AI har länge varit en del av supply chain – i form av prognosmodeller, optimeringsalgoritmer och automatiserade beslutsstöd. Men under de senaste två åren har detta förändrats. Med framväxten av så kallad agentisk AI har tekniken tagit ett tydligt steg från analys till handling.
– Den stora skillnaden nu är att AI inte bara svarar på frågor eller ger rekommendationer. Den agerar, säger Emma Karlsson, Industry Lead Solution Engineer och nordisk AI Champion på Oracle.
I praktiken innebär det att AI-agenter kan utföra uppgifter, fatta beslut inom givna ramar och samverka med andra system – och i vissa fall även med andra agenter. För supply chain-funktioner, där komplexitet och beroenden mellan system är vardag, öppnar detta för helt nya arbetssätt och resultat.
Från prediktiv AI till agenter
För att förstå utvecklingen behöver man backa bandet. AI i supply chain är med andra ord inget nytt fenomen, utan något som har funnits i många år.
– Vi har arbetat med det som idag kallas prediktiv AI i många år, till exempel inom planering där statistiska modeller används för prognoser och optimering, säger Emma.
Nästa steg var generativ AI – teknik som kan skapa innehåll, formulera texter och sammanfatta information. Men det är först med AI-agenter som potentialen gör att automatisering verkligen börjar realiseras, förklarar Emma:
– Agenterna tar det ett steg längre. De kan inte bara analysera eller generera, de kan också utföra uppgifter och driva processer framåt, vilket ger en enorm effektiviseringspotential. Det kan handla om allt från att identifiera avvikelser i leveranskedjan till att initiera åtgärder, kontakta leverantörer eller omplanera flöden.
Vad är egentligen en AI-agent?
Begreppet ”AI-agent” används numera flitigt, men är inte alltid helt tydligt. En AI-agent kan beskrivas som en digital aktör som tolkar en situation baserat på data, resonerar kring möjliga åtgärder och agerar, antingen självständigt eller med ett godkännande. Det finns dock olika nivåer av autonomi. I praktiken rör det sig om ett spektrum: från enklare beslutsstöd där människan är helt central, till mer avancerade lösningar där agenter kan agera självständigt inom definierade ramar. Valet av nivå handlar ofta om risk, hur pass affärskritisk aktiviteten är och hur AI-mogen organisationen är.
– Många av de första agenterna vi ser är det vi kallar ”advisors”. De fungerar som ett beslutsstöd och hjälper användaren att fatta bättre beslut, säger Emma.
Nästa steg är mer automatiserade agenter som faktiskt utför uppgifter. Och därefter kommer det som Emma menar är mest intressant ur ett systemperspektiv; hela team av agenter som samarbetar.
– Då har du en agent som fungerar som en ”supervisor” och fördelar arbete till andra agenter. Det blir som ett digitalt team. Därefter kommer ”workflow agents”, som automatiserar ytterligare.
I en supply chain-kontext, där processer sträcker sig över flera system och funktioner, kan detta bli särskilt kraftfullt. Det innebär att komplexa flöden kan brytas ner och hanteras parallellt, där olika agenter ansvarar för specifika delar av processen. Resultatet blir inte bara snabbare beslut, utan också en mer skalbar och flexibel organisation som bättre kan hantera variationer och störningar.
Supply chain är en perfekt miljö för agenter
Supply chain är per definition fragmenterad. Order-to-cash-processer rör sig genom flera system, såsom CRM, orderhantering, lager, transport och ekonomi.
– Det är just i de här överlämningarna mellan system som mycket friktion uppstår och där AI-agenter kan göra stor nytta. Genom att koppla ihop system och processer kan de skapa ett mer sammanhängande flöde, förklarar Emma.
Ett konkret exempel är i control tower-lösningar där hela leveranskedjan övervakas och styrs i realtid, till stor del med hjälp av mjukvara.
– Vi ser nu initiativ där man bygger hela supply chain control towers med hjälp av AI-agenter, och där mycket av koordineringen sker automatiserat. Exempelvis använder DHL Supply Chain våra AI-agenter både taktiskt för att identifiera och åtgärda integrationsfel och strategiskt för att analysera kostnadsmönster och föreslå förbättringar, berättar Emma.
Nästa steg är agent-till-agent
En viktig utveckling är att agenter inte bara arbetar inom ett system, utan även kommunicerar med andra agenter och applikationer. Det innebär att information och beslut inte längre behöver passera genom manuella gränssnitt eller integreras i efterhand, utan kan delas och koordineras i realtid mellan olika delar av systemlandskapet. På så sätt minskar ledtider och risken för informationsförluster i överlämningar.
– Supply chain handlar sällan om ett enskilt system. Det är ett ekosystem, betonar Emma.
Här kommer begrepp som ”agent-to-agent”, så kallad A2A, och Model Context Protocol Interaction (MCP) in i bilden. Med MCP kan agenterna ansluta sig till data och verktyg, standardiserat över systemgränser, exempelvis till ett planeringssystem och transportsystem, och med A2A koppla ihop sig med andra agenter. Resultatet blir en mer dynamisk och responsiv supply chain, där beslut kan fattas snabbare.
Data, säkerhet och kontroll
Trots de stora möjligheterna finns det också tydliga utmaningar med AI-agenter, inte minst kring data och säkerhet.
– Data är grunden för allt. Har du inte rätt datakvalitet spelar det ingen roll hur avancerad AI du har, säger Emma.
En annan central fråga är hur AI integreras i systemlandskapet. Här lyfter hon fram vikten av att arbeta nära datakällan:
– Vi ser en stor skillnad mellan att bygga AI ovanpå data och att från början ha AI inbyggt i applikationerna och i datalagret.
Det påverkar både prestanda och säkerhet. En viktig aspekt är att data inte behöver flyttas utanför organisationens miljö. Men minst lika viktigt är transparens.
– Det räcker inte att AI ger ett svar, du behöver även förstå hur den kom fram till det.
Här kommer begrepp som ”observability” in – det vill säga möjligheten att följa agentens resonemang, vilka datakällor som använts och vilka steg som tagits. Detta, menar Emma, är avgörande för att skapa tillit.
Människan kvar i loopen
En återkommande fråga i diskussionen om AI-agenter är hur mycket ansvar som ska lämnas över till tekniken. Det handlar ytterst om kontroll kontra effektivitet – hur mycket autonomi man är beredd att acceptera i utbyte mot snabbare och mer skalbara processer. För många organisationer blir detta en gradvis resa där man börjar med stödjande funktioner och successivt ökar graden av automation.
– Vi ser ofta att kunder vill ha en ”human in the loop”, särskilt vid kritiska beslut, säger Emma.
Det kan handla om godkännandesteg eller möjlighet att övervaka beslut. Samtidigt finns det processer där full automation är både möjlig och önskvärd. Balansen beror på kontexten, säger Emma och fortsätter:
– Det är inte svart eller vitt. Vissa processer lämpar sig för automation, andra inte. Detta påminner om när många företag gick från planering i Excel till avancerade planeringssystem. Då satt många fortfarande med Excel och försökte verifiera resultaten. Lite samma sak händer nu.
Största riskerna: rädsla och övertro
När ny teknik introduceras handlar diskussionen ofta om risker, men inte alltid på rätt sätt. Fokus hamnar ofta på tekniska eller säkerhetsmässiga risker, medan de affärsmässiga riskerna ibland underskattas – exempelvis att investera i fel användningsfall eller att inte lyckas omsätta tekniken i faktisk verksamhetsnytta. Det är först när tekniken tydligt kopplas till affärsprocesser som riskbilden blir komplett.
– Många pratar om att man är rädd för AI. Men det finns också en risk i att lita för mycket på den, säger Emma.
En vanlig utmaning är att organisationer startar många AI-initiativ, men utan att koppla dem till konkret affärsnytta.
– Det är lätt att hitta use cases, men betydligt svårare att realisera värdet. De största vinsterna finns ofta inte i de enklaste tillämpningarna, som att automatisera mejlskrivning, utan i mer komplexa processer. Det är när agenter löser mer avancerade problem som värdet verkligen uppstår.
Hur ska man börja?
För många organisationer är frågan inte om, utan hur man ska börja. Rådet från Emma är tydligt; att börja enkelt, men inte för smått.
– Många system har redan inbyggd AI-funktionalitet. Börja där, testa och lär. Tar man enbart små use cases får man inte ut hela potentialen. Men börjar man för stort blir det svårt att få effekt, säger hon.
Det handlar med andra ord om att hitta en balans, att inte försöka automatisera allt på en gång, men heller inte fastna i små isolerade initiativ.
Autonoma ekosystem – ”Fusion Agentic Applications”
För Emma och Oracle handlar det inte längre om enskilda funktioner, utan om hela flöden. Kombinationen av AI-agenter, IoT och integrerade system kan på sikt skapa supply chains som är betydligt mer självgående än idag.
– I nästa steg ska vi lansera det vi kallar Fusion Agentic Applications, som är en ny typ av företagsapplikationer baserade på koordinerade team av specialiserade AI-agenter. De är utformade för att vara målorienterade, proaktiva och kapabla att resonera, och är specifikt utvecklade för att fungera effektivt i komplexa affärsprocesser och ersätta stora delar av arbetet i traditionella användargränssnitt, förklarar Emma entusiastiskt.
I framtiden kommer vi se mer komplexa och autonoma lösningar där agenter kopplas ihop i en hel supply chain. Emma betonar dock att detta är en process som kommer att ske stegvis, i takt med att det sker ett lärande i organisationer.
– Detta är inget man bara ”slår på”, det är en process och en förståelse i ständig förändring eftersom utveckling inom AI går så snabbt, och där man successivt kommer uppleva hur agenterna bidrar till fler och fler effektivitetsvinster, avslutar hon.
—
Text and interview by Marika Karlöf and Stefan Karlöf
