Generativ AI kan sætte turbo til din værdikæde

Den 30. november 2022 var dagen, hvor Open AI lancerede ChatGPT. ChatGPT tog verden med storm, fordi den lignende en chatbot, der var tilstrækkelig intelligent til at rent faktisk at både forstå og tale vores sprog. Chatbots hade indtil da været reduceret til en robot, der var i stand til at skelne et ’nej’ fra et ’ja’, og søgemaskiner var i stand til at søge på specifikke ord, men ikke tage højde for kontekst. Det satte gang i en raketagtig udvikling, hvor kun fantasien så ud til at sætte grænser for anvendelsesmuligheder, og hvor alle – uanset reel vidensniveau – med ét blev eksperter og havde klare meninger om den nye teknologi.

Spoler vi tiden hurtigt frem til i dag, kan vi konstatere, at standard hype-kurven ikke dækker som beskrivelse for udbredelsen af generativ AI. Standard hype- kurven opererer med ’early adopters’, og den slags er der overhovedet ikke tale om for generativ AI. ChatGPT produktet er med de seneste versioner, der indeholder op til 175 milliarder parametre, langt mere komplekst end disruptive digitale teknologier som Instagram, Spotify, Facebook, Twitter og Netflix. ChatGPT fungerer ikke desto mindre som lovet fra dag 1, der er ingen slinger i valsen. Hype-kurven over Spotify, Instagram, Netflix og så videre er en standard-kurve med stejl kurve, der hurtigt gradvist flader ud. Hype-kurven for ChatGPT er en nærmest en raket, der stort set går lodret op, og der er endnu ikke tegn på, at kurven flader ud.

Læs også: Tema om kunstig intelligens i værdikæden

Det skaber naturligvis et stort pres på erhvervs- og samfundsliv om at adoptere den nye generative AI-teknologi, og nervøsiteten for at blive efterladt på perronen er tydelig. Det skriver Koray Köse i hvidbogen ’Gen. AI: The Next Supply Chain Technology Revolution – Or The Unknown Everyone Has An Opinion About’ fra supply chain data- og analysevirksomheden Everstream.

Han peger på, at verden de seneste fem år har oplevet radikale forstyrrelser i en grad, der skaber et stort behov for nye supply chain teknologier, der kan hjælpe virksomheder og forsyningskæder med at tage højde for de mange sårbarheder og skjulte risici, der er indlejret i globale og regionale værdikæder. Resiliens og risikostyring er på ingen tid blevet helt centrale discipliner for verdens supply chain ledere, og det er naturligt at se på, hvordan generativ kunstig intelligens kan spille en rolle for risikostyring i forsyningskæden.

Everstream har fokus på risikoafdækning og -styring i forsyningskæden og arbejder intenst på at integrere generativ kunstig intelligens i deres produkter, ydelser og analyser. Koray Köse fremhæver en stribe læringer, benspænd og acceleratorer, som analysehuset indtil nu har afdækket.

3 læringspunkter
Koray Köse peger på tre nøglelæringer, som Everstream har draget i deres innovationsarbejde:

1. Generativ AI er nøglen til at frigøre Supply Chain Technologys potentiale til betydeligt at forbedre effektiviteten og effektiviteten af værdikæder og forsyningsøkosystemer. Det globale marked for AI i forsyningskæder forventes at nå 17,5 milliarder dollar i 2028. 
2. AI-drevne løsninger til forsyningskæder leverer allerede mange fordele i dag. Det er for eksempel maksimal synlighed, forudsigende analyser og grundlag for autonome systemer til at reducere omkostninger, øge smidighed og forbedre kundeoplevelsen. I 2026 vil mere end 75 procent af leverandørerne af kommercielle forsyningskæde-applikationer levere indlejrede avancerede analyser (AA), kunstig intelligens (AI) og datalogi.
3. Store sprogmodeller som ChatGPT bliver grundlæggende forbindelsesled og ’oversættere’ af både simple og komplekse brugerbehov. Generativ AI tager eksisterende dataartefakter og genererer nye sofistikerede artefakter, modeller og output som svar på menneskelige eller maskinelle forespørgsler, der kan være meget lig de originale eller endda overgå dem og blive beriget. 94 procent af verdens topledere ønsker at opretholde eller accelerere den pandemi-drevne digitale transformation.

4 benspænd
På samme måde fremhæver Koray Köse fire aspekter, der kan fungere som faldgruber eller udfordringer for brug af generativ kunstig intelligens:

1. Det er dyrt: Udvikling af banebrydende teknologi, primært kraftfulde AI-modeller, er dyrt. Bard AI kan have kostet Google tæt på 10 milliarder dollar. Virksomheder, der investerer i forsyningskædeteknologier, bør overveje balancen mellem omkostninger og værdi. Alene at prioritere den laveste pris fra leverandører vil sandsynligvis ikke skabe succes for den samlede værdikæde. Kvalitet og relevans af data er vigtigere, og det kræver specialiseret hardware og software samt ekspertise fra risikostyringseksperter, dataforskere og ingeniører. Integration af mennesker og maskiner i løsningerne vil gøre en forskel i dag og i fremtiden.
2. Det kræver talent: Mangel på kvalificeret talent med de nødvendige færdigheder til at implementere og anvende AI i forsyningskæder er en realitet. Den virkelighed, vi ser, er overansættelser og efterfølgende afskedigelser. Human Resources og organisationers forhold til talent kan hurtigt blive anstrengt, hvis mange medarbejdere får dårlige oplevelser. Det kan skabe udfordringer med at finde de rette personer til kritiske roller. Dette er en betydelig barriere for adoption, da virksomheder skal finde og ansætte de rigtige personer for at få mest muligt ud af AI Det gælder både løsningudviklere og ledere til at drive forandringer i organisationer.
3. Det kræver ubegribelige mængder data: Data er ilt, hydrogen, kulstof, kvælstof eller fosfor for den AI-drevne forsyningskædeteknologi-revolution. De fem elementer er essentielle for dannelsen og opretholdelsen af levende organismer. På samme måde er data essentielle for AI. Generativ AI kræver enorme mængder data for at træne og operere og blive bedre. I en verden, der begynder at frygte data mere end viden, med restriktioner og protektionisme af data som de største bekymringer for både virksomheder og regulerende myndigheder, kan vi se brugsscenarier udvikle sig i meget forskellige hastigheder. Udover omkostningerne ved data er opdagelse og udnyttelse vanskeligt. Regler og miljø er kritiske komponenter, der definerer markedet for at vokse til et mangemilliard-marked. Det kan være udfordrende at sikre, at data er nøjagtige og opdaterede. I den nærmeste fremtid kan kompleksiteten af overholdelse og regulering skabe modstand, der har potentiale til at blive en stopknap for mange applikationer.
4. AI kan indeholde fejl og misbrug: Åbne AI-muligheder er tilgængelige for mange formål uden høje barrierer. Det åbner mulighed for skadelige anvendelser. Dens evne til at opdage deepfakes er ikke god. Deepfakes kan bruges til bedrageri, misinformation og andre skadelige intentioner. Udvikling af teknologier og værktøjer til nøjagtigt at identificere og opdage kunstigt genereret skadelig indhold er ikke altid muligt. Reguleringer vil blive nødvendige for at stoppe brugen af generativ AI til skadelige formål.

5 acceleratorer
Endelig fremhæver Koray Köse fem potentialer, muligheder eller acceleratorer for udviklingen af supply chain teknologier:

1. Maksimal gennemsigtighed i værdikædens dybder: AI er fantastisk til at forbedre synligheden på tværs af forsyningskæden, hvilket fører til bedre beslutningstagning. Forsyningskæder er uklare, når man træder uden for de indre cirkeldata i ERP-systemer, der forsøger at sammenkæde omverdenen. Perfekte, traditionelle databasemodeller mislykkes gang på gang. Det handler ikke om “databasen”, man har skabt over mange år. Det handler om databasen og de handlingsorienterede indsigter skabt i næsten realtid til formål X, sourcingprojekt Y eller efterlevelsesgennemgang Z. Uklare, ustrukturerede og afkoblede data kan ikke udnyttes til forudsigende og præskriptive analyser, hvis systemet er “basic” match-drevet. Grafteknologi er - i kombination med generativ AI - den fremtidssikre løsning. Grafteknologi, der er udvidet med generativ AI, transformerer de ustrukturerede data til forbundne grafværdistrømme, der kan levere grundlag for at vurdere risici for produkt- eller materialeflow og identificere indsigter, der på kort tid kan optimere risikostyringsbeslutninger.
2. Forebyggelse af forstyrrelser i forsyningskæden: Forstyrrelser er dyre, ofte endda meget dyre. Generativ AI-analyser vil betale sig selv hjem efter blot én hændelse. Derfor er afkastet på investering i risikoteknologi givet ved større forstyrrelser, der koster cirka 6-10 procent af indtægterne per hændelse. Generativ AI kan - i kombination med risikostyring – forbedre proaktiv udbygning af modstandsdygtig, som kan reducere omkostninger betydeligt. Det sker ved at forvandle operationer fra “nu-orientering” til “overmorgen-orientering” og modne organisationer til det, Everstream kalder for ’risikooptimerede værdiskabere’. Det betyder specifikt som Korau Köse skriver ’at modne fra genopretningseksperter til undgåelsesledere, der automatiserer opgaver, optimerer processer og forbedrer agil beslutningstagning og risikohåndtering’.
3. Bedre agilitet og ressourceoptimering: Teknologi er afgørende for at frigøre innovation, produktharmonisering og aktivering af forsyningsøkosystemet. Spec designinput, anmeldelser, kortlægning og afsøgning af forsyningsøkosystem og modstandsdygtighedstest af værdikæder for at identificere mulige scenaria før produktlancering er blot nogle få brugsscenarier. At kunne styre eksisterende og potentielt nye op- og nedstrøms værdikæder og leverandører uden at hoppe mellem systemer er nøglen til agilitet. Hvis du kan styre dine leverandører med grafteknologi, skal du også kunne gøre det for leverancer til dine kunder og omvendte værdikæder for at fremme cirkularitet. 
4. Bedre og hurtigere innovation: Kravet om kontinuerlig og disruptiv fremskridt inden for produktdesign, servicelevering og forretningsmodeller skaber kompleksitet og betydelig organisatorisk indsats og ressourceforbrug. Generativ AI kan hjælpe virksomheder med at innovere hurtigt ved at automatisere og strømline innovationsprocessen. Dette kan hjælpe virksomheder med at udvikle nye produkter hurtigere, reducere omkostningerne ved produktudvikling og forbedre effektiviteten af deres forsyningskæder. Generativ AI kan ikke kun orkestrere, men også bidrage til udviklingen af produkter fra idé til prototype til lancering og absorbere iterationer i læringskurven. 
5. Hurtigere tilpasning af kundeoplevelse i volatile miljøer/markeder: Sæsonbestemte variationer hører fortiden til. I dag er det øjeblikkelig tilfredsstillelse med kortvarige efterspørgsels-toppe og uventede aflysninger baseret på en række forskellige årsager, som skiller vinderne fra taberne. S&OP-processer kæmper for at levere nøjagtighed, der muliggør friktionsfrie forsyningskædeoperationer. De er i dag mangel på dataindsigt og smidige processer, der tilpasser sig før forstyrrelserne sker – og ikke efter. Omfattende løsninger, der nedbryder siloer og bruger generativ AI til at forbedre samarbejdet på tværs af funktioner, forbedrer kundeoplevelsen ved at levere mere præcise og hurtigere informationer, så den perfekte levering bliver en selvfølge.

Sådan komme I i gang
Koray Köse og Everstream slutter af med at pege på en række trin til at komme i gang med at adoptere generativ kunstig intelligens i ledelsen af værdikæden. Det omfatter kortlægning af jeres organisations digitaliseringsrejse, risikovillighed samt operationalisering af modstandsdygtigheds- og risikostyringsprogrammer.

Det omfatter også gennemgang af din nuværende teknologiportefølje og dens evner til at imødekomme behovene både i dag og i fremtiden. Sørg for at nye teknologier som generativ AI og grafteknologi bliver en integreret del af dagsordenen—der er ingen vej udenom.

Endelig omfatter det nøje granskning af de reelle omkostninger ved jeres investering eller mangel på investering. ”Manglende investering vil medføre uendelig høje alternativ-omkostninger, det er jeg meget sikker på”, understreger Koray Köse.