ช่องแยก AI ถัดไป: ทำไมบริษัทโลจิสติกส์ระดับกลางต้องแก้ไขโครงสร้างพื้นฐานก่อนจึงจะใช้ AI ได้

การสนทนาเกี่ยวกับ AI มัก มุ่งเน้นที่การเข้าถึง, โดยสมมติว่าหลังจากที่บริษัทเข้าถึงโมเดลและเครื่องมือที่เหมาะสมแล้ว ความท้าทายต่อไปคือการหาวิธีใช้มัน สำหรับบริษัทโลจิสติกส์ระดับกลาง นั่นไม่จำเป็นต้องเป็นจุดเริ่มต้นของปัญหา

ในคลังสินค้าจำนวนมากและผู้ให้บริการโลจิสติกส์บุคคลที่สาม (3PL) ช่องว่างมักไม่ใช่ระบบที่หายไป. ส่วนใหญ่มีแล้ว ระบบจัดการคลังสินค้า (WMS), ซอฟต์แวร์การวางแผนทรัพยากรองค์กร (ERP) หรือชุดบัญชี, การเชื่อมต่อผู้ให้บริการขนส่งและ EDI กับลูกค้าขนาดใหญ่ของพวกเขา. ปัญหาคือสิ่งที่เกิดขึ้นระหว่างระบบเหล่านั้น.

การเชื่อมต่อแบบจุดต่อจุดสะสมขึ้นตามเวลา. ลูกค้าหรือพันธมิตรการค้าเชื่อมต่อทางหนึ่ง, พันธมิตรอื่นเชื่อมต่อทางอื่นและในที่สุดไม่มีใครมีมุมมองครบถ้วนว่าอะไรสื่อสารกับอะไร. การบูรณาการยังขึ้นอยู่กับคน, เช่นเมื่อมีคนกรอกข้อมูลคำสั่งซื้อใหม่จากพอร์ทัลลูกค้าหรือทำการกระทบยอดการจัดส่งของเมื่อวานในสเปรดชีตทุกเช้า. 3PL อาจไม่รู้ว่าการทำธุรกรรมล้มเหลวจนกระทั่งลูกค้าโทรสอบถามว่าคำสั่งซื้อของพวกเขาอยู่ที่ไหน.

ไม่มีสิ่งใดจากนั้นปรากฏในรายการสินทรัพย์ IT, ซึ่งเป็นเหตุผลที่ทำให้ประเมินปัญหาได้ต่ำเกินไป. 

ปัญหาอยู่ที่การส่งต่อ

ปัญหาการดำเนินงานที่ใหญ่ที่สุดมักเกิดขึ้นที่การส่งต่อ, ที่คำสั่งซื้อ, ใบรับหรือการจัดส่งย้ายจากระบบหรือบริษัทหนึ่งไปยังอีกระบบหนึ่ง:

• คำสั่งซื้อเข้าที่มาถึงช้าหรือรูปแบบผิดพลาดอาจทำให้พลาดช่วงการจัดส่งและพลาดวันที่จัดส่ง.
• การแจ้งเตือนการจัดส่งล่วงหน้าที่ไม่ตรงกับสิ่งที่มาถึงจริงอาจทำให้การรับของหยุดชั่วคราวขณะที่พนักงานตรวจสอบทุกพาเลท.
• การยืนยันการจัดส่งที่ไม่ถึงระบบของลูกค้าอาจทำให้เกิดความล่าช้าในการเรียกเก็บเงินและนำไปสู่การเรียกคืนเงิน, ซึ่งผู้ค้าปลีกจะหักค่าปรับจากความผิดพลาดในการปฏิบัติตาม.

สำหรับ 3PL ปัญหาเหล่านี้จะเพิ่มขึ้นเนื่องจากลูกค้าแต่ละรายมีรูปแบบ, กฎและความคาดหวังของตนเอง. พื้นคลังสินค้าปกติทำงานได้ดี, แต่การไหลของข้อมูลรอบ ๆ มันกลับขัดข้อง. 

ความแตกต่างนี้จะสำคัญยิ่งขึ้นเมื่อบริษัทนำ AI เข้ามาในกระบวนการทำงาน เนื่องจาก AI สามารถทำงานได้เฉพาะกับข้อมูลที่มีอยู่. การเชื่อมต่อ chatbot หรือ copilot กับระบบเดียวอาจเป็นการสาธิตที่ดี, แต่ไม่ได้ทำให้ระบบนั้นมองเห็นการดำเนินงานที่ครอบคลุมหลายระบบ.

ในโลจิสติกส์ คำถามที่มีประโยชน์มักข้ามขอบเขตเหล่านั้น, ดังนั้นคำตอบเกี่ยวกับคำสั่งซื้ออาจต้องอ้างอิงข้อมูลจาก WMS, ERP และระบบการขนส่งหรือระบบลูกค้า. เครื่องมือ AI ที่มองเห็นเพียงส่วนหนึ่งของกระบวนการนั้นทำงานจากภาพที่ไม่สมบูรณ์.

กำลังมีช่องว่างที่เพิ่มขึ้นระหว่างบริษัทที่โครงสร้างพื้นฐานของพวกเขา ทำให้ AI สามารถทำงานกับข้อมูลที่ต้องการได้ กับบริษัทที่ระบบยังคงแยกจากกัน, และนั่นคือจุดที่ช่องแยก AI ถัดไปกำลังเกิดขึ้น. 

AI ต้องการพื้นฐานที่สามารถทำงานได้จริง

โครงสร้างพื้นฐานที่พร้อมใช้งาน AI อย่างแท้จริงควรอธิบายในแง่การดำเนินการไม่ใช่แง่เทคโนโลยี. ทุกเหตุการณ์สำคัญ เช่น คำสั่งซื้อ, ใบรับ, การเคลื่อนย้ายสินค้าคงคลัง หรือการจัดส่ง, ควรผ่านศูนย์กลางร่วมกัน แทนที่จะเป็นการเชื่อมต่อแยกส่วนหลายรายการ. รูปแบบที่พันธมิตรการค้าส่งควรหยุดเป็นปัญหาของคลังสินค้า. X12, EDIFACT, XML หรือ JSON ควรทำให้เป็นมาตรฐานเดียวกันก่อนที่ใครก็ตามในขั้นตอนต่อไปจะต้องพิจารณาเรื่องรูปแบบ.

ทีมต้องทราบเมื่อมีความล้มเหลวภายในไม่กี่นาที, ก่อนที่ปัญหาจะถึงลูกค้า. ข้อมูลเดียวกันที่พนักงานใช้ในการระบุและแก้ไขปัญหานั้นควรเข้าถึงได้สำหรับซอฟต์แวร์และเอเจนต์ AI ผ่าน API ที่สะอาดและรักษาการอนุญาตที่มีอยู่. นอกจากนี้ยังต้องมีบันทึกของสิ่งที่เกิดขึ้นเพื่อให้เมื่อ AI เสนออะไรบางอย่าง, บุคคลสามารถตรวจสอบเหตุผลได้. 

เมื่อเงื่อนไขเหล่านั้นพร้อม, การเพิ่ม AI จะง่ายขึ้นมาก. นั่นไม่ได้หมายความว่าบริษัทระดับกลางต้องเปลี่ยนสแต็กเทคโนโลยีทั้งหมด. ในความเป็นจริง, 3PL ระดับกลางแทบไม่มีความจำเป็นต้องมี WMS หรือ ERP ใหม่เพียงเพื่อให้พร้อมใช้งาน AI. วิธีที่เป็นประโยชน์มากกว่าคือปล่อยระบบหลักไว้และแก้ไขการเชื่อมต่อระหว่างระบบเหล่านั้น.

ศูนย์กลางเดียวที่ทุกระบบและพันธมิตรเชื่อมต่อเป็นเรื่องง่ายต่อการจัดการมากกว่าการมีเครือข่ายของการเชื่อมต่อแบบครั้งเดียว.

AI สามารถช่วยสร้างโครงสร้างพื้นฐาน

นี่ก็เป็นจุดที่ AI สามารถเป็นประโยชน์อย่างยิ่งสำหรับบริษัทระดับกลาง. โดยปกติ, การบูรณาการต้องอาศัยคนอ่านสเปคของพันธมิตร, ทำแผนที่ฟิลด์ด้วยมือและทดสอบการแมปเหล่านั้นหนึ่งพันธมิตรต่อครั้ง. แผนที่พันธมิตรเดียวอาจใช้เวลาหลายสัปดาห์ของงานมือ, การทดสอบและการสื่อสารกลับไปกลับมากับพันธมิตร.

โมเดล AI ปัจจุบันสามารถอ่านสเปคและไฟล์ตัวอย่าง, เสนอการแมปและทดสอบกับธุรกรรมจริง. จากนั้นคนสามารถตรวจสอบและอนุมัติผลลัพธ์ได้.

AI สามารถลดงานที่ต้องทำด้วยมือในการสร้างเวอร์ชันแรกของการแมป EDI ผู้เชี่ยวชาญสามารถเริ่มด้วยร่างแรก แล้วตรวจสอบและแก้ไขก่อนส่งผ่านกระบวนการตรวจสอบของพันธมิตรที่มีอยู่ ทำให้ผู้เชี่ยวชาญใช้เวลาน้อยลงในการสร้างการแมปฟิลด์ต่อฟิลด์ในขณะที่ยังคงควบคุมผลลัพธ์สุดท้ายได้

แต่มีความแตกต่างที่สำคัญระหว่างการใช้ AI เพื่อการบูรณาการและการไว้วางใจ AI กับการบูรณาการ

เมื่อทำเช่นนี้ ฉันใช้วิธีที่เรียกว่า “Propose, Ground, Verify, Confirm.”

AI เสนอการตั้งค่าพันธมิตรและการแมปฟิลด์ มันอิงจากสเปคจริงและไฟล์ตัวอย่างแทนการสร้างฟิลด์หรือโค้ดขึ้นมาใหม่ กระบวนการตรวจสอบแยกต่างหากจะเปรียบเทียบการแมปฟิลด์ต่อฟิลด์กับเอกสารจริง จากนั้นบุคคลจะยืนยันผลลัพธ์ก่อนที่มันจะเข้าสู่กระแสลูกค้าจริง

เราได้เรียนรู้ว่าทำไมระเบียบวินัยนี้จึงสำคัญโดยการทดสอบแผนที่ที่สร้างโดย AI กับเอกสารการผลิตจริง

ในการทดสอบหนึ่ง แผนที่ที่สร้างโดย AI อ่านเอกสารการโอนสินค้าคลังโดยไม่มีข้อผิดพลาดแต่ยังคงละทิ้งรายการทั้งหมด 15 รายการ อีกการทดสอบหนึ่ง แผนที่เก็บข้อมูลของทุกฝ่ายทั้งหกในใบสั่งขนส่ง แต่สูญเสียโค้ดที่ระบุว่าฝ่ายใดเป็นผู้รับสินค้า รวมถึงที่อยู่ถนน การตรวจสอบอัตโนมัติของเราตั้งชื่อแผนที่ว่า “สะอาด” แต่ผู้เชี่ยวชาญ EDI พบช่องโหว่นั้น

แม้แต่ข้อมูลอ้างอิงก็อาจผิดพลาด ไฟล์มาตรฐานที่อ้างว่าผ่านการตรวจสอบข้ามกันกลับขัดแย้งกับมาตรฐานที่เผยแพร่ในทุกส่วนที่เราทดสอบ

บทเรียนคือผลลัพธ์บางส่วนอาจยากต่อการสังเกตมากกว่าการขาดหายไป การตรวจสอบต้องเปรียบเทียบทุกฟิลด์ในเอกสารจริงกับสิ่งที่แผนที่จับได้ การยืนยันว่าเอกสารสามารถแยกวิเคราะห์ได้ไม่เพียงพอ

ผลลัพธ์ที่เชื่อถือได้ขึ้นอยู่กับระเบียบวินัยที่ล้อมรอบโมเดล ตั้งแต่การใช้งานจนถึงการตรวจสอบผลลัพธ์

คุณค่ามาเริ่มตั้งแต่ก่อน AI จะตัดสินใจ

งานโครงสร้างพื้นฐานยังมีคุณค่าอยู่ไกลก่อนที่เอเย่นต์ AI จะให้คำแนะนำเชิงปฏิบัติ 3PL ที่เราทำงานด้วยใช้ SAP ควบคู่กับระบบคลังสินค้า ทุกการรับสินค้าเข้าต้องใช้การป้อนข้อมูลด้วยมือเป็นเวลา 3 ถึง 5 นาที และสินค้าคงเหลือใน SAP ล่าช้าประมาณ 20 นาทีจากท่าเรือ

เมื่อสองระบบเชื่อมต่อโดยตรง ความล่าช้านั้นกลายเป็นเวลาจริงเกือบทั้งหมด การดำเนินงานประหยัดแรงงานกว่า 980 ชั่วโมงต่อปี รวมถึง 775 ชั่วโมงจากงานส่งออก การติดตามด้วยสเปรดชีตหายไป ในขณะที่ป้ายกำกับ ใบตราส่งสินค้า และรายการบรรจุเริ่มสร้างโดยอัตโนมัติ คลังสินค้ารักษากระบวนการทำงานเดิมไว้ ทำให้ไม่มีพนักงานต้องได้รับการฝึกใหม่

บทเรียนที่เราได้จากโครงการนั้นใหญ่กว่าการประหยัดแรงงาน เมื่อสองระบบแชร์ภาพข้อมูลเดียวกัน ภาพเดียวกันนั้นก็เป็นสิ่งที่เอเย่นต์ AI ต้องการเพื่อให้เป็นประโยชน์

การเชื่อมต่อเป็นขั้นตอนที่ทำให้ทุกอย่างต่อจากนั้นเป็นไปได้

ความพร้อมของ AI เริ่มต้นด้วยการบูรณาการ

สำหรับบริษัทที่กำลังตัดสินใจว่าจะเริ่มต้นจากจุดไหน การบูรณาการควรเป็นอันดับแรก โดยให้ AI ทำงานบูรณาการส่วนใหญ่ บ่อยครั้งที่ข้อผิดพลาดของฝ่ายปฏิบัติการคือการมองว่า AI เป็นสิ่งที่ควรอยู่เฉพาะตอนท้ายของกระบวนการ AI สามารถช่วยทำงานบูรณาการให้เร็วขึ้นและมีค่าใช้จ่ายน้อยลงในขั้นเริ่มต้น จากนั้นช่วยในการตัดสินใจเมื่อพื้นฐานนั้นพร้อมแล้ว

บริษัทโลจิสติกส์ระดับกลางไม่จำเป็นต้องมีเทคโนโลยีเพิ่มขึ้นหลายอย่าง เนื่องจากหลายบริษัทมีระบบที่ต้องการแล้ว โอกาสคือทำให้ระบบเหล่านั้นทำงานร่วมกัน นั่นคือจุดที่ AI สามารถมีบทบาทที่เกินกว่าการสร้างคำตอบอีกหนึ่งบนหน้าจอ