Rollen för generativ AI i leverantörskedjor

Liksom leverantörskedjeförstöringar blev ett vanligt ämne för diskussioner i styrelserummet 2020, blev generativ AI snabbt det hetaste ämnet 2023. Efter allt, nådde OpenAI:s ChatGPT 100 miljoner användare under de första två månaderna, vilket gjorde det till den snabbast växande konsumentapplikationen i historien.

Leverantörskedjor är, till viss del, väl lämpade för tillämpningar av generativ AI, eftersom de fungerar på och genererar stora mängder data. Variationen och volymen av data och de olika typerna av data lägger till ytterligare komplexitet till ett extremt komplext verkligt problem: hur man optimerar leverantörskedjans prestanda. Och medan användningsfallen för generativ AI i leverantörskedjor är omfattande – inklusive ökad automatisering, efterfråganprognoser, orderbehandling och spårning, prediktivt underhåll av maskiner, riskhantering, leverantörsledning och mer – gäller många av dem också för prediktiv AI och har redan antagits och distribuerats i stor skala.

Denna artikel beskriver några användningsfall som är särskilt väl lämpade för generativ AI i leverantörskedjor och erbjuder några varningar som leverantörskedjledare bör överväga innan de gör en investering.

Stödd beslutsfattning

Det primära syftet med AI och ML i leverantörskedjor är att underlätta beslutsprocessen, med löftet om ökad hastighet och kvalitet. Prediktiv AI gör detta genom att tillhandahålla förutsägelser och prognoser som är mer exakta, upptäcka nya mönster som ännu inte har identifierats och använda mycket stora volymer av relevant data. Generativ AI kan ta detta ett steg längre genom att stödja olika funktionella områden inom leverantörskedjan. Till exempel kan leverantörskedjchefer använda generativ AI-modeller för att ställa förtydligande frågor, begära ytterligare data, bättre förstå påverkansfaktorer och se den historiska prestationen av beslut i liknande scenarier. Kort sagt, generativ AI gör den due diligence-process som föregår beslutsfattandet betydligt snabbare och enklare för användaren.

Dessutom kan generativ AI, baserat på underliggande data och modeller, analysera stora mängder strukturerad och ostrukturerad data, automatiskt generera olika scenarier och tillhandahålla rekommendationer baserat på de presenterade alternativen. Detta minskar avsevärt det icke-värdeskapande arbetet som leverantörskedjchefer för närvarande gör och ger dem möjlighet att spendera mer tid på att fatta datadrivna beslut och svara på marknadsförändringar snabbare.

En (möjlig) lösning på leverantörskedjanledningens talangbrist

Under de senaste åren har företag lidit av en brist på leverantörskedjatalang på grund av planerarens utbrändhet, avgångar och en brant inlärningskurva för nya anställda på grund av jobbets komplexa natur. Generativa AI-modeller kan justeras för företagens standardoperativa förfaranden, affärsprocesser, arbetsflöden och programvarudokumentation och sedan svara på användarfrågor med kontextualiserad och relevant information. Det konversationsgränssnitt som vanligtvis är förknippat med generativ AI gör det betydligt enklare att interagera med ett supportsystem och ger möjlighet att finslipa frågan, vilket ytterligare accelererar tiden det tar att hitta rätt information.

Att kombinera ett generativt AI-baserat utbildnings- och utvecklingssystem med generativ AI-stödd beslutsfattning kan hjälpa till att påskynda lösningen av olika förändringshanteringsproblem. Det kan också påskynda nya anställdas inkörningsprocess genom att minska utbildningstiden och arbetslivserfarenhetskraven. Mer viktigt är att generativ AI kan ge människor med funktionshinder möjlighet att förbättra kommunikationen, kognitionen, läs- och skrivhjälp, personlig organisation och stöd för kontinuerligt lärande och utveckling.

Medan vissa är rädda för att generativ AI kommer att leda till jobbförluster under de kommande åren, tror andra att det kommer att förbättra arbetet genom att ta bort repetitiva uppgifter och skapa utrymme för mer strategiska uppgifter. Under tiden förväntas det lösa dagens kroniska leverantörskedje- och digitala talangbrist. Därför är det viktigt att lära sig att arbeta med tekniken.

Att bygga den digitala leverantörskedjemodellen

Leverantörskedjor behöver vara motståndskraftiga och agila, vilket kräver synlighet över hela företaget. Leverantörskedjan behöver “känna till” hela nätverket för synlighet. Att bygga ut den digitala modellen av hela n-tier-leverantörskedjan är dock ofta kostsamt. Stora företag har data spridda över dussintals eller hundratals system, med de flesta stora företag som hanterar mer än 500 applikationer samtidigt över ERP, CRM, PLM, inköp och källa, planering, WMS, TMS och mer. Med all denna komplexitet och fragmentering är det extremt svårt att logiskt sammanföra denna disparata data. Detta förvärras när organisationer tittar bortom de första- eller andra-tier-leverantörerna till där insamling av data i en strukturerad format är osannolik.

Generativa AI-modeller kan bearbeta stora mängder data, inklusive strukturerad (huvuddata, transaktionsdata, EDI) och ostrukturerad data (kontrakt, fakturor, bildscannningar), för att identifiera mönster och kontext med begränsad förbehandling av data. Eftersom generativa AI-modeller lär sig från mönster och använder sannolikhetsberäkningar (med viss mänsklig intervention) för att förutsäga den logiska utdata, kan de skapa en sanningsenlig digital modell av n-tier-leverantörskedjan – snabbare och i stor skala – och optimera inter- och intraföretags samarbete och synlighet. Denna n-tier-modell kan ytterligare berikas för att stödja ESG-initiativ, inklusive men inte begränsat till att identifiera konfliktmineraler, användning av miljömässigt känsliga resurser eller områden, beräkning av koldioxidutsläpp från produkter och processer och mer.

Även om generativ AI erbjuder en betydande möjlighet för leverantörskedjledare att vara innovativa och skapa en strategisk fördel, finns det vissa problem och risker att överväga.

Din leverantörskedja är unik

Allmänna användningar av generativ AI, som ChatGPT eller Dall-E, är för närvarande framgångsrika i att hantera uppgifter som är bredare i naturen, eftersom modellerna är tränade på stora mängder offentligt tillgängliga data. För att verkligen utnyttja förmågor av generativ AI för företagets leverantörskedja, måste dessa modeller justeras för företagets data och kontexten som är specifik för er organisation. Med andra ord, kan du inte använda en allmänt tränad modell. De datahanteringsutmaningar som liknar datakvalitet, integration och prestanda som hindrar nuvarande omvandlingsprojekt kan också påverka investeringar i generativ AI, vilket leder till en tidskrävande och kostsam övning utan rätt datahanteringslösning på plats.

Generativ AI är beroende av att förstå mönster inom träningsdata och om leverantörskedjeprofessionella har lärt sig något under de senaste tre åren, så är det att leverantörskedjor kommer att fortsätta att möta nya risker och oöverträffade möjligheter.

Säkerhet och regleringar

Den grundläggande kravet för generativ AI-modeller är tillgång till stora mängder träningsdata för att förstå mönster och kontext. Det sagt, det mänskliga gränssnittet för generativa AI-applikationer kan leda till användarimpersonation, phishing och andra säkerhetsproblem. Medan begränsad tillgång till modellträning kan leda till underprestation av AI, kan obegränsad tillgång till leverantörskedjedata leda till informations säkerhetsincidenter där kritisk och känslig information görs tillgänglig för obehöriga användare.

Det är också oklart hur olika regeringar kommer att välja att reglera generativ AI i framtiden, allteftersom antagandet fortsätter att växa och nya tillämpningar av generativ AI upptäcks. Flera AI-experter har uttryckt oro över risken som AI utgör, och begärt att regeringar ska pausa jätte-AI-experiment tills teknikutvecklare och beslutsfattare kan etablera regler och regleringar för att säkerställa säkerhet.

Generativ AI erbjuder en överflöd av förbättringsmöjligheter för de organisationer som kan utnyttja denna teknik och skapa en kraftmultiplikator för mänsklig skaparkraft, kreativitet och beslutsfattande. Det sagt, tills det finns modeller som är tränade och uttryckligen utformade för leverantörskedjeanvändningsfall, är det bästa sättet att gå vidare en balanserad approach till investeringar i generativ AI.

Att etablera ordentliga skyddsräcken kommer att vara klokt för att säkerställa att AI erbjuder en uppsättning optimerade planer för varje användare att granska och välja mellan som är i linje med affärsprocesser och mål. Företag som kombinerar “affärsplaybook” med generativ AI kommer att vara bäst lämpade att öka teamens kapacitet att planera, fatta beslut och genomföra medan de fortfarande optimerar önskade affärsresultat. Organisationer bör också överväga ett starkt affärsfall, datasäkerhet och användarsäkerhet samt mätbara affärsobjektiv innan de investerar i ny generativ AI-teknik.