Następnie osoba może przejrzeć i zatwierdzić wynik.

AI może zmniejszyć ilość pracy ręcznej potrzebnej do stworzenia pierwszej wersji mapowania EDI. Specjalista może rozpocząć od szkicu, a następnie przejrzeć i poprawić go przed przekazaniem do istniejącego cyklu przeglądu partnera, co pozwala specjalistom spędzać mniej czasu na budowaniu mapowań pole po polu, zachowując kontrolę nad ostatecznym wynikiem.

Ale istnieje ważna różnica między używaniem AI do integracji a zaufaniem AI w procesie integracji.

Przy tym podejściu stosuję metodę, którą nazywam „Propose, Ground, Verify, Confirm”.

AI proponuje konfigurację partnera i mapowanie pól. Opiera się na rzeczywistej specyfikacji i plikach przykładowych, zamiast wymyślać pola lub kody. Oddzielny proces weryfikacji porównuje mapowanie pole po polu z rzeczywistym dokumentem. Następnie osoba potwierdza wynik, zanim trafi on do działającego przepływu klienta. 

Dowiedzieliśmy się, dlaczego ta dyscyplina ma znaczenie, testując mapy generowane przez AI na rzeczywistych dokumentach produkcyjnych.

W jednym teście mapa wygenerowana przez AI odczytała dokument transferu magazynowego bez żadnych błędów, ale pominęła wszystkie 15 pozycji wiersza. W innym zachowała wszystkie sześć stron w zamówieniu wysyłkowym, ale utraciła kod identyfikujący, która strona jest odbiorcą, wraz z adresem ulicy. Nasza automatyczna kontrola oznaczyła mapę jako czystą, a specjalista EDI wykrył lukę.

Nawet dane referencyjne mogą być błędne. Plik standardów, który twierdził, że został zweryfikowany, nie zgadzał się z opublikowanym standardem w każdym testowanym spornym segmencie.

Wniosek jest taki, że częściowy wynik może być trudniejszy do wykrycia niż brakujący. Weryfikacja musi porównać każde pole w rzeczywistym dokumencie z tym, co mapa zarejestrowała. Potwierdzenie, że dokument się parsuje, nie wystarczy. 

Wyniki godne zaufania zależą od dyscypliny otaczającej model, od sposobu jego użycia po sposób przeglądania jego wyników.

Wartość zaczyna się przed podjęciem decyzji przez AI

Prace infrastrukturalne mają wartość na długo przed tym, jak agent AI zacznie wydawać rekomendacje operacyjne. 3PL, z którym współpracowaliśmy, uruchamiał SAP równolegle z systemem magazynowym. Każde przyjęcie towaru wymagało trzech do pięciu minut ręcznego wprowadzania, a stan zapasów w SAP był opóźniony o około 20 minut względem doków.

Kiedy dwa systemy połączono bezpośrednio, opóźnienie stało się prawie rzeczywiste w czasie. Operacja zaoszczędziła ponad 980 godzin pracy rocznie, w tym 775 godzin na pracach wychodzących. Śledzenie w arkuszach kalkulacyjnych zniknęło, a etykiety, listy przewozowe i listy pakowania zaczęły generować się automatycznie. Magazyn zachował istniejące przepływy pracy, więc nikt na hali nie musiał być przeszkolony ponownie. 

Wniosek, który wyciągnęliśmy z tego projektu, wykraczał poza oszczędności pracy. Gdy dwa systemy dzielą jedną aktualną wizję, ta sama wizja jest tym, czego potrzebuje agent AI, aby być użytecznym.

Połączenie ich to krok, który umożliwia wszystko, co następuje po nim. 

Gotowość AI zaczyna się od integracji

Dla firm decydujących, od czego zacząć, integracja powinna być pierwsza, a AI wykona dużą część prac integracyjnych. Zbyt często błąd operacji polega na traktowaniu AI jako czegoś, co należy wyłącznie na koniec procesu. Może pomóc przyspieszyć i obniżyć koszty prac integracyjnych na początku, następnie pomóc w podejmowaniu decyzji gdy ta podstawa zostanie ustanowiona. 

Średniej wielkości firmy logistyczne niekoniecznie potrzebują więcej technologii. Wiele z nich już posiada niezbędne systemy. Szansą jest sprawienie, by te systemy współpracowały ze sobą. To właśnie tam AI może odegrać rolę wykraczającą poza generowanie kolejnej odpowiedzi na ekranie.