บทบาทของ AI ต่ออนาคตห่วงโซ่อุปทานขององค์กรคุณ ประโยชน์และความเสี่ยง

ข่าวสารในสื่อเกี่ยวกับการเดิมพันขององค์กรต่าง ๆ ที่มีต่อข้อเสนอคุณค่าจากปัญญาประดิษฐ์ (AI) มีอย่างต่อเนื่อง อย่างไรก็ตาม ประเภทของบริษัทที่ลงทุนงบประมาณในแพลตฟอร์มเกิดใหม่เหล่านี้และการใช้งานในฟังก์ชันธุรกิจใดบ้างยังไม่ได้รับการวิเคราะห์อย่างละเอียดนัก แม้จะเห็นได้ชัดว่าบริษัทเทคโนโลยีขนาดใหญ่อย่าง Meta, Alphabet และ Microsoft เดินหน้าลงทุนหลายพันล้านดอลล่าร์ในโครงการ AI แพลตฟอร์ม และพันธมิตรต่าง ๆ การวัดการเติบโตของ AI ที่ขยายไปไกลกว่าองค์กรกลุ่ม Fortune 500 ยังต้องการการสำรวจเชิงลึกมากขึ้น 

กระบวนการหนึ่งในธุรกิจที่มีการนำ AI มาใช้งานเพิ่มขึ้นอย่างชัดเจนในปี 2024 คือการบริหารความเสี่ยงห่วงโซ่อุปทาน (SCRM; Supply Chain Risk Management) ผลสำรวจ Gartner เมื่อต้นปีนี้ชี้ว่าองค์กรห่วงโซ่อุปทานที่มีผลประกอบการสูงถึง 40% กำลังใช้ AI หรือ machine learning (ML) ในการพยากรณ์ความต้องการสินค้า และเกือบหนึ่งในสามกำลังใช้เทคโนโลยีนี้เพื่อสนับสนุนการวางแผนห่วงโซ่อุปทาน รายงานจากบริษัทวิจัย Zero100 ในช่วงหน้าร้อน ชี้ให้เห็นการนำ AI ไปใช้ในช่วงกว้างมากขึ้น โดยพบว่าราว 9 ใน 10 ขององค์กรขนาดใหญ่ได้เริ่มทดลองใช้ AI ในห่วงโซ่อุปทานของตนแล้วไม่ทางใดก็ทางหนึ่ง 

แม้จะมีตัวเลขที่น่าตื่นเต้นเหล่านี้ ก็ยังเร็วเกินไปที่จะกล่าวอย่างมั่นใจว่า AI จะกลายเป็นองค์ประกอบสำคัญของการบริหารความเสี่ยงห่วงโซ่อุปทานในอีกไม่กี่ปีข้างหน้า อย่างไรก็ตาม การที่ยังไม่มีฉันทามติที่ชัดเจนในบทบาทของ AI ต่ออนาคตของห่วงโซ่อุปทาน มิได้หมายความว่าผู้ผลิตไม่ควรเริ่มศึกษาศักยภาพของเครื่องมือเหล่านี้ในตอนนี้ เพราะถึงแม้ภาคเอกชนหลายแห่งยังใหม่มากกับ AI และยังไม่ได้รับผลลัพธ์อันคุ้มค่าตามที่คาดหวัง บริษัทต่าง ๆ ก็สามารถเริ่มวางจุดยืนเพื่อสร้างความได้เปรียบในการแข่งขันที่มีนัยยะสำคัญได้ในอีก 2, 3 หรือ 5 ปีข้างหน้า โดยข้อได้เปรียบเชิงตัดสินใจนี้เริ่มต้นจากการเรียนรู้ว่าเทคโนโลยีที่มีพลวัตเหล่านี้เหมาะกับโมเดลธุรกิจและเป้าหมายกลยุทธ์ขององค์กรอย่างไร รวมถึงเข้าใจผลลัพธ์ที่กว้างขวางที่ระบบนี้สามารถสร้างได้  

AI กับประโยชน์ที่มีต่อความยืดหยุ่นของห่วงโซ่อุปทาน 

แม้ว่า AI ยังคงถูกนำเสนอว่าเป็นโซลูชันเชิงทดลองที่มูลค่าส่วนใหญ่ยังอยู่ในสมมติฐาน แต่ predictive AI, machine learning และ AI tools อื่น ๆ ได้พิสูจน์กรณีการใช้งานที่แท้จริงต่อ SCRM แล้ว ตามที่ IBM กล่าวไว้ ว่า “ระบบห่วงโซ่อุปทานที่ขับเคลื่อนด้วย AI ช่วยให้บริษัทต่าง ๆ สามารถเพิ่มประสิทธิภาพเส้นทางการขนส่ง, ปรับกระบวนการทำงานให้ลื่นไหล, พัฒนาการจัดซื้อ, ลดปัญหาสินค้าขาดแคลน และทำให้งานต่าง ๆ เป็นอัตโนมัติครบวงจร”

เนื่องด้วยศักยภาพในการวิเคราะห์ข้อมูลจำนวนมหาศาลและตรวจสอบเอกสารหรือไฟล์ในขนาดใหญ่มาก แพลตฟอร์มเหล่านี้จึงเป็นสินทรัพย์สำคัญสำหรับผู้เชี่ยวชาญที่ต้องการสร้างการมองเห็นห่วงโซ่อุปทาน พัฒนากลยุทธ์ และลดความเสี่ยง ในสถานการณ์ที่เหมาะสม AI สามารถเพิ่มคุณค่าอย่างมีนัยสำคัญในการดำเนินการเหล่านี้ ช่วยให้ผู้เชี่ยวชาญด้านการจัดหาสามารถมองลึกเข้าสู่ห่วงโซ่อุปทานด้วยความแม่นยำมากขึ้น และตัดสินใจโดยอ้างอิงจากข้อมูลและประวัติศาสตร์เชิงเสริมที่มากขึ้น 

เสริมสร้างการมองเห็นห่วงโซ่อุปทาน 

หนึ่งในกลไกที่ทรงพลังในการสร้างความยืดหยุ่นของห่วงโซ่อุปทานคือการมองเห็น ทีมจัดซื้อและการจัดหาที่สามารถทำ mapping ซัพพลายเออร์โดยตรงและตัวแทนจำหน่ายใน tier ต่าง ๆ เช่น 2, 3 และถัดไป จะสามารถตรวจสอบผู้ผลิต ประเมินความเสี่ยง เพิ่มความโปร่งใส และปฏิบัติตามข้อกำหนดได้มีประสิทธิภาพมากขึ้น กล่าวอีกนัยหนึ่ง การมองเห็นห่วงโซ่อุปทานเป็นทรัพยากรที่ประเมินค่าไม่ได้ในการบริหารความเสี่ยง 

แต่ดังที่ Z2Data ได้นำเสนออย่างต่อเนื่อง การทำ mapping ห่วงโซ่อุปทานอย่างละเอียดซึ่งเป็นหัวใจของการมองเห็นที่แข็งแกร่งนี้ยังคงเป็นสิ่งที่องค์กรส่วนใหญ่ยังทำได้ไม่เต็มที่ (เช่น มีผู้ผลิตเพียงประมาณ 20% เท่านั้นที่สามารถมองเห็น tier สองของซัพพลายเออร์ได้สม่ำเสมอ) อย่างไรก็ตามศักยภาพของ AI อาจเปลี่ยนแปลงสถานการณ์นี้ กลับทิศทางประวัติศาสตร์อันยาวนานของผู้ผลิตที่ไม่สามารถก้าวทันกับห่วงโซ่อุปทานที่มีความซับซ้อนและลึกขึ้นเรื่อย ๆ แพลตฟอร์ม AI สามารถสแกนไฟล์ เอกสาร และอินเทอร์เน็ตอย่างกว้างขวางเพื่อจัดเก็บเอกสารสำคัญ เช่น รายการคำสั่งซื้อ เอกสารรับของ การจองขนส่ง และแบบฟอร์ม chain-of-custody เมื่อรวบรวมเอกสารทุกประเภทเสร็จแล้ว เครื่องมือเหล่านี้จะสกัดข้อมูลที่เกี่ยวข้องและจัดหาข้อมูลที่จำเป็นสำหรับการ mapping ห่วงโซ่อุปทานที่ครอบคลุม แผนที่ที่เกิดขึ้นนี้จะเจาะลึกมายัง tier ของซัพพลายเออร์ของผู้ผลิตมากขึ้น เปิดเผย vendor ที่ก่อนหน้านี้ไม่เคยเป็นที่รู้จัก 

ศักยภาพเหล่านี้ยังอยู่ในระยะเริ่มต้น เนื่องจากบริษัท AI ทั้งหลายกำลังพัฒนาแพลตฟอร์มผ่านช่วงตั้งไข่ อย่างไรก็ดี สตาร์ทอัพขนาดเล็กบางรายได้เร่งฝึก AI รุ่นเฉพาะเพื่อทำ mapping ห่วงโซ่อุปทานโดยอาศัยข้อมูลสาธารณะ ข้อมูลส่วนบุคคล ข้อมูลโครงสร้าง และไม่มีโครงสร้าง

ส่งเสริมการกระจายความหลากหลายในห่วงโซ่อุปทาน 

ในมุมมองแรก การค้นหาซัพพลายเออร์ทดแทนอย่างมีประสิทธิภาพอาจดูเหมือนไม่ใช่งานที่แพลตฟอร์ม AI จะโดดเด่นนัก เพราะการเลือก vendor รายใหม่และสร้างความสัมพันธ์ทางห่วงโซ่อุปทานนั้นเป็นกระบวนการซับซ้อนที่ต้องอาศัยการวิจัย วิเคราะห์ การประเมิน และในหลายกรณียังต้องอาศัยการตัดสินใจเชิงมนุษย์ 

แต่ในความเป็นจริง เครื่องมือ AI ได้เข้ามาเสริมและเร่งกระบวนการค้นหาซัพพลายเออร์ช่วงหลายปีที่ผ่านมา โดยข้อมูลวิจัยจาก McKinsey & Co. ในปี 2021 ระบุว่าอัลกอริทึม machine learning สามารถช่วยให้บริษัทต่าง ๆ ค้นหาซัพพลายเออร์ที่แต่ก่อนใช้เวลาเป็นเดือน ให้เสร็จภายในประมาณหนึ่งสัปดาห์ ผู้เชี่ยวชาญเริ่มต้นด้วยการป้อนเกณฑ์การค้นหาและข้อกำหนดเฉพาะ เช่น ทำเลที่ตั้ง ให้กับ AI จากนั้นอัลกอริทึม ML จะใช้ชุดข้อมูลมหาศาลของซัพพลายเออร์จากทั้งแหล่งข้อมูลสาธารณะและฐานข้อมูลส่วนตัว ค้นหาและคัดกรองจนเหลือกลุ่มที่มีศักยภาพต่ำกว่า 100 ราย ตามที่ McKinsey อธิบายไว้ “แนวทางที่เกิดซ้ำนี้ทำให้เครื่องมือค้นหาสามารถดำเนินงานได้อย่างรวดเร็วและแม่นยำเป็นประวัติการณ์ คัดเลือกซัพพลายเออร์จากฐานข้อมูลนับล้านรายให้เหลือ shortlist ภายในไม่กี่ชั่วโมง”

การใช้ประโยชน์จาก AI platform ที่สามารถค้นหาซัพพลายเออร์ในเวลาเพียงไม่กี่วัน หรือแม้แต่ไม่กี่ชั่วโมง สามารถเสริมความยืดหยุ่นในห่วงโซ่อุปทานอย่างสำคัญ ด้วยประสิทธิภาพที่โดดเด่น ผู้ผลิตสามารถนำเทคนิค dual sourcing ไปใช้ตลอดห่วงโซ่อุปทาน ในระดับที่มนุษย์ไม่สามารถทำได้เมื่อต้องค้นหา vendor ทดแทนหลายสิบหรือหลายร้อยรายสำหรับซัพพลายเออร์โดยตรง แต่เพราะอัลกอริทึมเหล่านี้ดำเนินการค้นหาที่ซับซ้อนและยาวนานอย่างมีประสิทธิผลสูง ธุรกิจจึงสามารถเสริมมาตรการ SCRM สำคัญนี้ได้โดยไม่ต้องสิ้นเปลืองทรัพยากร 

ดำเนินการพยากรณ์ความต้องการสินค้า 

ในขณะที่ผู้เชี่ยวชาญด้านห่วงโซ่อุปทานได้สำรวจคุณค่าของ AI model สำหรับกระบวนการต่าง ๆ ในช่วงปีที่ผ่านมา เทคโนโลยีนี้กลับถูกใช้มากที่สุดกับการพยากรณ์ความต้องการ (demand forecasting) ตามที่นำเสนอไว้ใน บทความก่อนหน้า การพยากรณ์ความต้องการถือเป็นแก่นสำคัญของการบริหารห่วงโซ่อุปทานมานับศตวรรษ ผู้ผลิตต่างคัดกรองข้อมูลยอดขายย้อนหลังและแบบเรียลไทม์อย่างระมัดระวังเพื่อทำนายความต้องการสินค้าหรือชิ้นส่วน

แต่การพยากรณ์ความต้องการโดยมนุษย์มีข้อจำกัดในด้านปริมาณข้อมูลที่เราสามารถประมวลผลและตีความได้ บ่อยครั้งที่ขอบเขตการประมวลผลที่จำกัดนำไปสู่การคาดการณ์ที่ถูกลดทอนคุณภาพโดยชุดข้อมูลที่ไม่สมบูรณ์หรือวิธีการวิเคราะห์ที่ผิด Predictive AI เหมาะกับงานประเภทนี้โดยธรรมชาติ แพลตฟอร์มเหล่านี้สามารถประมวลผลข้อมูลยอดขายจำนวนมหาศาล สกัด pattern และแนวโน้มซ้ำ ๆ และสร้างการพยากรณ์ความต้องการที่มีประสิทธิผล พร้อมนำไปใช้งานจริง เมื่อมี AI ห่วงโซ่อุปทาน ผู้ผลิตสามารถรักษาปริมาณสินค้าในคลังที่เหมาะสมได้อย่างต่อเนื่อง วิธีที่เหมาะสมนี้ช่วยลดความเสี่ยงทั้งของขาดและล้นสต็อก ป้องกันการสูญเสียต้นทุนจากความผันผวนที่ไม่คาดคิดของความต้องการสินค้า 

ความเสี่ยงที่ AI สร้างต่อความยืดหยุ่นของห่วงโซ่อุปทาน 

เจเนอเรชันใหม่ของ AI tools มักได้รับการนำเสนออย่างสวยงามว่าเป็นเทคโนโลยีนวัตกรรมที่สามารถเพิ่มประสิทธิภาพอย่างมหาศาลและสร้างรายได้ใหม่ ๆ ให้กับองค์กรหลายล้านดอลลาร์ แต่ในความเป็นจริง การนำ AI เข้าไปผสานในองค์กรย่อมนำมาซึ่งความเสี่ยงใหม่ ๆ เช่นกัน ซึ่งผู้เชี่ยวชาญห่วงโซ่อุปทานเองก็รับรู้ประเด็นนี้เป็นอย่างดี ในดัชนี Business Supply Chain Risk Management Index ประจำไตรมาส 4 ปี 2024 ของมหาวิทยาลัย Lehigh มีการกล่าวถึง AI หลายครั้งในฐานะภัยคุกคามเกิดใหม่ที่มีผลกระทบ ภายในอุตสาหกรรมมีความกังวลว่า AI และ ML tools อาจสร้างความเสี่ยงทางไซเบอร์, ก่อให้เกิดแรงสั่นสะเทือนครั้งใหญ่ รวมทั้งนำไปสู่การถูกใช้ในทางที่ผิดโดยผู้ไม่หวังดีที่หลีกเลี่ยงการตรวจสอบของภาครัฐ กล่าวโดยรวม รายงานฉบับนี้สะท้อนข้อเท็จจริงด้านสองด้านของเหรียญ AI แม้เทคโนโลยีจะใช้ลดปัญหาการหยุดชะงักได้อย่างมีประสิทธิภาพ แต่ขอบเขตการนำไปใช้งานที่กว้างขวางและขาดการกำกับดูแลอย่างเป็นรูปธรรมหมายถึงการเพิ่มปัจจัยเสี่ยงใหม่ ๆ ที่ไม่พึงประสงค์หลายประการ 

อัลกอริทึมที่ฝึกกับข้อมูลด้อยคุณภาพ

ผ่านมากว่าสองปีของการใช้งาน AI สร้างสรรค์ (generative AI) ในวงกว้างและการจับตาจากสื่อ ข้อบกพร่องของโมเดลประเภทนี้อย่าง ChatGTP ถูกเปิดเผยเป็นที่เรียบร้อย แม้ว่าจะสามารถประมวลผลข้อมูลจำนวนมหาศาลได้ แต่อัลกอริทึมเหล่านี้มักมีปัญหาเกี่ยวกับความถูกต้องของข้อเท็จจริงและความสัมพันธ์กับความจริงที่ไม่สอดคล้องกัน ต้นเหตุของข้อมูลผิดพลาดเหล่านี้ไม่ต้องสืบค้นให้ไกล เมื่อโมเดลถูก train บนข้อมูลหลายกิกะไบต์ที่ได้มาจาก Wikipedia สิ่งตีพิมพ์ออนไลน์ และเว็บแหล่งอื่น ๆ AI tools จึงสะท้อนความไม่สมบูรณ์และไม่น่าเชื่อถือเช่นเดียวกับอินเทอร์เน็ตที่เป็นแหล่งตั้งต้น 

ข้อผิดพลาดทางข้อเท็จจริงเหล่านี้ รวมถึง “hallucinations” ที่อุตสาหกรรมเทคโนโลยีเรียกกัน แม้อาจไม่ส่งผลเสียรุนแรงหากใช้ในงานย่อย ๆ เช่น อีเมล สรุปรายงาน หรือเรียงความโรงเรียน แต่เมื่อถูกใช้กับโครงการขนาดใหญ่เช่นการ mapping ห่วงโซ่อุปทานหรือค้นหา vendor ใหม่ ผลกระทบจากความคลาดเคลื่อนอาจสูงกว่ามาก ผู้ผลิตและผู้เชี่ยวชาญด้านการจัดซื้อไม่สามารถเสี่ยงดำเนินการบนฐานข้อมูลผิดพลาดหรือข้อมูลเท็จที่ AI สร้างขึ้น และอาจสิ้นเปลืองเวลาและทรัพยากรโดยเปล่าประโยชน์ ในกรณีที่เลวร้ายที่สุด การใช้ข้อมูลผิดพลาดที่ AI สร้างขึ้นอาจนำไปสู่ปัญหาด้านกฎระเบียบได้ ในขณะนี้ เอกสาร ผลงานหรือข้อมูลที่ AI ผลิตขึ้นทั้งหมด — รวมถึงเนื้อหาข้อเขียน แผนที่ห่วงโซ่อุปทาน รายซัพพลายเออร์ tier ย่อย และ vendor list — จึงควรได้รับการกลั่นกรองตรวจสอบโดยผู้เชี่ยวชาญที่มีประสบการณ์เสมอ

ความเชื่อมโยงกับความเสี่ยงด้านไซเบอร์ที่เพิ่มขึ้น 

ในประกาศของ Lehigh University ที่เผยแพร่ Supply Chain Risk Management Index ฉบับล่าสุด ศาสตราจารย์ Zach. G. Zacharia ได้กล่าวถึงความวิตกของอุตสาหกรรมเกี่ยวกับความเสี่ยงทางไซเบอร์ที่มากับ AI ว่า “ผู้เชี่ยวชาญห่วงโซ่อุปทานกังวลต่อการโจมตีทางไซเบอร์ การทุจริตข้อมูล การขโมยข้อมูล ไวรัสในระบบ และโดยเฉพาะอย่างยิ่งว่า AI generative อาจเพิ่มช่องโหว่ให้บริษัทมากขึ้น” 

ผลสำรวจอุตสาหกรรมของ Lehigh อาจเป็นเสมือนนกขมิ้นในเหมืองถ่านหินที่เตือนถึงวิกฤตที่จะเกิดขึ้น จากการที่ AI สนับสนุนการโจมตีทางไซเบอร์ ผู้ตอบแบบสอบถามแสดงความกังวลว่า AI tools มอบศักยภาพใหม่ให้กับอาชญากรไซเบอร์ ช่วยให้วางแผนการโจมตีได้ทรงพลัง ละเอียด และเกิดขึ้นบ่อยขึ้น และดังที่ Zacharia ชี้ให้เห็น การใช้ AI ในการบริหารความเสี่ยงห่วงโซ่อุปทานที่แพร่หลายเพิ่มขึ้นเองก็อาจนำไปสู่จุดอ่อนใหม่ ๆ ภายในองค์กร โดยเฉพาะเมื่อระบบ AI เหล่านี้ตกเป็นเป้าให้ผู้ไม่หวังดีโจมตีหรือปลอมแปลงข้อมูล 

การปรับตัวกับ SCRM Landscape ยุคใหม่ที่เปลี่ยนแปลงด้วย AI 

ต่อให้องค์กรจะตั้งใจดำเนินงานด้วยความระมัดระวังและแผนการที่เป็นระบบ บริษัทในสายห่วงโซ่อุปทานก็จะต้องเผชิญแรงกดดันที่เพิ่มขึ้นให้วางกลยุทธ์การนำ AI เข้าใช้งานภายในองค์กร ความเสี่ยงจากการตามไม่ทันยุคเทคโนโลยีกำลังเปลี่ยนแปลงเร็วเกินกว่าจะเพิกเฉย และผลตอบแทนของ early adopter ก็ยากที่จะเมินซ้ำ ๆ ดังที่ผู้ร่วมแสดงความคิดเห็นท่านหนึ่งในดัชนี SCRM ของ Lehigh กล่าวอย่างชัดเจนว่า “การปรับตัวกับ landscape AI ที่เปลี่ยนแปลง รวมถึงรู้จักใช้ประโยชน์จาก AI จะเป็นตัวกำหนดความสำเร็จของธุรกิจจากนี้ไป”

สำหรับผู้ผลิตที่สนใจในขีดความสามารถของ AI แต่ยังไม่แน่ใจว่างบลงทุนล่วงหน้าคุ้มค่าต่อผลลัพธ์หรือไม่ ระบบบริหารความยืดหยุ่นของห่วงโซ่อุปทานสามารถมอบคุณค่าเดียวกันนี้ได้ แพลตฟอร์ม Z2Data ชั้นนำในอุตสาหกรรมนำเสนอฟีเจอร์ SCRM หลากหลาย รวมถึงส่วนการทำ mapping ชิ้นส่วนกับไซต์การผลิต ข้อมูลครบถ้วนของ tier 1, 2 และ 3 ซัพพลายเออร์ ตลอดจนการประเมินความเสี่ยงระดับไซต์การผลิตแบบละเอียด ฐานข้อมูลของ Z2Data ยังได้รับการดูแลโดยผู้เชี่ยวชาญที่มีประสบการณ์ยาวนานในห่วงโซ่อุปทานชิ้นส่วนอิเล็กทรอนิกส์ ลดความเสี่ยงเรื่องข้อมูลผิดพลาดหรือข้อมูลเท็จแทบเป็นศูนย์ 

ดูข้อมูลเพิ่มเติมเกี่ยวกับ Z2Data และชุดเครื่องมือการมองเห็นสำหรับผู้ใช้ หรือนัดหมาย ขอเดโมฟรี กับผู้เชี่ยวชาญผลิตภัณฑ์ของเรา