Următorul decalaj AI: De ce companiile de logistică din segmentul mediu trebuie să-și repare infrastructura înainte de a putea valorifica AI

Discuția despre AI se concentrează adesea pe acces, cu presupunerea că odată ce o companie are acces la modelele și instrumentele potrivite, următoarea provocare este să înțeleagă cum să le folosească. Pentru companiile de logistică din segmentul mediu, aceasta nu este neapărat unde începe problema.

În multe depozite și la furnizorii de logistică terță parte (3PL), decalajul rar este un sistem lipsă. Majoritatea au deja un sistem de gestionare a depozitelor (WMS), un software de planificare a resurselor întreprinderii (ERP) sau un pachet de contabilitate, conexiuni cu transportatorii și EDI cu clienții lor mai mari. Problema este ce se întâmplă între aceste sisteme.

Conexiunile punct‑la‑punct se acumulează în timp. Un client sau partener comercial este conectat într-un mod, alt partener este conectat altfel și, în cele din urmă, nimeni nu are o vedere completă asupra a ceea ce comunică cu ce. Integrarea depinde și de oameni, de exemplu când cineva reintroduce manual comenzile dintr-un portal de clienți sau reconciliază livrările de ieri într-o foaie de calcul în fiecare dimineață. Un 3PL poate să nu știe că o tranzacție a eșuat până când un client sună să întrebe unde este comanda lor.

Nimic din acestea nu apare pe o listă de active IT, motiv pentru care este atât de ușor să subestimezi problema.

Problema este în punctele de predare

Cele mai mari probleme operaționale tind să apară la punctele de predare, unde o comandă, recepție sau expediere trece de la un sistem sau companie la alta:

• O comandă de intrare care sosește târziu sau este malformată poate duce la pierderea unei serii și la o dată de expediere ratată.
• Un aviz de expediere anticipată care nu corespunde cu ceea ce sosește efectiv poate opri recepția în timp ce angajații investighează fiecare palet.
• O confirmare de expediere care nu ajunge niciodată în sistemul clientului poate crea o întârziere în facturare și poate duce la o rambursare, în care un retailer deduce o penalitate pentru o neconformitate.

Pentru un 3PL, aceste probleme se înmulțesc deoarece fiecare client are propriile formate, reguli și așteptări. Parcursul din depozit funcționează de obicei bine, dar fluxul de informații din jurul său se rupe.

Această distincție devine mai importantă pe măsură ce companiile introduc AI în operațiunile lor, deoarece AI poate lucra doar cu informațiile disponibile. Conectarea unui chatbot sau a unui copilot la un singur sistem poate constitui o demonstrație bună, dar nu oferă acelui sistem vizibilitate asupra unei operațiuni care se întinde pe mai multe sisteme.

În logistică, întrebările utile deseori traversează aceste granițe, astfel încât un răspuns privind o comandă poate necesita informații din WMS, ERP și un sistem de transport sau al clientului. Un instrument AI care poate vedea doar o parte a acestui proces lucrează pe baza unei imagini incomplete.

Există un decalaj în creștere între companiile ale căror infrastructură permite AI-ului să lucreze cu informațiile de care are nevoie și companiile ale căror sisteme rămân deconectate, și acolo apare următorul decalaj AI.

AI are nevoie de o fundație cu care să poată lucra efectiv

O infrastructură cu adevărat pregătită pentru AI ar trebui descrisă în termeni operaționali, nu în termeni tehnologici. Fiecare eveniment important, cum ar fi o comandă, recepție, mișcare de inventar sau expediere, ar trebui să treacă printr-un hub comun în loc de o colecție de conexiuni separate. Formatul pe care îl trimite un partener comercial nu ar trebui să rămână problema depozitului. X12, EDIFACT, XML sau JSON ar trebui să se normalizeze la aceeași comandă înainte ca oricine din aval să fie nevoit să se gândească la format.

Echipele trebuie să știe când ceva eșuează în câteva minute, înainte ca problema să ajungă la client. Aceleași informații pe care angajații le folosesc pentru a identifica și rezolva acele probleme ar trebui să fie accesibile și pentru software și agenții AI prin API-uri curate care mențin permisiunile existente. De asemenea, trebuie să existe o înregistrare a celor întâmplate, astfel încât atunci când AI propune ceva, o persoană să poată verifica motivul.

Când aceste condiții sunt îndeplinite, adăugarea AI devine mult mai simplă. Aceasta nu înseamnă că o companie din segmentul mediu trebuie să-și înlocuiască întregul set de tehnologii. De fapt, un 3PL din segmentul mediu aproape niciodată nu are nevoie de un nou WMS sau ERP doar pentru a deveni pregătit pentru AI. Abordarea mai practică este să lași sistemele de bază intacte și să repari conexiunile dintre ele.

Un hub unic la care se conectează fiecare sistem și partener este mult mai ușor de gestionat decât o rețea de legături unice.

AI poate ajuta la construirea infrastructurii

Aceasta este, de asemenea, zona în care AI poate fi deosebit de util pentru companiile din segmentul mediu. În mod tradițional, integrarea a necesitat ca oamenii să citească specificațiile partenerilor, să mapaze câmpurile manual și să testeze acele mapări un partener la un moment dat. O singură mapare a unui partener poate dura săptămâni de muncă practică, testare și schimburi continue cu partenerul.

Modelele AI actuale pot citi specificații și fișiere de probă, propunând mapări și testându-le pe tranzacții reale. O persoană poate apoi să revizuiască și să aprobe rezultatul.

AI poate reduce munca practică necesară pentru a produce prima versiune a unei mapări EDI. Specialistul poate începe cu un draft, apoi să îl revizuiască și să îl corecteze înainte de a-l trimite prin ciclul de revizuire existent al partenerului, permițând specialiștilor să petreacă mai puțin timp construind mapări câmp cu câmp, păstrând totodată controlul asupra rezultatului final.

Dar există o distincție importantă între utilizarea AI pentru integrare și încrederea în AI pentru integrare.

Când fac acest lucru, folosesc o abordare pe care o numesc „Propune, Fundamentează, Verifică, Confirmă.”

AI propune configurarea partenerului și maparea câmpurilor. Este fundamentat pe specificația reală și pe fișierele de probă, în loc să inventeze câmpuri sau coduri. Un proces separat de verificare compară maparea câmp cu câmp cu un document real. Apoi o persoană confirmă rezultatul înainte ca acesta să ajungă într-un flux de clienți în producție.

Am înțeles de ce este importantă această disciplină testând hărțile generate de AI pe documente reale de producție.

Într-un test, o hartă generată de AI a citit un document de transfer de depozit fără erori, dar a omis toate cele 15 linii de articol. În altul, a păstrat toate cele șase părți dintr-o comandă de expediere, dar a pierdut codul care identifica care parte era destinatarul, împreună cu adresa stradală. Verificarea noastră automată a considerat harta curată, iar un specialist EDI a descoperit lacuna.

Chiar și datele de referință pot fi greșite. Un fișier de standarde care pretindea că a fost verificat încrucișat a fost în dezacord cu standardul publicat pentru fiecare segment contestat pe care l-am testat.

Învățătura este că un rezultat parțial poate fi mai greu de observat decât unul lipsă. Verificarea trebuie să compare fiecare câmp dintr-un document real cu ceea ce a capturat harta. Confirmarea că un document se parsează nu este suficientă.

Rezultatele de încredere depind de disciplina care înconjoară modelul, de la modul în care este utilizat până la modul în care sunt revizuite ieșirile sale.

Valoarea începe înainte ca AI să ia o decizie

Lucrările de infrastructură au, de asemenea, valoare cu mult înainte ca un agent AI să ofere recomandări operaționale. Un 3PL cu care am colaborat rula SAP alături de sistemul său de depozit. Fiecare recepție de intrare necesita trei până la cinci minute de introducere manuală, iar inventarul în SAP era cu aproximativ 20 de minute în urma docului.

După ce cele două sisteme au fost conectate direct, întârzierea a devenit aproape în timp real. Operațiunea a economisit peste 980 de ore de muncă pe an, inclusiv 775 de ore la activitățile de ieșire. Urmărirea prin foi de calcul a dispărut, în timp ce etichetele, conoscurile de transport și listele de ambalare au început să se genereze automat. Depozitul și-a păstrat fluxurile de lucru existente, astfel încât nimeni de pe teren nu a trebuit să fie recalificat.

Învățătura pe care am extras-o din acel proiect a depășit economiile de forță de muncă. Odată ce două sisteme împărtășesc aceeași imagine actuală, acea imagine este ceea ce are nevoie un agent AI pentru a fi util.

Conectarea lor este pasul care face posibil tot ce urmează.

Pregătirea AI începe cu integrarea

Pentru companiile care decid de unde să înceapă, integrarea ar trebui să vină prima, cu AI realizând o mare parte din munca de integrare. Prea des greșeala pe care o fac operațiunile este să trateze AI ca pe ceva care aparține doar la sfârșitul procesului. Poate ajuta la realizarea integrării mai rapid și mai puțin costisitor la început, apoi să ajute la decizii odată ce acea bază este pusă la punct.

Companiile de logistică din segmentul mediu nu au neapărat nevoie de mai multă tehnologie. Multe au deja sistemele de care au nevoie. Oportunitatea este de a face acele sisteme să lucreze împreună. Acolo AI poate juca un rol care depășește generarea unui alt răspuns pe ecran.