Den nästa AI‑klyftan: varför mellanstora logistikföretag måste fixa sin infrastruktur innan de kan utnyttja AI

Samtalet kring AI är ofta fokuserar på åtkomst, med antagandet att när ett företag har tillgång till rätt modeller och verktyg, är nästa utmaning att ta reda på hur man använder dem. För mellanstora logistikföretag är det inte nödvändigtvis där problemet börjar.

I många lager och tredjepartslogistikleverantörer (3PL), är klyftan sällan ett saknat system. De flesta har redan ett lagerhanteringssystem (WMS), ett program för företagsresursplanering (ERP) eller ett bokföringspaket, transportöranslutningar och EDI med sina större kunder. Problemet är vad som händer mellan dessa system.

Punkt‑till‑punkt‑anslutningar samlas över tid. En kund eller handelspartner ansluts på ett sätt, en annan partner ansluts på ett annat sätt och så småningom har ingen en fullständig bild av vad som kommunicerar med vad. Integration beror också på människor, till exempel när någon manuellt matar in beställningar från en kundportal eller avstämmer gårdagens leveranser i ett kalkylblad varje morgon. En 3PL kanske inte vet att en transaktion misslyckades förrän en kund ringer för att fråga var deras beställning är.

Ingenting av detta visas på en IT‑tillgångslista, vilket är anledningen till att det är så lätt att underskatta problemet.

Problemet ligger i överlämningarna

De största operativa problemen tenderar att uppstå vid överlämningarna, där en beställning, mottagning eller leverans flyttas från ett system eller företag till ett annat:

• En inkommande beställning som anländer sent eller i fel format kan innebära en missad våg och ett missat leveransdatum.
• Ett förhandsmeddelande om leverans som inte stämmer överens med det som faktiskt anländer kan stoppa mottagandet medan medarbetarna undersöker varje pall.
• En leveransbekräftelse som aldrig når kundens system kan skapa en faktureringsfördröjning och leda till en återbetalning, där en återförsäljare drar av en straffavgift för ett efterlevnadsfel.

För en 3PL multipliceras dessa problem eftersom varje kund har sina egna format, regler och förväntningar. Lagergolvet fungerar vanligtvis bra, men informationsflödet runt det bryts.

Den distinktionen blir viktigare när företag inför AI i sina verksamheter eftersom AI bara kan arbeta med den information som finns tillgänglig. Att ansluta en chatbot eller en copilot till ett system kan vara en bra demonstration, men det ger inte det systemet insyn i en verksamhet som sträcker sig över flera system.

Inom logistik är de användbara frågorna ofta gränsöverskridande, så ett svar om en beställning kan kräva information från WMS, ERP och ett transport- eller kundsystem. Ett AI‑verktyg som bara kan se en del av den processen arbetar med en ofullständig bild.

Det finns en växande klyfta mellan företag vars infrastruktur tillåter AI att arbeta med den information den behöver och företag vars system förblir fristående, och det är där nästa AI‑klyfta uppstår. 

AI behöver en grund som den faktiskt kan arbeta med

En genuint AI‑klar infrastruktur bör beskrivas i operativa termer snarare än tekniska termer. Varje viktig händelse, som en beställning, mottagning, lagerförflyttning eller leverans, bör passera genom en gemensam hub snarare än en samling av separata anslutningar. Formatet som en handelspartner skickar bör sluta vara lagrets problem. X12, EDIFACT, XML eller JSON bör normaliseras till samma order innan någon längre ner i kedjan behöver tänka på formatet.

Team behöver veta när något misslyckas inom minuter, innan problemet når en kund. Den samma information som anställda använder för att identifiera och lösa dessa problem bör också vara tillgänglig för programvara och AI‑agenter via rena API:er som behåller befintliga behörigheter. Det måste också finnas en register över vad som hänt så att när AI föreslår något, kan en person kontrollera varför. 

När dessa förutsättningar är på plats blir det mycket enklare att lägga till AI. Det betyder inte att ett mellanstort företag måste ersätta hela sin teknikstack. Faktum är att ett mellanstort 3PL nästan aldrig behöver ett nytt WMS eller ERP enbart för att bli AI‑klart. Det mer praktiska tillvägagångssättet är att låta kärnsystemen vara och fixa anslutningarna mellan dem.

En enda hub som alla system och partner ansluter till är mycket enklare att hantera än ett nät av enstaka länkar.

AI kan hjälpa till att bygga infrastrukturen

Det är också här AI kan vara särskilt användbart för mellanstora företag. Traditionellt har integration krävt att människor läser partnerns specifikationer, kartlägger fält manuellt och testar dessa kartläggningar en handelspartner i taget. En enskild partnerkarta kan ta veckor av praktiskt arbete, testning samt fram och tillbaka med partnern.

Nuvarande AI‑modeller kan läsa specifikationer och exempel­filer, föreslå kartläggning och testa den mot verkliga transaktioner. En person kan sedan granska och godkänna resultatet.

AI kan minska det praktiska arbete som krävs för att producera den första versionen av en EDI‑mappning. Specialisten kan börja med ett utkast, sedan granska och korrigera det innan det skickas genom partnerns befintliga granskningscykel, vilket gör att specialister kan spendera mindre tid på att bygga mappningar fält för fält samtidigt som de behåller kontrollen över det slutgiltiga resultatet.

Men det finns en viktig skillnad mellan att använda AI för integration och att lita på AI med integration.

När jag gör detta använder jag ett tillvägagångssätt som jag kallar ”Propose, Ground, Verify, Confirm.”

AI föreslår partnerinställningen och fältmappningen. Den är förankrad i den faktiska specifikationen och exempel‑filerna snarare än att uppfinna fält eller koder. En separat verifieringsprocess jämför mappningen fält för fält mot ett riktigt dokument. Sedan bekräftar en person resultatet innan det når ett levande kundflöde. 

Vi lärde oss varför den disciplinen är viktig genom att testa AI‑genererade mappningar mot verkliga produktionsdokument.

I ett test läste en AI‑genererad mappning ett lageröverföringsdokument utan några fel och tappade ändå alla 15 radposter. I ett annat behöll den alla sex parter på en fraktorder men förlorade koden som identifierade vilken part som var mottagare, samt gatuadressen. Vår automatiserade kontroll kallade mappningen ren, och en EDI‑specialist upptäckte luckan.

Även referensdata kan vara felaktig. En standardfil som påstod sig ha blivit korskontrollerad stämde inte överens med den publicerade standarden på varje omtvistad segment vi testade.

Lärdomen är att ett partiellt resultat kan vara svårare att upptäcka än ett helt saknat. Verifieringen måste jämföra varje fält i ett riktigt dokument mot vad mappningen fångade. Att bekräfta att ett dokument kan parsas är inte tillräckligt. 

Trovärdiga resultat beror på den disciplin som omger modellen, från hur den används till hur dess utdata granskas.

Värdet börjar innan AI fattar ett beslut

Infrastrukturarbete har också värde långt innan en AI‑agent ger operativa rekommendationer. En 3PL vi samarbetade med körde SAP parallellt med sitt lagersystem. Varje inkommande mottagning tog tre till fem minuter av manuell inmatning, och lagersaldot i SAP låg ungefär 20 minuter efter kajen.

När de två systemen kopplades ihop direkt blev den fördröjningen nästan realtidsbaserad. Verksamheten sparade mer än 980 arbets­timmar per år, varav 775 timmar på utgående arbete. Kalkylbladsspårning försvann, medan etiketter, fraktsedlar och packlistor började genereras automatiskt. Lagret behöll sina befintliga arbetsflöden, så ingen på golvet behövde omskolas. 

Lärdomen vi tog med oss från det projektet var större än arbetsbesparingarna. När två system delar en gemensam aktuell bild är samma bild vad en AI‑agent behöver för att vara användbar.

Att koppla dem är steget som gör allt därefter möjligt. 

AI‑beredskap börjar med integration

För företag som beslutar var de ska börja bör integration komma först, med AI som utför en stor del av integrationsarbetet. Alltför ofta görs misstaget att behandla AI som något som bara hör till i slutet av processen. Det kan hjälpa till att göra integrationsarbetet snabbare och billigare i början, sedan hjälpa till med beslut när den grunden är på plats. 

Mid‑market logistikföretag behöver inte nödvändigtvis mer teknik. Många har redan de system de behöver. Möjligheten ligger i att få dessa system att fungera tillsammans. Det är där AI kan spela en roll som går bortom att bara generera ett annat svar på en skärm.