:quality(85))
Sinds OpenAI in november 2022 ChatGPT lanceerde, is een groot deel van de wereld op uiteenlopende manieren gefascineerd, verontrust en verbijsterd door de technologische doorbraken en schijnbaar oneindige potentieel van artificial intelligence (AI). In de achttien maanden daarna hebben bedrijven zich gehaast om AI-platforms en -modellen te integreren in hun producten, interne processen en overkoepelende bedrijfsstrategieën. Daardoor is wat ooit een gestaag groeiende trend was, in rap tempo uitgegroeid tot een investeringsgolf.
Volgens The Wall Street Journal zijn bedrijven dit jaar op weg om bijna $39 miljard te besteden aan generatieve AI, precies het dubbele van de uitgaven in 2023. Prognoses die vorig jaar door Goldman Sachs werden gepubliceerd, wijzen op een nog sterkere toename van AI-investeringen. De economen van het financiële bedrijf verwachten dat de investeringen van organisaties in AI in de VS in 2025 kunnen oplopen tot bijna $100 miljard (de analyse maakt geen onderscheid tussen generatieve AI—zoals ChatGPT—andere AI-technologieën).
Hoewel veel van ’s werelds grootste ondernemingen zich nog in de betoverende beginfase bevinden met deze revolutionaire technologie, zijn er inmiddels al betrouwbare gegevens die een staat van dienst aantonen van AI-toepassingen in diverse sectoren. In een McKinsey & Company-onderzoek uit december 2022 werden bijna 1.500 bedrijven wereldwijd bevraagd over hoe artificial intelligence werd geïmplementeerd en in hoeverre die technologie waarde toevoegde aan hun organisatie. Het adviesbureau concludeerde dat bedrijven doorgaans bescheiden omzetstijgingen en kostenverlagingen realiseerden binnen uiteenlopende functies, waaronder productie, sales en marketing, en productontwikkeling. Eén van de activiteiten die echter meer dan andere profiteerde van AI-integratie was supply chain management. Tweeënvijftig procent van de respondenten gaf aan dat AI-implementatie leidde tot kostenvermindering binnen supply chain management-processen. Bijna 60% meldde bovendien een toename in omzet.
Hoewel veel van ’s werelds grootste ondernemingen zich nog in de betoverende beginfase bevinden met deze revolutionaire technologie, zijn er inmiddels al betrouwbare gegevens die een staat van dienst aantonen van AI-toepassingen in diverse sectoren.
Het is nauwelijks verrassend dat AI en haar nieuwste, meest spraakmakende vorm, generatieve AI, voordelen blijkt te bieden binnen supply chain management. Deze operationele discipline steunt op het effectief verwerken van gigantische hoeveelheden data, het inzetten van complexe analyses voor strategievorming en besluitvorming, en het signaleren en analyseren van hypothetische risico’s—allemaal taken die krachtig kunnen worden ondersteund door de unieke mogelijkheden van AI.
Maar voor een zo praktijkgerichte discipline als supply chain management—en in nagenoeg gelijke mate voor het daaraan gerelateerde supply chain-risicomanagement (SCRM)—is het niet voldoende om zich te laten meeslepen door de hype van het inzetten van deze geavanceerde platforms in dagelijkse processen. Veel waardevoller is het om kritisch te onderzoeken wat de reële use cases voor artificial intelligence zijn, en of deze wel opwegen tegen de potentiële risico’s van het introduceren van een jonge, prijzige en mogelijk disruptieve technologie.
De use cases voor AI in supply chain management
Artificial intelligence is geen hypothetisch concept meer in supply chain management en SCRM. Het is een krachtig, veelzijdig instrument dat direct beschikbaar is voor supply chain-professionals. Sterker nog, AI wordt nu al op uiteenlopende manieren ingezet die tastbare waarde creëren voor Amerikaanse fabrikanten en andere organisaties.
- Predictive analytics voor productieapparatuur
- Vraagvoorspelling
- Supply chain mapping
- Risicobeoordelingen en risicomatrices
- Alternatieve leveranciers
Predictive analytics voor productieapparatuur
In tegenstelling tot de verbijsterende hoeveelheid informatie die bijdraagt aan predictive analytics, is het concept zelf uiterst helder en praktisch. Harvard Business School definieert het als "het gebruik van data om toekomstige trends en gebeurtenissen te voorspellen". Dergelijke voorspellingen "kunnen betrekking hebben op de nabije toekomst—bijvoorbeeld het voorspellen van een storing in een machine later die dag—of verder vooruit, zoals het voorspellen van de kasstromen van uw organisatie voor het komende jaar".
In de context van supply chain management is het eerstgenoemde scenario het meest relevant. Dit deelgebied van predictive analytics wordt vaak "predictive maintenance" genoemd. Hierbij verzamelen AI en machine learning grote hoeveelheden data van sensoren die specifieke apparatuur of infrastructuur monitoren. De data, met gedragsmetingen zoals temperatuur, vibratie, druk, luchtvochtigheid en snelheid, stelt het AI-model in staat om normale bedrijfscondities van machines te leren herkennen. Zodra deze data grondig is geanalyseerd, kan AI onmiddellijk afwijkingen van deze optimale condities signaleren—en zo potentiële voortekenen van een grotere storing, uitval of apparatuurdefect identificeren.
Het vermogen om een dreigende uitval van apparatuur tijdig te ontdekken—en zo niet alleen verstoring te verminderen, maar mogelijk geheel te voorkomen—kan diverse stakeholders in de elektronica-toeleveringsketen ten goede komen. Elektronicafabrikanten en andere leveranciers kunnen storingen voorkomen, apparatuur-uitval beperken en productiviteit maximaliseren in fabrieken en andere productielocaties. Stroomafwaarts profiteren OEM’s en andere bedrijven van minder vertragingen en productiestoringen, waardoor productieafspraken consistenter gehaald worden. En wanneer ernstige uitval zich toch dreigt voor te doen, kan predictive maintenance door AI diverse stakeholders tijdig waarschuwen voor op handen zijnde verstoringen, zodat zij proactief kunnen inspelen met nauwgezette contingencyplanning.
Vraagvoorspelling
Organisaties houden zich al eeuwenlang bezig met vraagvoorspelling, lang voordat die term werd geïntroduceerd en populair werd gemaakt. Fabrikanten staan sinds mensenheugenis bloot aan grillen en onvoorspelbaarheid van de markt. (Ten tijde van de "tulpenmanie" in Nederland in de 17e eeuw steeg de vraag bijvoorbeeld zo drastisch dat een enkele tulpenbol omgerekend tot $750.000 waard kon zijn.) Vroeger probeerden bedrijven effectieve voorspellingen—of "forecasts"—te baseren op kwantitatieve data, zoals verkooptrends, seizoensinvloeden en historische patronen. De uitkomsten waren wisselend, mede doordat mensen maar een beperkte hoeveelheid data kunnen verwerken. Daarnaast werden voorspellingen vaak gekleurd door interne biases, onjuiste verwachtingen of zelfs onbewuste emotionele betrokkenheid.
De nieuwe generatie AI-modellen beschikt niet over dezelfde menselijke tekortkomingen rondom vraagvoorspelling. Veel belangrijker nog, deze AI-platforms kunnen aanzienlijk meer data verwerken dan hun menselijke tegenhangers ooit zouden kunnen. Daarnaast kijken ze verder dan louter historische verkoopcijfers en nemen ze indirecte, genuanceerdere gegevens mee, zoals prestaties van concurrenten, macro-economische ontwikkelingen en veranderingen in consumentengedrag die op grote verschuivingen in vraag kunnen wijzen. Bepaalde AI-modellen zijn zelfs in staat om vroege tekenen van paniekinkopen op te merken, waardoor bedrijven strategisch en opportunistisch kunnen inspelen, zonder een tijdelijke piek te interpreteren als een structurele trend.
Door de mogelijkheden van AI-tools te benutten, kunnen fabrikanten en andere bedrijven hun vermogen aanzienlijk vergroten om de marktvraag naar hun producten te voorspellen. Daardoor lopen zij aanzienlijk minder risico op kostbare leveringsproblemen of het ad hoc moeten afstoten van onverkochte voorraden.
Door de mogelijkheden van AI-tools te benutten, kunnen fabrikanten en andere bedrijven hun vermogen aanzienlijk vergroten om de marktvraag naar hun producten te voorspellen.
Supply chain mapping
Een van de grootste uitdagingen voor professionals in strategische sourcing en inkoop is het verkrijgen van volledig inzicht in hun supply chains. Uit een door McKinsey uitgevoerd onderzoek uit 2021 blijkt hoe lastig uitgebreide supply chain mapping is—en hoe moeilijk het wordt naarmate er dieper in het leveranciersnetwerk wordt gekeken. Terwijl bijna de helft van de ondervraagde supply chain-leidinggevenden aangaf goed zicht te hebben op hun Tier-1-leveranciers, daalde dat percentage tot zo’n een vijfde voor Tier-2-fabrikanten. Zichtbaarheid voorbij Tier-2 was vrijwel nihil: slechts 2% gaf aan te weten wie hun Tier-3-leveranciers waren.
Het vermogen om diepgaandere, meer volledige supply chain mapping uit te voeren levert operationeel veel op. Organisaties die inzicht hebben in Tier-2- en Tier-3-leveranciers kunnen grondiger risicobeoordelingen uitvoeren, relevante gegevens verzamelen voor compliance (zoals gebruikte materialen en landen van herkomst), en vertragingen of tekorten nauwkeurig tot hun bron herleiden. Dit laatste is vooral belangrijk doordat het kunnen aanwijsbaar maken van de oorzaak van een verstoring fabrikanten in staat stelt aanzienlijk effectiever te handelen. Wanneer u weet dat een specifieke Tier-3-fabrikant de oorzaak is van een producttekort bij een Tier-1-leverancier, kunt u samen met deze directe leverancier gerichte oplossingen ontwikkelen.
De grote uitdaging van supply chain mapping is echter niet de meerwaarde, maar de enorme logistieke complexiteit van het daadwerkelijk samenstellen van deze datagedreven visualisaties. Hier kan AI een doorslaggevende rol spelen. AI-tools kunnen het internet systematisch doorzoeken naar relevante, vaak moeilijk vindbare bronnen die transacties tussen fabrikanten en leveranciers blootleggen—en daarmee inzicht bieden in de structurering van alle supplier tiers. AI-platforms kunnen orders, ontvangstbewijzen, douanedeclaraties, transportboekingen en andere documentatie verzamelen die de chain of custody voor uw product, componenten en grondstoffen aantonen. Met deze gegevens en documentatie kunnen organisaties diepere en robuustere supply chain-kaarten maken die waardevolle input leveren voor supply chain-risicomanagement (SCRM).
AI-platforms kunnen orders, ontvangstbewijzen, douanedeclaraties, transportboekingen en andere documentatie verzamelen die de chain of custody voor uw product, componenten en grondstoffen aantonen.
Risicobeoordelingen en risicomatrices
Een risicomatrix is een visueel hulpmiddel waarmee organisaties diverse risico’s voor business en operaties kunnen evalueren. Meestal brengt de matrix twee hoofdfactoren samen: de waarschijnlijkheid dat een risico zich voordoet, en de ernst van het effect indien dit gebeurt. Deze factoren worden ingedeeld op een x- en y-as zodat risicomanagement-professionals de mate van dreiging kunnen beoordelen en contextualiseren. (Een cyberaanval wordt bijvoorbeeld mogelijk als weinig waarschijnlijk beoordeeld bij sterke beveiligingsmaatregelen, maar met hoge ernst.)
Hoewel het werken met een robuuste risicomatrix een essentiële strategie is voor SCRM-teams, blijft het inschalen van waarschijnlijkheid en ernst van scenario’s als fabriekssluitingen, extreem weer of leverancier-faillissementen een kwestie van aannames. Precies deze taak kan door AI doeltreffend worden ingevuld. In plaats van te vertrouwen op persoonlijke ervaringen, onvolledige datasets of vooroordelen, kan AI grote volumes aan informatie verwerken en zeer objectieve, accurate risicobeoordelingen maken voor uw organisatie en sector. Hoewel dit een nichetoepassing is, stelt het organisaties in staat om middelen efficiënter toe te wijzen op basis van preciezere dreigingsanalyses.
Alternatieve leveranciers identificeren
Het zoeken naar alternatieve leveranciers—ook wel multisourcing genoemd—is een relatief eenvoudige praktische functie waar AI-tools organisaties grondiger en vollediger in kunnen ondersteunen. Verschillende bedrijven bieden AI-modellen aan die uw organisatie een lijst aan potentiële leveranciers leveren aan de hand van specifieke criteria. Deze modellen zoeken niet alleen fabrikanten die aan de vereiste specificaties voldoen, maar evalueren bovendien factoren als financiële parameters, ESG-prestaties en klanttevredenheid voor een selectie van grondig "gevalideerde" kandidaten.
Doordat AI-modellen in korte tijd een zeer breed onderzoeksveld bestrijken, leveren zij een aanzienlijk uitgebreider overzicht van potentiële leveranciers dan op basis van handmatig onderzoek ooit denkbaar was. Dit omvat bijvoorbeeld ook kleine tot middelgrote ondernemingen (mkb's), meer diverse leveranciers en andere partijen die anders vaak over het hoofd gezien worden.
Hoewel deze specifieke functie niet per se transformatief is voor supply chain management-teams, stelt het organisaties wel in staat hun veerkracht binnen SCRM te vergroten. In een artikel van de Harvard Business Review benoemt een supply chain management-directeur van Siemens hoe een AI-applicatie zijn organisatie helpt bij het verzamelen van kritische informatie over alternatieve leveranciers—essentieel voor het kunnen beheersen van toekomstige supply chain-problemen. Zoals de senior director stelt: "Technologie geeft u geen zichtbaarheid waarmee u verstoringen altijd kunt voorkomen voordat ze ontstaan, maar ze verschaft wel informatie waarmee u veel sneller op supply chain-verstoringen kunt reageren dan menselijke inkopers."
De potentiële risico’s van AI in supply chain management
De hierboven geschetste use cases—samen met de enorme investeringen vanuit het bedrijfsleven—onderstrepen het grote potentieel van artificial intelligence-tools en -modellen binnen supply chain management. Maar zo’n revolutionaire technologie kent onvermijdelijk ook risico’s. Fabrikanten die AI willen implementeren moeten zich bewust zijn van deze inherente valkuilen.
- Hoge initiële kosten
- Scepsis onder medewerkers
- Onbetrouwbare, niet-gevalideerde data
Veel platforms die momenteel op de markt zijn, van zowel grote technologiebedrijven als start-ups, kennen aanzienlijke initiële kosten. Vooral maatwerk AI-oplossingen kunnen oplopen tot in de zes cijfers. Organisaties doen er verstandig aan om zorgvuldig en gestructureerd te werk te gaan bij dergelijke investeringen, en bijvoorbeeld kost-batenanalyses en inschattingen van return on investment (ROI) te gebruiken om de toegevoegde waarde van de technologie te beoordelen.
Daarnaast is brede, goed gefundeerde steun van medewerkers noodzakelijk voor succesvolle implementatie. Leidinggevenden dienen niet overhaast of eenzijdig te beslissen over integratie van deze tools. Zonder duidelijke communicatie over de context, toepassingen en randvoorwaarden loopt u het risico medewerkers te vervreemden, het moreel te schaden of zelfs tot uitstroom te leiden.
Tot slot lopen bedrijven die overhaast handelen op basis van de verschillende predictive analytics van AI-oplossingen het risico de betrouwbaarheid van de uitkomsten te overschatten. Zoals iedereen die de feitelijke onjuistheden van ChatGPT heeft ervaren weet, is AI afhankelijk van de kwaliteit van de data waarmee het gevoed wordt. Verkeerde, verouderde of "vervuilde" data leidt tot onbetrouwbare analyses. Gebruikers doen er daarom verstandig aan zorgvuldig te werk te gaan bij de eerste toepassing van AI-tools die data verzamelen uit elke niet-gevalideerde uithoek van het internet.
