การประเมินกระแส ความเสี่ยง และคุณค่าในอนาคตของ AI ในการบริหารห่วงโซ่อุปทาน

นับตั้งแต่ OpenAI เปิดตัว ChatGPT ในเดือนพฤศจิกายน 2022 โลกจำนวนมากต่างก็รู้สึกตื่นตาตื่นใจ กังวล หรืออึ้งกับความก้าวหน้าทางเทคโนโลยีและศักยภาพของปัญญาประดิษฐ์ (AI) ที่ดูเหมือนไม่มีขีดจำกัด ในช่วง 18 เดือนที่ผ่านมา บริษัทจำนวนมากต่างเร่งนำแพลตฟอร์มและโมเดล AI เข้ามาใช้กับผลิตภัณฑ์ กระบวนการภายในองค์กร และกลยุทธ์ระดับองค์กร โดยสิ่งที่เคยเป็นเพียงแนวโน้มที่เติบโตแบบต่อเนื่อง กลายเป็นกระแสการลงทุนที่ขยายตัวอย่างรวดเร็ว

ตามข้อมูลจาก The Wall Street Journal ธุรกิจต่าง ๆ มีแนวโน้มที่จะใช้จ่ายกับ Generative AI เกือบ 39 พันล้านดอลลาร์ในปีนี้ ซึ่งเป็นสองเท่าของปี 2023 นอกจากนี้ การคาดการณ์ที่เผยแพร่โดย Goldman Sachs ยังสะท้อนให้เห็นถึงการเติบโตของการลงทุนใน AI ที่สูงยิ่งขึ้น นักเศรษฐศาสตร์ของบริษัทการเงินนี้เชื่อว่า การลงทุนด้าน AI ขององค์กรในสหรัฐฯ อาจแตะ 100 พันล้านดอลลาร์ภายในปี 2025 (หมายเหตุการวิจัยไม่ได้จำแนก Generative AI ที่เป็นรูปแบบของ ChatGPT ออกจากเทคโนโลยีปัญญาประดิษฐ์รูปแบบอื่น)

แม้ว่าบริษัทชั้นนำหลายแห่งของโลกจะยังคงอยู่ในช่วง "ฮันนีมูน" กับเทคโนโลยีใหม่ที่ปฏิวัติวงการนี้ แต่ขณะนี้เริ่มมีข้อมูลเชิงประจักษ์จำนวนหนึ่งที่แสดงกรณีการใช้งาน AI ในอุตสาหกรรมต่าง ๆ งานวิจัยของ McKinsey & Company ในเดือนธันวาคม 2022 พบว่า หลังจากสำรวจบริษัทเกือบ 1,500 แห่งทั่วโลกเกี่ยวกับการนำ AI เข้ามาใช้ในองค์กรและคุณค่าที่เกิดขึ้น พบว่าธุรกิจส่วนใหญ่สามารถเพิ่มรายได้และลดต้นทุนแบบพอเหมาะในงานหลากหลายด้าน เช่น การผลิต การขายและการตลาด และการพัฒนาผลิตภัณฑ์ อย่างไรก็ตาม หนึ่งในกิจกรรมที่ได้รับประโยชน์มากที่สุดจากการผสาน AI คือการบริหารห่วงโซ่อุปทาน โดย 52% ของผู้ตอบแบบสอบถามรายงานว่าการใช้ AI ส่งผลให้ต้นทุนในกระบวนการบริหารห่วงโซ่อุปทานลดลง นอกจากนี้เกือบ 60% ระบุว่าสามารถเพิ่มรายได้จากการใช้ AI ได้

แม้ว่าบริษัทชั้นนำหลายแห่งของโลกจะยังคงอยู่ในช่วง "ฮันนีมูน" กับเทคโนโลยีใหม่ที่ปฏิวัติวงการนี้ แต่ขณะนี้เริ่มมีข้อมูลเชิงประจักษ์จำนวนหนึ่งที่แสดงกรณีการใช้งาน AI ในอุตสาหกรรมต่าง ๆ

ในหลายแง่มุม การที่ AI โดยเฉพาะ Generative AI ซึ่งเป็นรูปแบบที่น่าตื่นตาตื่นใจ จะมีประโยชน์ต่อการบริหารห่วงโซ่อุปทานนั้นไม่ใช่เรื่องน่าแปลกใจ เพราะการดำเนินงานในด้านนี้พึ่งพาการวิเคราะห์ข้อมูลจำนวนมหาศาล การประมวลผลวิเคราะห์เชิงซ้อนสำหรับกำหนดกลยุทธ์และการตัดสินใจ รวมถึงการตรวจจับและวิเคราะห์ความเสี่ยงในอนาคต—all ซึ่งสามารถเสริมศักยภาพได้อย่างยิ่งด้วยความสามารถเฉพาะของ AI

แต่สำหรับสาขาที่เน้นการใช้งานจริงอย่างการบริหารห่วงโซ่อุปทาน และโดยเฉพาะอย่างยิ่ง การบริหารความเสี่ยงห่วงโซ่อุปทาน (SCRM) การตื่นเต้นกับศักยภาพของแพลตฟอร์มล้ำสมัยเหล่านี้อาจยังไม่เพียงพอ ประเด็นที่สำคัญกว่าคือการเจาะลึกและตั้งคำถามถึงกรณีใช้งานของ AI ว่ามีจริงหรือไม่ และข้อดีเหล่านั้นชดเชยกับความเสี่ยงของเทคโนโลยีที่เพิ่งเริ่มต้น ลงทุนสูง และอาจก่อให้เกิดการเปลี่ยนแปลงหรือปัญหาในระบบหรือไม่

กรณีใช้งาน AI ในการบริหารห่วงโซ่อุปทาน

ปัญญาประดิษฐ์มิใช่เพียงข้อสมมติอีกต่อไปในโลกของการบริหารห่วงโซ่อุปทานและ SCRM แต่เป็นเครื่องมืออำนาจหลากหลายที่มืออาชีพภาคห่วงโซ่อุปทานสามารถเข้าถึงและใช้งานได้จริงแล้วในปัจจุบัน และยังถูกนำมาใช้ในทางที่หลากหลายเพื่อเพิ่มมูลค่าจับต้องได้ให้กับผู้ผลิตในสหรัฐฯ และองค์กรอื่น ๆ

• การวิเคราะห์เชิงพยากรณ์สำหรับอุปกรณ์การผลิต
• การพยากรณ์ความต้องการ
• การทำ Mapping ห่วงโซ่อุปทาน
• การประเมินความเสี่ยงและแมทริกซ์ความเสี่ยง
• การหาซัพพลายเออร์ทดแทน

การวิเคราะห์เชิงพยากรณ์สำหรับอุปกรณ์การผลิต

แม้ปริมาณข้อมูลสนับสนุนจะมหาศาล แต่แนวคิดของการวิเคราะห์เชิงพยากรณ์นั้นตรงไปตรงมาและมีเหตุมีผล Harvard Business School ให้นิยามว่า "การนำข้อมูลมาใช้เพื่อคาดการณ์แนวโน้มและเหตุการณ์ในอนาคต" ซึ่งการคาดการณ์อาจเป็นระยะใกล้ เช่น คาดการณ์การทำงานผิดปกติของเครื่องจักรในวันนั้น หรือระยะไกล เช่น พยากรณ์กระแสเงินสดของบริษัทในปีถัดไป

ในบริบทของการบริหารห่วงโซ่อุปทาน ประเด็นแรกนี้เป็นที่สนใจอย่างยิ่ง โดยบทบาทหนึ่งของการวิเคราะห์เชิงพยากรณ์นี้ คือ "Predictive Maintenance" ซึ่งระบบ AI และ Machine Learning จะรวบรวมข้อมูลจำนวนมากจากเซ็นเซอร์ที่ติดตั้งและเฝ้าตรวจสอบอุปกรณ์หรือโครงสร้างพื้นฐาน ข้อมูลที่ครอบคลุมเช่น อุณหภูมิ การสั่นสะเทือน ความดัน ความชื้น และความเร็ว จะช่วยให้โมเดล AI เรียนรู้สภาพการใช้งานตามปกติของเครื่องจักร เมื่อตรวจสอบข้อมูลเหล่านี้ AI จะสามารถตรวจจับความผิดปกติจากสภาพปกติได้ทันที—จึงสามารถระบุสัญญาณเริ่มต้นก่อนเกิดปัญหาใหญ่หรือความล้มเหลวของอุปกรณ์

การตรวจจับความผิดปกติของอุปกรณ์ก่อนที่จะเกิดขึ้นจริงนั้น ไม่เพียงช่วยลดการหยุดชะงักแต่ยังสามารถป้องกันปัญหาได้โดยตรง ประโยชน์นี้จะส่งต่อไปตลอดห่วงโซ่อุปทานอิเล็กทรอนิกส์ ทั้ง ECM (Electronics Contract Manufacturer) และซัพพลายเออร์อื่น ๆ สามารถหลีกเลี่ยงความเสียหาย ลด Downtime ของอุปกรณ์ และเพิ่มประสิทธิภาพสูงสุดในการผลิต ส่วนฝั่งต่อมาอย่าง OEM (Original Equipment Manufacturer) และองค์กรอื่น ๆ ก็จะประสบปัญหาการผลิตหยุดชะงักน้อยลง สามารถส่งมอบตามเป้าหมายการผลิตได้สม่ำเสมอ ในกรณีที่มีความเสียหายหลักซึ่งอาจป้องกันไม่ได้ Predictive Maintenance ด้วย AI ก็ยังส่งสัญญาณเตือนล่วงหน้าให้กับผู้มีส่วนได้ส่วนเสียหลายฝ่าย เพื่อให้สามารถวางแผนสำรองและตอบสนองอย่างรอบคอบและแม่นยำยิ่งขึ้น

การพยากรณ์ความต้องการ

ธุรกิจต่าง ๆ ปฏิบัติการพยากรณ์ความต้องการมานานก่อนที่คำนี้จะถูกนิยามขึ้น ผู้ผลิตมักตกอยู่ภายใต้แรงกดดันอย่างต่อเนื่องจากความผันผวนและความไม่แน่นอนของตลาด (เช่นยุค Tulip Mania ที่เนเธอร์แลนด์ในศตวรรษที่ 17 อุปสงค์ที่สูงทำให้หัวดอกทิวลิปเดียวมีมูลค่าสูงถึง 750,000 ดอลลาร์ในค่าเงินปัจจุบัน) ในอดีต ผู้ผลิตพยายามดึงข้อมูลเชิงปริมาณจำนวนมาก เช่น แนวโน้มยอดขาย ปัจจัยฤดูกาล และรูปแบบในอดีต เพื่อคาดการณ์อุปสงค์ ผลลัพธ์ที่ได้กลับหลากหลาย ส่วนหนึ่งเพราะขีดจำกัดของมนุษย์ในการวิเคราะห์ข้อมูล และข้อสันนิษฐานจากข้อมูลที่ไม่สมบูรณ์ก็มักบิดเบือนไปด้วยอคติ ความคาดหวังผิด หรืออารมณ์ที่ไม่ได้ตั้งใจ

โมเดล AI ใหม่ ๆ ในปัจจุบันไม่มีข้อผิดพลาดของมนุษย์เช่นนั้น ที่สำคัญยิ่งกว่า พวกมันสามารถตรวจสอบข้อมูลจำนวนมากเกินกว่าที่มนุษย์จะไล่เรียงไหว ผลการประเมินครอบคลุมทั้งข้อมูลยอดขายในอดีต ตลอดจนตัวชี้วัดอ้อมอื่น ๆ เช่น แนวโน้มของคู่แข่งภาคตลาด ปัจจัยเศรษฐกิจมหภาค และการเปลี่ยนแปลงพฤติกรรมผู้บริโภคที่อาจเป็นสัญญาณนำของการเปลี่ยนแปลงอุปสงค์ โมเดล AI บางตัวสามารถตรวจจับสัญญาณนำของการซื้อสินค้าตื่นตระหนกได้ ช่วยให้ธุรกิจตอบสนองเชิงกลยุทธ์โดยไม่เข้าใจผิดว่าการเปลี่ยนแปลงชั่วคราวนั้นคือเทรนด์ถาวร

ด้วยการใช้ศักยภาพของเครื่องมือ AI ผู้ผลิตและบริษัทต่าง ๆ จึงพัฒนาความสามารถในการคาดการณ์อุปสงค์ของตลาดต่อสินค้าได้อย่างมีประสิทธิภาพมากขึ้น ส่งผลให้ลดความเสี่ยงที่จะเผชิญต้นทุนโอกาสจากการขาดแคลนอุปทาน หรือการเร่งหาวิธีระบายสินค้าคงคลังอย่างฉุกเฉินจากส่วนเกินที่สะสมไว้

ด้วยการใช้ศักยภาพของเครื่องมือ AI ผู้ผลิตและบริษัทต่าง ๆ จึงพัฒนาความสามารถในการคาดการณ์อุปสงค์ของตลาดต่อสินค้าได้อย่างมีประสิทธิภาพมากขึ้น

การทำ Mapping ห่วงโซ่อุปทาน

หนึ่งในความท้าทายสูงสุดสำหรับมืออาชีพด้าน Strategic Sourcing และการจัดซื้อ คือการเข้าใจถึงขอบเขตและความลึกซึ้งของห่วงโซ่อุปทาน งานวิจัยปี 2021 จาก McKinsey แสดงให้เห็นว่าการ mapping ห่วงโซ่อุปทานแบบเจาะลึกนั้นยากเพียงใด และยิ่งลดลงมากเมื่อเจาะลึกเข้าสู่เครือข่ายซัพพลายเออร์ขององค์กร ทั้ง ๆ ที่ผู้บริหารห่วงโซ่อุปทานเกือบครึ่งหนึ่งในแบบสอบถามระบุว่ามีการมองเห็น (visibility) ซัพพลายเออร์ระดับหนึ่งได้ดี แต่ตัวเลขกลับลดลงเหลือแค่หนึ่งในห้าสำหรับผู้ผลิตระดับสอง และการมองเห็นซัพพลายเออร์นอกเหนือระดับสองแทบไม่เหลืออยู่เลย โดยมีเพียง 2% ของผู้ตอบแบบสอบถามเท่านั้นที่ทราบว่าใครคือซัพพลายเออร์ระดับสามของตน

ศักยภาพในการทำ mapping ห่วงโซ่อุปทานเชิงลึกจะมอบประโยชน์เชิงปฏิบัติหลากหลาย บริษัทที่มองเห็นซัพพลายเออร์ระดับสองและสามสามารถประเมินความเสี่ยงห่วงโซ่อุปทานได้ครบถ้วนขึ้น ระบุวัสดุ ประเทศต้นทาง และข้อมูลสำคัญอื่น ๆ ที่เกี่ยวข้องกับการปฏิบัติตามข้อกำหนดทางกฎหมาย พร้อมวิเคราะห์สาเหตุของความล่าช้าและการขาดแคลนได้อย่างแม่นยำ ปัจจัยหลังสำคัญยิ่ง เพราะหากระบุแหล่งที่มาของปัญหาในห่วงโซ่อุปทานได้ชัด ผู้ผลิตจะสามารถแก้ไขปัญหาในเชิงกลยุทธ์ได้อย่างมีประสิทธิภาพมากขึ้น เช่น หากทราบว่าผู้ผลิตระดับสามเป็นต้นตอของการขาดแคลนสินค้าบางชนิดของซัพพลายเออร์ระดับหนึ่ง ก็สามารถประสานกับซัพพลายเออร์โดยตรงเพื่อหาทางออกที่ตรงจุด

อย่างไรก็ตาม ปัญหาหลักของการทำ mapping ห่วงโซ่อุปทานไม่ใช่ข้อสงสัยด้านคุณค่า แต่คือความท้าทายเชิงปฏิบัติในการสร้าง visualizations ที่ต้องอาศัยข้อมูลจำนวนมหาศาล ตรงนี้คือจุดที่ AI มีบทบาทชัดเจน เครื่องมือ AI สามารถสแกนเว็บไซต์และแหล่งข้อมูลที่ยากจะเข้าถึง เพื่อเปิดเผยความสัมพันธ์เชิงธุรกรรมระหว่างผู้ผลิต เชื่อมโยงองค์กรที่อยู่ในแต่ละ tier ของซัพพลายเออร์ AI รวบรวมคำสั่งซื้อ ใบเสร็จ เอกสารศุลกากร ใบจองขนส่ง และเอกสารอื่น ๆ เพื่อสร้างห่วงโซ่การครอบครอง (chain of custody) สำหรับผลิตภัณฑ์ ชิ้นส่วน หรือวัตถุดิบของบริษัท นำไปสู่การ mapping ห่วงโซ่อุปทานที่ครอบคลุมแข็งแกร่ง และสนับสนุน SCRM อย่างมีประสิทธิภาพ

แพลตฟอร์ม AI สามารถรวบรวมคำสั่งซื้อ ใบเสร็จ เอกสารศุลกากร ใบจองขนส่ง และเอกสารอื่น ๆ ที่สร้างห่วงโซ่การครอบครองสำหรับผลิตภัณฑ์ ชิ้นส่วน และวัตถุดิบของคุณ

การประเมินความเสี่ยงและแมทริกซ์ความเสี่ยง

แมทริกซ์ความเสี่ยงเป็นเครื่องมือช่วยให้แต่ละองค์กรประเมินความเสี่ยงหลัก ๆ ที่ธุรกิจเผชิญ โดยปกติแมทริกซ์จะสังเคราะห์ 2 ปัจจัยสำคัญ ได้แก่ โอกาสเกิดเหตุการณ์ และ ความรุนแรง หากเหตุการณ์นั้นเกิดขึ้น ปัจจัยเหล่านี้มักถูกกำหนดเป็นหมวดหมู่บนแกน x-y เพื่อให้ทีมบริหารความเสี่ยงสามารถประเมินภาพรวมและวางความสำคัญของแต่ละความเสี่ยง (เช่น การโจมตีทางไซเบอร์อาจมีโอกาสต่ำสำหรับบริษัทที่มีมาตรการรักษาความปลอดภัยเข้มงวด แต่ผลร้ายสูงมากหากเกิดขึ้นจริง)

แม้ว่าการวิเคราะห์แมทริกซ์ความเสี่ยงจะเป็น กลยุทธ์สำคัญสำหรับทีม SCRM แต่ในเชิงปฏิบัติแล้ว การกำหนดระดับความรุนแรงและโอกาสเกิดของแต่ละสถานการณ์ เช่น การปิดโรงงาน ภัยธรรมชาติ หรือการล้มละลายของซัพพลายเออร์ ยังแฝงความคลุมเครือและอคติส่วนบุคคลอยู่มาก เมื่อใช้ AI เข้ามาแทน ปัญหาเหล่านี้จะลดลงอย่างชัดเจน AI สามารถประมวลข้อมูลจำนวนมากและเสนอข้อประเมินความเสี่ยงที่แม่นยำและมีวัตถุวิสัยสูง โดยไม่ขึ้นกับข้อมูลหรือประสบการณ์ส่วนบุคคล แม้เป็นงานเฉพาะทาง แต่การใช้แมทริกซ์ความเสี่ยงด้วย AI เพื่อประเมินภัยคุกคามอย่างแม่นยำจะช่วยให้ทีมจัดสรรทรัพยากรได้อย่างมีประสิทธิผล

การหาซัพพลายเออร์ทดแทน

การค้นหาซัพพลายเออร์ทดแทนหรือ multisourcing เป็นอีกหนึ่งหน้าที่ที่เครื่องมือ AI ช่วยเพิ่มความสมบูรณ์และครอบคลุมได้ง่าย หลายบริษัทนำเสนอโมเดล AI ที่สามารถแนะนำรายชื่อซัพพลายเออร์ตามเงื่อนไขหรือเกณฑ์เฉพาะที่ระบุไว้ โมเดลเหล่านี้ไม่ใช่เพียงสืบค้นผู้ผลิตที่ตรงตามเกณฑ์เท่านั้น แต่ยังจะประเมินปัจจัยเพิ่มเติม เช่น ฐานะการเงินของบริษัท ผล ESG (สิ่งแวดล้อม สังคม บรรษัทภิบาล) และความพึงพอใจจากลูกค้า เพื่อสร้างรายชื่อซัพพลายเออร์สำรองคุณภาพสูงที่ผ่านการคัดกรองอย่างรอบคอบ

เนื่องจาก AI สามารถสืบค้นข้อมูลกว้างขวางได้ในระยะเวลาอันสั้น ทำให้ได้รายชื่อซัพพลายเออร์ที่มีความหลากหลายมากกว่าการค้นหาด้วยวิธีเดิม ไม่ว่าจะเป็นธุรกิจขนาดกลาง-เล็ก (SMB) ซัพพลายเออร์หลากหลายกลุ่ม หรือองค์กรที่มักถูกมองข้ามในตลาดดั้งเดิมก็ตาม

แม้ฟังก์ชันนี้อาจไม่ใช่การปฏิวัติสำหรับฝ่ายบริหารห่วงโซ่อุปทาน แต่จะช่วยให้บริษัทมีทรัพยากรสร้างความยืดหยุ่นใน SCRM ได้มากขึ้น ดังที่ผู้บริหารฝ่ายห่วงโซ่อุปทานของ Siemens เปิดเผยใน Harvard Business Review เกี่ยวกับแอปพลิเคชัน AI ที่ช่วยรวมข้อมูลซัพพลายเออร์ทดแทน ซึ่งจำเป็นต่อการรับมือปัญหาห่วงโซ่อุปทาน โดยกล่าวว่า “เทคโนโลยีไม่ได้ช่วยให้คุณมองเห็นหรือป้องกันการหยุดชะงักก่อนเกิดเหตุได้อย่างแน่นอน” แต่ “มันช่วยให้คุณตอบสนองต่อเหตุการณ์ในห่วงโซ่อุปทานได้รวดเร็วกว่าผู้ซื้อมนุษย์อย่างมาก”

ความเสี่ยงที่อาจเกิดจาก AI ในการบริหารห่วงโซ่อุปทาน

กรณีใช้งานข้างต้น รวมถึงการลงทุนขนาดมหาศาลจากภาคเอกชน สะท้อนศักยภาพของเครื่องมือและโมเดล AI ในการบริหารห่วงโซ่อุปทานอย่างชัดเจน อย่างไรก็ตาม เทคโนโลยีระดับเปลี่ยนยุคนี้ย่อมมาพร้อมข้อควรระวังโดยปริยาย ผู้ผลิตควรตระหนักถึงความเสี่ยงเฉพาะตัวของการนำ AI เข้ามาใช้

• ต้นทุนตั้งต้นสูง
• ความลังเลใจของพนักงาน
• ข้อมูลที่ไม่น่าเชื่อถือและขาดการกลั่นกรอง

แพลตฟอร์มที่มีอยู่ในตลาดขณะนี้ ไม่ว่าแบรนด์ใหญ่หรือสตาร์ทอัพเฉพาะทาง ล้วนมีต้นทุนตั้งต้นสูง ตัวอย่างเช่น AI แบบเฉพาะทางหลายแบบมีราคาสูงถึงหลักแสนเหรียญ องค์กรจึงควรตัดสินใจลงทุนอย่างรอบคอบ วิเคราะห์ต้นทุน-ประโยชน์ และ ROI (ผลตอบแทนการลงทุน) อย่างละเอียด

ยิ่งไปกว่านั้น การนำแพลตฟอร์ม AI มาใช้จำเป็นต้องได้การยอมรับจากพนักงานในวงกว้าง ผู้บริหารและหัวหน้าควรหลีกเลี่ยงการตัดสินใจฝ่ายเดียวโดยขาดการสื่อสารเพียงพอ เพราะหากไม่อธิบายเหตุผล กรณีใช้งาน และเงื่อนไขการใช้งานอย่างชัดเจน อาจเสี่ยงให้พนักงานไม่เข้าใจ ส่งผลต่อขวัญกำลังใจและอาจนำไปสู่การลาออกในที่สุด

สุดท้าย บริษัทที่นำข้อมูลการวิเคราะห์เชิงพยากรณ์ของ AI มาใช้เร็วเกินไป อาจประเมินความน่าเชื่อถือของข้อมูลเกินจริง ทุกคนที่เคยพบเจอข้อผิดพลาดหรือข้อมูลผิดจาก ChatGPT ต่างทราบดีว่า AI ยังคงขึ้นกับข้อมูลที่นำเข้า ข้อมูลที่ผิดพลาด ล้าสมัย หรือ "ข้อมูลสกปรก" สามารถนำไปสู่การประเมินที่ไม่น่าเชื่อถือ ผู้ใช้จึงควรใช้ความรอบคอบในระยะแรกของการใช้ AI ที่ดึงข้อมูลจากแหล่งที่ยังไม่ได้รับการกลั่นกรองทั่วอินเตอร์เน็ต