Как возможности планирования, основанные на ИИ, будут продолжать эволюционировать в 2026 году

Когда 2025 год подходит к концу, компании и лидеры цепочки поставок ориентируются в праздничном сезоне и деловом ландшафте, которые подвержены влиянию меняющихся тарифных и торговых политик, а также экономической неопределенности, которая, вероятно, будет продолжать играть роль в 2026 году.

Если за последние несколько лет было чему-то научиться, то это то, что управление неопределенностью и волатильностью стало новой нормой. Поэтому традиционные методы планирования бизнеса на уровне предприятия, которые часто включают таблицы и информацию, изолированную среди отделов, больше не являются достаточными.

Когда неопределенность рынка и сбои в цепочке поставок сохраняются, также растет количество доступных данных. Отчет McKinsey 2024 года показывает, что к 2030 году объем данных, как ожидается, увеличится в десять раз по сравнению с 2020 годом. Хотя эти два фактора не обязательно напрямую связаны, бизнес-лидеры осознают концепцию использования более крупных объемов данных для более эффективного преодоления бизнес-неопределенности путем принятия обоснованных решений на основе данных. Более компаний принимают комплексный подход к стратегическому использованию данных, создавая хранилища данных, разрабатывая стратегии данных на уровне предприятия и реализуя платформы, оснащенные технологией цифрового двойника и ИИ. Такие платформы могут обрабатывать большие объемы данных для моделирования различных бизнес-сценариев и обнаружения сбоев заранее.

Использование ИИ для устранения изолированных данных

Одним из первых шагов, необходимых для реализации комплексной стратегии данных от концепции до реализации, является сосредоточение внимания на устранении изолированных данных путем оцифровки и объединения данных и знаний, разбросанных по всей организации. Во многих предприятиях несколько отделов работают независимо, каждый из которых использует свои собственные источники данных. Например, финансы используют один набор данных, закупки – другой, а планирование цепочки поставок – еще один. Кроме того, каждый отдел использует свои собственные внешние сигналы данных. Это означает, что если один отдел знает о потенциальной задержке поставщика, другие команды могут не иметь информации о этом вовремя, чтобы принять решения, которые могли бы повлиять на доступность продукта.

Платформы планирования, оснащенные ИИ, могут обрабатывать огромные объемы внутренних и внешних данных, служа единой истиной. Модели цифрового двойника могут обеспечить видимость всей цепочки поставок и помочь командам развивать идеи по различным сценариям планирования, позволяя им принимать совместные, обоснованные решения на основе данных. Например, если наблюдается всплеск спроса, данные могут показать, какие поставщики наиболее вероятно смогут выполнить увеличение заказов вовремя, какие поставщики могут испытать трудности с выполнением крупных заказов в последнюю минуту или как потребители на определенных рынках могут перейти к другому вкусу продукта, если самый популярный вкус находится в ограниченном количестве. Если команда планирования может обнаружить тенденции, риски и возможности раньше, бизнес может перейти к альтернативному поставщику, использовать другой маршрут доставки или перераспределить запасы в распределительные центры, где спрос最高, прежде чем потенциальный риск или сбои в цепочке поставок повлияют на бизнес.

Такие платформы также могут помочь разблокировать и оцифровать внутренние знания из всей организации, позволяя командам работать вместе более эффективно. Например, если планировщик с 20-летним опытом может определить из данных, что и поставщик А, и поставщик Б имеют достаточно запасов для удовлетворения увеличения спроса, но поставщик А более надежен, этот планировщик знает, что следует отдать приоритет заказу у этого поставщика. Напротив, менее опытный планировщик может выбрать поставщика Б и может не получить продукт вовремя, чтобы удовлетворить спрос. С помощью продвинутой платформы планирования планировщик, имеющий этот контекст, может вручную ввести информацию о поставщике, даты заказа, даты отгрузки, даты доставки и многое другое, которые затем кодируются в программном обеспечении. Эти идеи будут затем отмечены для других планировщиков, чтобы их решения были обоснованы аналогичным контекстом.

Для бизнесов, которые уже начали реализовывать инструменты ИИ, чтобы помочь соединить данные из своей организации и расширенной цепочки создания стоимости, они могут быть готовы перейти за пределы традиционных методов планирования и переосмыслить, как технологические платформы могут сыграть роль в объединении их данных и бизнес-идей, чтобы они действовали как “северная звезда”, выравнивающая интегрированное бизнес-планирование во всей компании. Этот подход позволяет командам получить доступ к общей, единой истине через цифровую платформу, получить видимость возникающих рисков и возможностей, которые могут повлиять на их бизнес, и затем принять обоснованные, скоординированные решения на основе этих идей.

Улучшение планирования сценариев

Как только внутренние знания оцифрованы, и все источники данных объединены для более эффективного сотрудничества между командами в планировании и принятии решений, команды могут перейти за пределы простого обнаружения потенциальных рисков и сбоев и начать укреплять свои возможности планирования сценариев. Когда команды используют платформу ИИ, которая может обрабатывать и соединять данные из нескольких бизнес-функций, они могут сотрудничать более глубоко, переводя единичное событие или сбои в их прямое влияние на бизнес и клиентов. Как только команды планирования понимают ситуацию и ее потенциальное влияние на ранней стадии, они могут затем изучить несколько сценариев, чтобы помочь смягчить негативные последствия для бизнеса.

Например, если сбои в цепочке поставок приводят к нехватке популярного закусочного продукта, команды планирования могут использовать данные, чтобы определить, сколько продукта сейчас находится на складе и может быть переведено в другие распределительные центры, и выявить области с сильным спросом на другие вкусы одного и того же продукта. С помощью этих знаний команды планирования могут смягчить потенциальные нехватки и дефициты у розничных продавцов, перераспределяя запасы в области, где продукт находится в высоком спросе, и ребалансируя альтернативные вкусы в областях, где также существует сильный спрос на эти продукты.

Автоматизация задач с помощью агентов ИИ

Платформы, которые также имеют возможности агентского ИИ, могут помочь командам автоматизировать рутинные задачи планирования и предложения сценариев, позволяя им сосредоточиться на более высоких стратегиях планирования и управлении сценариями. Агенты ИИ могут быть сконфигурированы для автоматизации процесса анализа ситуаций, понимания их влияния и предложения нескольких вариантов или сценариев для планировщиков на рассмотрение. Они могут помочь командам планирования оценить различные возможности, учитывая такие факторы, как стоимость и маржа продукта, и реагировать на внезапные изменения спроса или предложения. Когда агентские возможности ИИ первоначально реализуются, агенты могут предложить рекомендации для проверки человеком. Как только доверие к качеству их рекомендаций будет установлено, агенты могут перейти к более автономным режимам с определёнными границами.

Однако есть случаи, когда планировщику необходимо вмешаться, чтобы одобрить план или переопределить рекомендации на основе конкретных руководств. План сценария может предложить перемещение продукта из распределительного центра в Канаде, но если планировщик знает, что команда продаж собирается заключить сделку с крупной канадской компанией, этот запас будет необходим для обслуживания этого клиента в краткосрочной перспективе. Следовательно, планировщик будет переопределять этот вариант сценария.

Снова, для бизнесов, которые начали реализовывать возможности агентского ИИ и начали конфигурировать своих агентов для автоматизации конкретных задач, следующим шагом является определение возможностей, где агенты могут предоставить более глубокие идеи, чтобы повысить производительность межфункциональных команд и синхронизировать процесс принятия решений по командам и бизнес-планированию.

Как масштабировать ИИ ответственно во всей компании

Для бизнес-лидеров, готовых использовать платформу планирования, оснащенную ИИ, для соединения данных своей организации и внешних сигналов (таких как спрос, запасы и закупки) и построения стратегии планирования на основе данных, одним из наиболее важных шагов является понимание пробелов в бизнес-ценности, которые инструменты ИИ могут помочь устранить. Например, если команды планирования испытывают трудности с анализом больших объемов данных или поддержанием увеличенного объема выполнения заказов, что приводит к утечке ценности, эти области могут быть теми, где будет полезно протестировать платформу, которая может соединить соответствующие данные, чтобы предоставить заинтересованным сторонам более глубокую видимость источников проблем и предложить идеи для улучшения принятия решений.

Команды, которые будут реализовывать решения, ориентированные на ИИ, также должны получить одобрение от коллег, которые будут использовать инструменты и платформы, и тщательно протестировать результаты и рекомендации платформы (и включить обратную связь пользователей) до того, как позволить использовать автономные возможности широко по команде. Как только пилотная программа показала успешные результаты, бизнес-лидеры могут рассмотреть, где имеет смысл развернуть дополнительные технологии ИИ внутри бизнеса и использовать платформы для интеграции более целостной и безшовной модели бизнес-планирования и принятия решений во всей организации.