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, med tanke på att 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, efterfrågeprognoser, orderbearbetning och spårning, prediktivt underhåll av maskiner, riskhantering, leverantörshantering och mer – gäller många av dem också för prediktiv AI och har redan antagits och distribuerats i stor skala.

Den här artikeln 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.

Assisterat beslutsfattande

Huvudsyftet 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 leverantörskedjeledning. Till exempel kan leverantörskedjechefer använda generativa AI-modeller för att ställa förtydligande frågor, begära ytterligare data, bättre förstå påverkansfaktorer och se det historiska utförandet 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 betydligt det icke-värdeskapande arbetet som leverantörskedjechefer 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 bristen på leverantörskedjetalang

Under de senaste åren har företag lidit av en brist på leverantörskedjetalang på grund av planerarens utbrändhet, avgång och en brant inlärningskurva för nya anställda på grund av jobbfunktionens komplexa natur. Generativa AI-modeller kan justeras till företagens standardoperativa procedurer, affärsprocesser, arbetsflöden och programvarudokumentation och sedan svara på användarfrågor med kontextuell och relevant information. Den konversationsgränssnitt som vanligtvis förknippas med generativ AI gör det betydligt enklare att interagera med ett supportsystem och ger möjlighet att finslipa frågan, vilket ytterligare accelererar den tid det tar att hitta rätt information.

Att kombinera ett generativt AI-baserat lärande- och utvecklingssystem med generativt 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, förbättra kognitionen, läs- och skrivhjälp, ge personlig organisation och stödja 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 höja arbetsnivån genom att ta bort repetitiva uppgifter och skapa utrymme för mer strategiska. 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 resilienta och agila, vilket kräver en tvärforetagsvisibilitet. Leverantörskedjan behöver “känna till” hela nätverket för visibilitet. Bygga ut den digitala modellen av hela n-tiers leverantörskedjenätverket är 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 ERPs, CRMs, PLMs, 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 den första eller andra 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, bildskanningar), för att identifiera mönster och kontext med begränsad förbearbetning 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-tiers leverantörskedjenätverket – snabbare och i stor skala – och optimera samarbete och visibilitet mellan och inom företag. Denna n-tiers modell kan ytterligare berikas för att stödja ESG-initiativ, inklusive men inte begränsat till att identifiera konfliktmineraler, användning av miljökänsliga 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 till sin natur eftersom modellerna är tränade på stora mängder offentligt tillgängliga data. För att verkligen utnyttja förmågor av generativ AI för företagsleverantörskedjan, måste dessa modeller justeras på respektive företagsdata och kontexten som är specifik för din organisation. Med andra ord kan du inte använda en allmänt tränad modell. De datahanteringsutmaningar som datakvalitet, integration och prestanda som hämmar nuvarande transformationsprojekt kan också påverka generativa AI-investeringar, 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, är det att leverantörskedjor kommer att fortsätta att möta nya risker och utanför tillfällen.

Säkerhet & regleringar

Den grundläggande kravet för generativa AI-modeller är tillgång till stora mängder träningsdata för att förstå mönster och kontext. Det sagt, den 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 när antagandet fortsätter att växa och nya tillämpningar av generativ AI upptäcks. Flera AI-experter har uttryckt oro över risken som AI utgör, och bett regeringar att pausa jätte AI-experiment tills tekniksledare 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 tränats och uttryckligen utformats för leverantörskedjeanvändningsfall, är den bästa vägen att gå en balanserad approach till generativa AI-investeringar.

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 från som är i linje med affärsprocesser och mål. Företag som kombinerar “affärs playbooks” med generativ AI kommer att vara bäst lämpade att öka teamens förmåga att planera, fatta beslut och utföra 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.