O Papel da Inteligência Artificial Geradora em Cadeias de Suprimentos

Assim como as interrupções nas cadeias de suprimentos se tornaram um tema frequente de discussões em salas de reunião em 2020, a Inteligência Artificial Geradora rapidamente se tornou o tema quente de 2023. Afinal, o ChatGPT da OpenAI atingiu 100 milhões de usuários nos primeiros dois meses, tornando-se a adoção de aplicativos de consumo mais rápida da história.

As cadeias de suprimentos estão, em certa medida, bem adaptadas para as aplicações de inteligência artificial geradora, dado que funcionam e geram grandes quantidades de dados. A variedade e o volume de dados e os diferentes tipos de dados adicionam complexidade adicional a um problema real-world extremamente complexo: como otimizar o desempenho da cadeia de suprimentos. E enquanto os casos de uso para inteligência artificial geradora em cadeias de suprimentos são amplos – incluindo aumento da automação, previsão de demanda, processamento e rastreamento de pedidos, manutenção preditiva de máquinas, gerenciamento de riscos, gerenciamento de fornecedores e mais – muitos também se aplicam à inteligência artificial preditiva e já foram adotados e implantados em larga escala.

Este artigo descreve alguns casos de uso que são especialmente adequados para inteligência artificial geradora em cadeias de suprimentos e oferece algumas advertências que os líderes de cadeias de suprimentos devem considerar antes de fazer um investimento.

Tomada de Decisão Assistida

O principal propósito da IA e ML em cadeias de suprimentos é facilitar o processo de tomada de decisão, oferecendo a promessa de aumento da velocidade e da qualidade. A inteligência artificial preditiva faz isso fornecendo previsões e previsões mais precisas, descobrindo novos padrões ainda não identificados e usando grandes volumes de dados relevantes. A inteligência artificial geradora pode levar isso um passo adiante, apoiando várias áreas funcionais de gerenciamento de cadeias de suprimentos. Por exemplo, os gerentes de cadeias de suprimentos podem usar modelos de inteligência artificial geradora para fazer perguntas esclarecedoras, solicitar dados adicionais, entender melhor os fatores que influenciam e ver o desempenho histórico de decisões em cenários semelhantes. Em resumo, a inteligência artificial geradora torna o processo de due diligence que antecede a tomada de decisão significativamente mais rápido e fácil para o usuário.

Além disso, com base nos dados e modelos subjacentes, a inteligência artificial geradora pode analisar grandes quantidades de dados estruturados e não estruturados, gerar automaticamente vários cenários e fornecer recomendações com base nas opções apresentadas. Isso reduz significativamente o trabalho não valorizado que os gerentes de cadeias de suprimentos atualmente realizam e os capacita a gastar mais tempo tomando decisões baseadas em dados e respondendo a mudanças no mercado mais rapidamente.

Uma (Possível) Solução para a Escassez de Talento em Gerenciamento de Cadeias de Suprimentos

Nos últimos anos, as empresas sofreram com a escassez de talentos em gerenciamento de cadeias de suprimentos devido à queima de plano, rotatividade e curva de aprendizado acentuada para novos contratados devido à natureza complexa do trabalho. Os modelos de inteligência artificial geradora podem ser ajustados para os procedimentos operacionais padrão, processos de negócios, fluxos de trabalho e documentação de software das empresas e, em seguida, podem responder a consultas de usuário com informações contextualizadas e relevantes. A interface de usuário conversacional comumente associada à inteligência artificial geradora torna significativamente mais fácil interagir com um sistema de suporte e fornece a capacidade de refinar a consulta, acelerando ainda mais o tempo necessário para encontrar as informações certas.

Combinar um sistema de aprendizado e desenvolvimento baseado em inteligência artificial geradora com tomada de decisão assistida baseada em inteligência artificial geradora pode ajudar a acelerar a resolução de várias questões de gerenciamento de mudanças. Também pode acelerar a integração de novos funcionários, reduzindo o tempo de treinamento e os requisitos de experiência de trabalho. Mais importante ainda, a inteligência artificial pode capacitar pessoas com deficiências melhorando a comunicação, a cognição, a assistência de leitura e escrita, a organização pessoal e o apoio ao aprendizado e desenvolvimento contínuos.

Embora alguns temam que a inteligência artificial geradora leve a perdas de empregos nos próximos anos, outros acreditam que elevará o nível do trabalho removendo tarefas repetitivas e criando espaço para tarefas mais estratégicas. Enquanto isso, é provável que resolva a escassez crônica de talentos em cadeias de suprimentos e digitais. É por isso que aprender a trabalhar com a tecnologia é importante.

Construindo o Modelo de Cadeia de Suprimentos Digital

As cadeias de suprimentos precisam ser resilientes e ágeis, o que exige visibilidade entre empresas. A cadeia de suprimentos precisa “conhecer” toda a rede para ter visibilidade. No entanto, construir o modelo digital de toda a rede de cadeia de suprimentos n-tier é frequentemente proibitivo em termos de custo. As grandes empresas têm dados espalhados por dezenas ou centenas de sistemas, com a maioria das grandes empresas gerenciando mais de 500 aplicativos simultaneamente em ERPs, CRMs, PLMs, Compras e Fontes, Planejamento, WMS, TMS e mais. Com toda essa complexidade e fragmentação, é extremamente difícil reunir esses dados de forma lógica. Isso é agravado quando as organizações olham além dos fornecedores de primeiro ou segundo nível para onde coletar dados em um formato estruturado é improvável.

Os modelos de inteligência artificial geradora podem processar grandes quantidades de dados, incluindo dados estruturados (dados mestres, dados de transações, EDIs) e dados não estruturados (contratos, faturas, digitalizações de imagens), para identificar padrões e contexto com pré-processamento de dados limitado. Como os modelos de inteligência artificial geradora aprendem com padrões e usam cálculos de probabilidade (com alguma intervenção humana) para prever a próxima saída lógica, eles podem criar um modelo digital mais verdadeiro da rede de cadeia de suprimentos n-tier – mais rápido e em escala – e otimizar a colaboração e a visibilidade inter e intra-empresas. Esse modelo n-tier pode ser ainda mais enriquecido para apoiar iniciativas de ESG, incluindo, mas não limitado a, identificar minerais em conflito, uso de recursos ou áreas ambientalmente sensíveis, calcular as emissões de carbono de produtos e processos e mais.

Embora a inteligência artificial geradora ofereça uma oportunidade significativa para os líderes de cadeias de suprimentos serem inovadores e criarem uma vantagem estratégica, há certas preocupações e riscos a considerar.

Sua Cadeia de Suprimentos é Única

Os usos gerais de inteligência artificial geradora, como ChatGPT ou Dall-E, atualmente são bem-sucedidos em lidar com tarefas que são mais amplas em natureza porque os modelos são treinados em grandes quantidades de dados públicos disponíveis. Para aproveitar realmente as capacidades da inteligência artificial geradora para a cadeia de suprimentos da empresa, esses modelos precisarão ser ajustados para os dados da empresa e o contexto específico da sua organização. Em outras palavras, você não pode usar um modelo treinado de forma geral. Os desafios de gerenciamento de dados, como qualidade de dados, integração e desempenho, que dificultam os projetos de transformação atuais, também podem impactar os investimentos em inteligência artificial geradora, levando a um exercício demorado e caro sem a solução de gerenciamento de dados certa já em vigor.

A inteligência artificial geradora depende de entender padrões nos dados de treinamento e, se os profissionais de cadeias de suprimentos aprenderam algo nos últimos três anos, é que as cadeias de suprimentos continuarão a enfrentar novos riscos e oportunidades sem precedentes.

Segurança e Regulamentações

O requisito básico dos modelos de inteligência artificial geradora é o acesso a grandes quantidades de dados de treinamento para entender padrões e contexto. No entanto, a interface humana dos aplicativos de inteligência artificial geradora pode levar a impersonação de usuário, phishing e outras preocupações de segurança. Enquanto o acesso limitado ao treinamento do modelo pode levar a um desempenho ruim da IA, conceder acesso irrestrito aos dados da cadeia de suprimentos pode levar a incidentes de segurança da informação, onde informações críticas e sensíveis são tornadas disponíveis para usuários não autorizados.

É também incerto como os vários governos escolherão regular a inteligência artificial geradora no futuro, à medida que a adoção continua a crescer e novas aplicações de inteligência artificial geradora são descobertas. Vários especialistas em IA expressaram preocupação sobre o risco representado pela IA, pedindo aos governos que pausassem os experimentos de IA gigantes até que os líderes tecnológicos e os formuladores de políticas possam estabelecer regras e regulamentações para garantir a segurança.

A inteligência artificial geradora oferece uma abundância de oportunidades de melhoria para as organizações que podem aproveitar essa tecnologia e criar um multiplicador de força para a ingenuidade humana, a criatividade e a tomada de decisão. No entanto, até que haja modelos treinados e explicitamente projetados para casos de uso de cadeias de suprimentos, a melhor maneira de avançar é uma abordagem equilibrada para investimentos em inteligência artificial geradora.

Estabelecer guardrails adequados será prudente para garantir que a IA forneça um conjunto de planos otimizados para cada usuário revisar e selecionar que estejam alinhados com os processos de negócios e os objetivos. As empresas que combinam “livros de jogadas de negócios” com inteligência artificial geradora serão as melhores para aumentar a capacidade das equipes de planejar, decidir e executar, otimizando ainda os resultados de negócios desejados. As organizações também devem considerar um forte caso de negócios, segurança de dados e usuários e objetivos de negócios mensuráveis antes de investir em nova tecnologia de inteligência artificial geradora.