AI förändrar handelstullar, och de flesta företag är inte redo

Under många år har handelstullar inte varit högt prioriterade för de flesta organisationer. Medan det är nödvändigt, har funktionerna varit tekniska och i stor utsträckning osynliga tills något gick fel, men den antagandet gäller inte längre. Tullvolatilitet, tvångsarbetsenforcement, geopolitisk fragmentering och snabbt förändrade tullregler har pressat handelstullar in i centrum för operativa beslutsfattanden. Nya förslag från den amerikanska handelsrepresentanten om att införa nya tullar på dussintals handelspartner baserat på påstådda brister i att begränsa import av tvångsarbete visar hur arbetsmarknadsfrågor alltmer formas av handelspolitik bredvid traditionell tullenforcement.

Samtidigt börjar artificiell intelligens att förändra hur organisationer klassificerar produkter, övervakar risker, tolkar regler och förbereder sig för revisioner. Som ett resultat omprövar många företag hur de tänker om globala handelsoperationer. Medan AI inte ersätter handelstullsproffs, förändrar det vad jobbet ser ut, vilka färdigheter som är viktigast och hur organisationer hanterar regelefterlevnad i stor skala.

Handelstullar har blivit ett dataproblem

Modern handelstullar beror på enorma mängder information som flyttas korrekt över system. Företag måste spåra:

• Harmoniserad tullschema (HTS) klassificeringar
• Ursprungslandsbestämningar
• Leverantörsdata
• Dokumentation för tvångsarbetsenforcement
• Produktspecifikationer
• Handelsavtalsberättigande
• Tullutsatthet
• Tullbeslut och regeländringar
• Konsekvens i tulldeklarationer över mäklare och affärsenheter

Utmaningen är att de flesta av dessa uppgifter finns i frånkopplade system. En leverantör kan underhålla produktdetaljer i kalkylblad, ingenjörsteam lagrar specifikationer i PLM-plattformar, inköpsgrupper fokuserar på inköpskostnader och mäklare opererar från tulluppgifter som redan kan vara ofullständiga eller föråldrade. När en handelstullsgrupp granskar en leverans kan viktiga produktattribut redan ha gått förlorade, förenklats eller kopierats felaktigt över system. Denna fragmentering skapar risk.

Enligt USA:s tull- och gränsbevakning bygger enforcement-insatser på avancerad dataanalys för att identifiera avvikelser i importörens beteende. Samtidigt förblir enforcement svårt. Kongressgranskningar och regeringsanalyser har betonat pågående utmaningar som sträcker sig från bedrägeri i importprocesser och direkt-till-konsument-e-handels tillväxt till begränsad spårbarhet i leverantörskedjan. Även med utvidgade enforcement-insatser enligt Uyghur Forced Labor Prevention Act (UFLPA) fortsätter politiker att debattera hur effektivt tvångsarbetsvaror identifieras och utesluts från USA:s leverantörskedja.

Den förändringen är viktig eftersom klassificeringsfel ofta är systematiska snarare än isolerade. Samma felaktiga kod kan förekomma i tusentals inlämningshandlingar. En leverantörsbeskrivning kan återanvändas i år utan validering. Ingenjörsändringar kan förändra klassificeringsfaktorer utan att utlösa regelefterlevnadsgranskning. Detta är exakt de typer av mönster som AI-system är väl lämpade att upptäcka.
<h2.Varför HTS-klassificering blir ett AI-användningsfall

HTS-klassificering har alltid krävt expertis, tolkning och detaljerad produktkunskap. Det är också en av de mest operativt svåra processerna att skala konsekvent.

Världstullorganisationen uppdaterar Harmonized System regelbundet, medan nationella tullschema utvecklas oberoende. Domstolsbeslut omformar tolkning. Ytterligare tullprogram som AD/CVD, Section 122, Section 232 och Section 301 skapar nya lager av finansiell exponering. Ett enda klassificeringsbeslut kan dramatiskt påverka:

• Tullsatser
• Tillåtna krav
• Tvångsarbetsgranskning
• Berättigande till fria handelsavtal
• Krav från partnerregeringar
• Beräkningar av landad kostnad

Denna nivå av komplexitet är inte hanterbar genom statiska kalkylblad och tribalkunskap ensam, och det är här AI börjar påverka yrket.

Maskinlärningsmodeller kan analysera historiska klassificeringar, identifiera inkonsekvenser över mäklare eller anläggningar och presentera produkter som kan kräva omvalidering. Naturlig språkbehandlingssystem kan jämföra produktsbeskrivningar mot reglerings språk, tullbeslut och tidigare bestämningar.

Viktigt är att AI inte “löser” klassificering autonomt i de flesta företagsmiljöer. Istället hjälper det regelefterlevnadsproffs att begränsa möjligheter, upptäcka avvikelser, standardisera arbetsflöden och minska repetitiv manuell forskning. Den distinktionen är viktig. De mest framgångsrika organisationerna tar inte bort mänskligt omdöme från regelefterlevnadsbeslut. De kompletterar mänsklig expertis med system som förbättrar konsekvens och synlighet.

AI förändrar revisionens beredskap

Handelstullsrevisioner var tidigare reaktiva. En tullförfrågan skulle anlända, team skulle skynda för att hitta dokument, mäklare skulle söka gamla inlämningshandlingar och anställda skulle manuellt återupprätta beslut från fragmenterade register. Men den tillvägagångssättet blir alltmer ohållbart.

Den McKinsey-rapporten om generativ AI noterade att kunskapsintensivt operativt arbete ofta förbättras genom AI-stödd analys och arbetsflödesautomatisering. Handelstullar passar perfekt in i den kategorin.

Konsekvenserna sträcker sig bortom operativ effektivitet. Organisationer med starkare regelefterlevnads synlighet är ofta bättre positionerade att svara på tullförfrågningar snabbt, demonstrera styrningsprocesser och identifiera exponering innan myndigheter gör det. Den förmågan har blivit strategiskt viktig.

Utvåringsenforcement-utmaningen

Ett område där AI-antagande accelererar särskilt snabbt är leverantörskedjans due diligence. Implementeringen av Uyghur Forced Labor Prevention Act höjde förväntningarna kring leverantörsspårbarhet och dokumentation avsevärt. Importörer förväntas nu demonstrera djupare synlighet i källrelater, tillverkningsprocesser och materialursprung. För många företag är det oerhört svårt. Moderna leverantörskedjor kan omfatta:

• Flera kontraktstillverkare
• Leverantörer på nivå två och tre
• Frekventa inköpsförändringar
• Inkonsekvent leverantörsdokumentation
• Komplex komponentbaserad inköp

Utvåringsutmaningen förblir betydande. Enligt Internationella arbetsorganisationens uppskattningar, är cirka 27,6 miljoner människor i världen utsatta för tvångsarbete, vilket genererar uppskattningsvis 236 miljarder dollar i olagliga vinster årligen. Mycket av denna verksamhet sker inom komplexa kommersiella leverantörskedjor där synlighet i uppströmsleverantörer förblir begränsad. Manuell granskning ensam kan ofta inte hålla jämna steg. AI-system används för att organisera leverantörsregister, identifiera saknad information, flagga högriskområden för inköp och övervaka leverantörsbeteende över tid.

Igen, dessa verktyg ersätter inte juridisk eller regelefterlevnadsbedömning, men de hjälper organisationer att bearbeta leverantörskedjeinformation i en skala som människor ensam kämpar för att hantera. Detta kommer sannolikt att bli ännu viktigare när globala leverantörskedjeregler fortsätter att expandera.

Regleringsinitiativ i Europa och på andra håll signalerar en bredare global rörelse mot ökad leverantörskedjehållbarhet och due-diligence förväntningar. Handelstullar ligger i skärningspunkten mellan ESG-rapportering, inköpstransparens och företagsriskhantering. AI ligger i centrum för den konvergensen eftersom utmaningen i grunden är ett dataproblem och mönsterigenkänning.

Färdigheter som handelstullsproffs behöver nästa

En av de största missförstånden om AI-antagande är idén att automatisering minskar betydelsen av mänsklig expertis. I handelstullar sker det motsatta. När AI-verktyg hanterar repetitiv analys och storskalig datahantering ökar värdet av erfarna proffs. Organisationer behöver fortfarande människor som kan:

• Tolka tvetydiga regler
• Utvärdera tullbeslut
• Bedöma risktolerans
• Fatta försvarbara klassificeringsbeslut
• Samordna över inköp, ingenjörskonst, logistik och juridiska team
• Förstå geopolitiska implikationer
• Kommunicera regelefterlevnadsexponering till chefer

Vad som förändras är naturen av arbetet. Handelstullsproffs blir strategiska rådgivare snarare än enbart transaktionsbaserade granskare, och det kräver nya färdigheter.

Datakunskap blir allt viktigare. Team behöver förstå hur information flyter genom system, var inkonsekvenser uppstår och hur automatiseringsverktyg gör rekommendationer. Kommunikationsfärdigheter är viktigare när regelefterlevnad blir en styrelsefråga. Samarbete över funktioner blir också allt viktigare eftersom klassificering, inköp, tillverkning, ingenjörskonst och finansiella beslut nu är djupt sammanflätade.

Risken för “Svart låda” regelefterlevnad

Trots de möjligheter AI skapar finns det legitima farhågor om överdriven tillit till automatisering. Handelstullsbeslut förblir juridiska bestämningar. Om ett AI-system rekommenderar en felaktig klassificering kommer myndigheterna fortfarande att hålla importören ansvarig. Det skapar en stor styrningsutmaning.

Organisationer som antar AI i regelefterlevnadsmiljöer behöver:

• Mänsklig granskning
• Tydliga godkännandeprocesser
• Dokumenterad motivering för beslut
• Versionskontroll och revisionslogg
• Transparenta datakällor
• Pågående validering av modellutdata

Blind tillit till automatisering skapar sin egen form av risk, en fråga som sträcker sig bortom handelstullar.

National Institute of Standards and Technology AI Risk Management Framework belyser vikten av styrning, förklarbarhet och ansvar i företags AI-distribution. För regelefterlevnadsfunktioner är förklarbarhet särskilt viktig. Om ett företag inte kan förklara hur ett klassificeringsbeslut togs, blir det betydligt svårare att försvara det beslutet under en revision. Framtiden är inte fullständigt autonom regelefterlevnad, utan mänsklig regelefterlevnad som stöds av intelligenta system.

Varför detta är viktigt bortom regelefterlevnadsteam

Handelstullsgrupper opererade tidigare i stor utsträckning utanför chefs synlighet, men det förändras snabbt. Tullar påverkar nu vinstprognoser, tullförseningar stör produktions scheman, tvångsarbetsenforcement påverkar inköpsstrategier och geopolitiska händelser förändrar leverantörers livskraft. Handelsbeslut påverkar i slutändan bredare affärsstrategi. Detta är en av anledningarna till att AI-antagande i regelefterlevnadsmiljöer accelererar. Chefer vill ha:

• Snabbare synlighet i tullutsatthet
• Bättre prognostisering av landad kostnad
• Tidigare varningsignal för inköpsrisk
• Starkare revisionberedskap
• Mer resilienta leverantörskedjor

Spårbarhetsutmaningar förvärras ofta av användningen av flera mellanhänder och multi-nivå leverantörskedjor. Tillverkare kan inköpa material via flera oberoende leverantörer, vilket gör det svårt att verifiera arbetsförhållanden djupt i leverantörskedjan. Detta är en av anledningarna till att AI-stödda kartläggning, leverantörsövervakning och riskdetektionsverktyg får ökad uppmärksamhet från regelefterlevnadsteam.

Nästa fas av globala handelsoperationer

Handelstullar går in i en grundläggande annan tid med olika upplevelser. Volymen av regelförändringar, enforcement-tryck, leverantörskedjegranskning och arbetsrelaterade handelsåtgärder kommer sannolikt inte att minska. Regeringar använder alltmer tullenforcement-verktyg och bredare handelspolitiska mekanismer för att hantera tvångsarbetsfrågor, vilket skapar nya regelefterlevnadsförväntningar för importörer och deras leverantörskedjepartner.

De organisationer som anpassar sig framgångsrikt kommer sannolikt att dela flera egenskaper:

• Stark datastyrning
• Samarbete över funktioner
• Kontinuerlig klassificeringsvalidering
• Transparent AI-översikt
• Investering i regelefterlevnadskompetens
• Snabbare tillgång till operativ intelligens

Frågan är inte längre om artificiell intelligens kommer att påverka handelstullar, för det gör den redan. Den viktigaste frågan är om organisationer är beredda att hantera den övergången på ett ansvarsfullt sätt.