:quality(85))
Od czasu, gdy OpenAI wprowadziło ChatGPT w listopadzie 2022 roku, świat w różnym stopniu zachwyca się, niepokoi i zdumiewa przełomami technologicznymi oraz pozornie nieograniczonym potencjałem sztucznej inteligencji. W ciągu 18 miesięcy od tamtej premiery firmy pospiesznie integrują platformy i modele AI ze swoimi produktami, procesami wewnętrznymi i całościowymi strategiami korporacyjnymi. W rezultacie to, co było wcześniej równomiernie rosnącym trendem, szybko przerodziło się w inwestycyjną gorączkę.
Zgodnie z danymi The Wall Street Journal, wydatki firm na generatywną AI mogą w tym roku sięgnąć prawie 39 miliardów dolarów — dokładnie dwukrotnie więcej niż w 2023 roku. Prognozy opublikowane w ubiegłym roku przez Goldman Sachs wskazują na jeszcze większy wzrost inwestycji w sektorze AI. Ekonomiści tej instytucji szacują, że inwestycje organizacji w AI mogą zbliżyć się do 100 miliardów dolarów w samych Stanach Zjednoczonych do 2025 roku (w notatce badawczej nie rozróżniono generatywnej AI — takiej jak ChatGPT — i szerzej rozumianych technologii sztucznej inteligencji).
Podczas gdy wiele globalnych korporacji wciąż znajduje się pod urokiem tej rewolucyjnej technologii, już pojawiają się rzetelne dane dokumentujące rzeczywiste przypadki wykorzystania AI w różnych branżach. Badanie firmy McKinsey & Company z grudnia 2022 roku przeanalizowało niemal 1 500 firm z całego świata, by sprawdzić, jak sztuczna inteligencja jest wdrażana w korporacjach i na ile wnosi ona wartość dla tych organizacji. Ustalono, że biznes ogólnie odnotowuje umiarkowany wzrost przychodów i obniżenie kosztów w różnych obszarach, takich jak produkcja, sprzedaż i marketing czy rozwój produktów. Spośród wszystkich aktywności to jednak zarządzanie łańcuchem dostaw najsilniej korzysta z integracji AI — 52% respondentów przyznało, że wdrożenie AI prowadzi do spadku kosztów w procesach zarządzania łańcuchem dostaw, a niemal 60% deklarowało wzrost przychodów.
Podczas gdy wiele globalnych korporacji wciąż znajduje się pod urokiem tej rewolucyjnej technologii, już pojawiają się rzetelne dane dokumentujące rzeczywiste przypadki wykorzystania AI w różnych branżach.
W pewnym sensie to, że AI — a szczególnie jej najnowsze, najbardziej innowacyjne wcielenie, czyli generatywna AI — przynosi korzyści w zarządzaniu łańcuchem dostaw, nie powinno dziwić. Dyscyplina ta opiera się na analizowaniu ogromnych wolumenów danych, wdrażaniu zaawansowanych algorytmów analitycznych na potrzeby planowania i podejmowania decyzji oraz rozpoznawaniu i analizie potencjalnych ryzyk — a więc na wszystkich funkcjach, które można efektywnie usprawnić dzięki unikalnym możliwościom AI.
Jednak w tak praktycznym obszarze, jak zarządzanie łańcuchem dostaw — a w równym stopniu także w zarządzaniu ryzykiem w łańcuchu dostaw (SCRM, Supply Chain Risk Management) — zachwyt nad możliwościami wdrażania najnowocześniejszych platform w codziennej pracy nie wystarczy. Zdecydowanie więcej wnosi pogłębiona analiza rzeczywistych zastosowań sztucznej inteligencji oraz ocena, na ile bilansuje je ryzyko związane z wdrażaniem młodej, drogiej i potencjalnie zakłócającej technologii.
Zastosowania AI w zarządzaniu łańcuchem dostaw
Sztuczna inteligencja przestała być hipotetycznym narzędziem w świecie zarządzania łańcuchem dostaw i SCRM. To dziś potężne, wielofunkcyjne rozwiązanie, które jest już dostępne dla profesjonalistów z branży. Co więcej, AI znajduje już zastosowanie w różnorodnych obszarach, realnie zwiększając wartość dla amerykańskich producentów i innych organizacji.
- Analityka predykcyjna dla sprzętu produkcyjnego
- Prognozowanie popytu
- Mapowanie łańcucha dostaw
- Oceny ryzyka i macierze ryzyka
- Dostawcy alternatywni
Analityka predykcyjna dla sprzętu produkcyjnego
Mimo ogromnej ilości przetwarzanych danych, analityka predykcyjna jest koncepcją bardzo przejrzystą i logiczną. Według definicji Harvard Business School jest to „wykorzystanie danych do przewidywania przyszłych trendów i zdarzeń”. Takie przewidywania mogą, jak podano dalej, dotyczyć bliskiej przyszłości — np. przewidywanie awarii maszyny tego samego dnia — lub dalszych okresów, np. prognozowanie przepływów pieniężnych firmy w nadchodzącym roku.
W zarządzaniu łańcuchem dostaw szczególnie istotny jest pierwszy z tych scenariuszy. Ta specjalistyczna gałąź analityki predykcyjnej bywa określana jako „utrzymanie predykcyjne”. AI oraz uczenie maszynowe analizują ogromne ilości danych pozyskiwanych z sensorów zamontowanych na konkretnych maszynach lub infrastrukturze produkcyjnej. Zbiór danych — obejmujący parametry takie jak temperatura, wibracje, ciśnienie, wilgotność i prędkość — pozwala modelowi AI uczyć się typowych warunków pracy urządzeń. Po kompleksowej analizie danych AI jest w stanie natychmiast wykryć odchylenia od optymalnych parametrów — co pozwala wychwycić symptomy nadchodzącej większej usterki, awarii czy wyłączenia sprzętu z eksploatacji.
Możliwość wykrycia awarii sprzętu zanim ta faktycznie nastąpi — a więc nie tylko ograniczenie skutków zakłócenia, ale potencjalnie nawet całkowite jego uniknięcie — przynosi wymierne korzyści wszystkim uczestnikom łańcucha dostaw elektroniki. Kontraktowi producenci elektroniki (ECM) oraz inni dostawcy mogą uniknąć przestojów, ograniczyć awaryjność i zyskać maksimum produktywności w fabrykach. Podmioty dalej w łańcuchu, w tym OEM (producenci oryginalnego sprzętu) i inne firmy, odnoszą natomiast korzyści w postaci spadku opóźnień i bardziej stabilnej realizacji planów produkcyjnych. W przypadku poważnych awarii, których nie da się skutecznie wyeliminować, utrzymanie predykcyjne AI pozwala przynajmniej szybko ostrzec interesariuszy o mających nastąpić zakłóceniach, co daje im czas na przygotowanie planów awaryjnych oraz racjonalną, precyzyjną reakcję.
Prognozowanie popytu
Prognozowanie zapotrzebowania było praktykowane przez firmy na długo, zanim sam termin stał się popularny w ostatnich dekadach. Producenci przez całe wieki musieli mierzyć się z nieprzewidywalnością i kaprysami rynku. (Na przykład w czasie tzw. „Tulipomanii” w XVII-wiecznej Holandii popyt był tak napompowany, że pojedyncza cebulka tulipana osiągała równowartość 750 000 USD.) Historycznie reakcją producentów było usiłowanie opracowywania skutecznych prognoz bazujących na analizie twardych danych: trendów sprzedaży, sezonowości czy dawnych schematów. Rezultaty tych działań nie zawsze były satysfakcjonujące, bo ludzki mózg ma ograniczone możliwości analizy informacji. Sprawę dodatkowo utrudniały błędy wynikające z niepełnych zbiorów danych, uprzedzeń, błędnych założeń czy emocjonalnych zaangażowań.
Dzisiejsze narzędzia AI eliminują te same ludzkie ograniczenia w prognozowaniu popytu. Co ważniejsze, modele AI są w stanie przeanalizować znacznie większą liczbę czynników niż jakikolwiek ekspert. Oceniają nie tylko historyczne dane sprzedażowe, ale i subtelniejsze, pośrednie wskaźniki, takie jak trendy u konkurencji, makrofaktory ekonomiczne czy zmiany w zachowaniach konsumentów, które mogą zapowiadać istotne zmiany popytu. Niektóre modele AI potrafią nawet wcześnie wykryć symptomy „panic buying”, umożliwiając firmom działanie w sposób strategiczny i elastyczny bez mylnego traktowania chwilowego wzrostu jako trwałej zmiany w popycie.
Wykorzystując te możliwości AI, producenci i inne firmy realnie zwiększają skuteczność prognozowania popytu na swoje produkty. Ograniczają w ten sposób ryzyko strat wynikających z niedoborów w zaopatrzeniu bądź z konieczności improwizowanego pozbywania się nadwyżek magazynowych.
Wykorzystując te możliwości AI, producenci i inne firmy realnie zwiększają skuteczność prognozowania popytu na swoje produkty.
Mapowanie łańcucha dostaw
Jednym z największych wyzwań w pracy specjalistów ds. zaopatrzenia i zakupów jest uzyskanie pełnej wiedzy o skali i strukturze własnego łańcucha dostaw. Badanie przeprowadzone przez McKinsey w 2021 roku pokazuje, jak bardzo skomplikowane i złożone jest mapowanie łańcucha dostaw — oraz jak szybko uzyskiwana widoczność spada przy analizowaniu głębszych warstw poddostawców. O ile niemal połowa ankietowanych menedżerów ds. łańcucha dostaw zadeklarowała dobrą widoczność dostawców pierwszego rzędu, tak dla producentów drugiego rzędu było to już tylko ok. 20%. Z kolei znajomość dostawców trzeciego rzędu zadeklarowało zaledwie 2% badanych.
Możliwość przeprowadzenia głębszego i pełniejszego mapowania łańcucha dostaw daje szereg operacyjnych korzyści. Firmy mające wgląd nawet w dostawców drugiego czy trzeciego rzędu mogą skuteczniej oceniać ryzyka w łańcuchu dostaw; identyfikować materiały, kraje pochodzenia i inne elementy istotne z punktu widzenia zgodności z przepisami; a także precyzyjniej diagnozować przyczyny opóźnień i niedoborów — czyli analizować obszary zwykle niedostępne dla podmiotów z ograniczoną widocznością. Ten ostatni czynnik ma wyjątkowe znaczenie, bo dokładna identyfikacja źródła zakłócenia w łańcuchu pozwala producentom znacznie skuteczniej planować działania naprawcze i rozwiązywać problemy. Gdy wiadomo, że przyczyną niedoborów komponentów u dostawcy pierwszego rzędu jest producent trzeciego rzędu, można bardzo celowo działać wraz z bezpośrednim dostawcą.
Problemem hamującym rozwój mapowania łańcucha dostaw nie jest więc brak wiary w jego wartość, lecz potężne wyzwania logistyczne związane z realną budową tych wizualizacji. Tu właśnie AI może dowieść swojej wartości jako narzędzie wykorzystywane do zbierania rozproszonych, trudno dostępnych zasobów kluczowych do identyfikowania transakcji między producentami oraz w efekcie budowy pełnej struktury poziomów dostawców. Platformy AI potrafią pozyskiwać zamówienia, potwierdzenia dostaw, deklaracje celne, rejestracje frachtu oraz inny dokumentacyjny „łańcuch opieki” dla produktu, komponentów i surowców. Na podstawie takich zbiorów firmy mogą budować głębokie, wysoce dokładne mapy łańcucha dostaw, przekładające się na skuteczniejsze zarządzanie ryzykiem w łańcuchu dostaw (SCRM).
Platformy AI potrafią pozyskiwać zamówienia, potwierdzenia dostaw, deklaracje celne, rejestracje frachtu oraz inny dokumentacyjny „łańcuch opieki” dla produktu, komponentów i surowców.
Oceny ryzyka i macierze ryzyka
Macierz ryzyka to narzędzie wizualne umożliwiające organizacjom ocenę różnych zagrożeń dla działalności operacyjnej. Macierz syntetyzuje zwykle dwa czynniki: prawdopodobieństwo wystąpienia ryzyka oraz skalę jego skutków. Wskaźniki te przyporządkowuje się odpowiednim kategoriom na osiach macierzy, dzięki czemu specjaliści ds. zarządzania ryzykiem mogą w szybki sposób kontekstualizować powagę danej groźby. (Przykładowo: cyberatak dla firmy z bardzo silnymi zabezpieczeniami może mieć niskie prawdopodobieństwo wystąpienia, za to bardzo wysoką skalę skutków.)
Chociaż korzystanie z rzetelnych macierzy ryzyka to kluczowa strategia zespołów SCRM, przypisywanie wartości prawdopodobieństwa i skali w przypadku ryzyk, takich jak awarie fabryk, ekstremalne zjawiska pogodowe czy bankructwo dostawców, zawsze zawiera pewną dozę subiektywizmu. Właśnie tu AI może przynieść wymierną wartość. Zamiast polegać na doświadczeniu, błędnych założeniach lub ograniczonym zasobie danych przy ocenie ryzyka, AI analizuje olbrzymie ilości informacji i jest w stanie przygotować wyjątkowo obiektywne i precyzyjne oceny zagrożeń dla firmy czy branży. Nawet jeśli to zastosowanie AI wydaje się bardzo specjalistyczne, umożliwia organizacjom trafniejszą alokację środków i zoptymalizowanie zarządzania zagrożeniami.
Wyszukiwanie dostawców alternatywnych
Poszukiwanie dostawców alternatywnych — inaczej multisourcing — to kolejna funkcja, którą AI pozwala realizować szybciej i gruntowniej. Wiele firm oferuje dziś modele AI generujące listę potencjalnych dostawców na podstawie konkretnych kryteriów i założeń. Interesujące jest to, że te platformy analizują nie tylko profile samych producentów. Biorą pod uwagę również parametry takie jak kondycja finansowa, wyniki ESG czy satysfakcja klientów, dostarczając w efekcie listę kandydatów precyzyjnie „zweryfikowanych”.
Dzięki szerokiemu zakresowi badań realizowanych przez modele AI w krótkim czasie lista oferowanych firm jest znacznie szersza niż przy klasycznych, ręcznych poszukiwaniach. To szansa na dotarcie m.in. do mniejszych firm (SMB), bardziej zróżnicowanych dostawców i innych podmiotów, które w tradycyjnych procesach mogłyby zostać pominięte.
Mimo że ta konkretna funkcja nie musi być przełomowa dla zespołów zarządzających łańcuchem dostaw, pozwala organizacjom budować wyższą odporność ich SCRM. W artykule Harvard Business Review menedżer ds. zarządzania łańcuchem dostaw z firmy Siemens podkreśla, w jaki sposób aplikacja AI wspiera jego organizację w gromadzeniu informacji o alternatywnych dostawcach, kluczowych dla zabezpieczania się przed przyszłymi zakłóceniami dostaw. „Technologia nie daje pełnej widoczności, która pozwoliłaby zawsze uprzedzić wystąpienie zakłócenia w łańcuchu dostaw” — stwierdził dyrektor ds. zakupów w rozmowie z HBR — „ale może zapewnić informacje, dzięki którym można na nie reagować znacznie szybciej niż tradycyjni kupcy.”
Potencjalne zagrożenia AI w zarządzaniu łańcuchem dostaw
Wskazane wyżej przypadki użycia — oraz rekordowe nakłady inwestycyjne biznesu — potwierdzają olbrzymi potencjał narzędzi i modeli AI w zarządzaniu łańcuchem dostaw. Tak potężna, przełomowa technologia nie jest jednak wolna od wyzwań i ryzyk, które muszą być świadomie brane pod uwagę przez producentów planujących wdrożenie AI.
- Wysokie koszty inwestycyjne
- Sceptycyzm pracowników
- Niezweryfikowane, niepewne dane
Większość dostępnych platform, zarówno tych od dużych firm technologicznych, jak i niszowych start-upów, wiąże się z wysokimi kosztami początkowymi. Przykładowo, wiele rozwiązań AI „szytych na miarę” osiąga ceny przekraczające sześciocyfrowe kwoty. Organizacje powinny podejmować decyzje inwestycyjne z rozwagą, korzystając z narzędzi takich jak analiza kosztów i korzyści czy prognoza zwrotu z inwestycji (ROI), aby trafnie oceniać realną wartość wdrażania nowych technologii.
Ponadto wdrożenie tego typu rozwiązań wymaga szerokiego i autentycznego zaangażowania pracowników. Kadra menedżerska nie powinna jednostronnie podejmować decyzji o ich integracji. Brak jasnego komunikowania celów, scenariuszy użycia i ram wdrożenia może prowadzić do zniechęcenia zespołu, spadku morale pracowników, a nawet ich odejścia.
Wreszcie firmy, które zbyt szybko zaczną polegać na predykcyjnych analizach generowanych przez AI, mogą przecenić wiarygodność i rzetelność przedstawianych ocen. Jak pokazują przekłamania i błędy faktów pojawiające się w ChatGPT, modele AI są uzależnione od jakości zasilających je danych. Błędne, nieaktualne lub „zabrudzone” dane prowadzą do nierzetelnych wniosków i analiz, dlatego należy ostrożnie wdrażać narzędzia AI, które przeszukują niezweryfikowane źródła internetowe.
