AV HANS BERGGREN
Vi står inför en form av paradigmskifte inom supply chain management. Å ena sidan börjar de senaste årens starkt ökade digitalisering öppna upp för alltmer automatiserade, effektiva och flexibla supply chains. Mycket av den tröghet och det motstånd som var resultatet av ett starkt investeringsfokus ”inom de fyra väggarna” och ett ”silo-tänkande” har till slut ersatts av ett intresse för flödesfokus end-to-end.
Å andra sidan står de flest lite yrvaket och undrar hur vi mitt i denna positiva trend ska dra nytta av AI-tekniken, vilket visat sig kräva djupa insikter i både företagets mål, möjliga processförbättringar samt hur alternativa affärsmodeller kan hjälpa företaget att snabbare nå målen. Förstår vi inte detta kommer vi inte lyckas skapa “det datadrivna företaget” eller utforma AI-drivna strategier. Så vad gör vi nu?
Datadrivna företag är lönsammare
I MIT Technology Review Insights, (Jan 2024) tar man upp datadrivna organisationer och datadrivna beslut – data-driven decision-making (DDDM) – ett område som väcker allt större intresse och skapar allt tydligare mervärden, där de företag som är duktiga på detta är både lönsammare och växer snabbare än de som inte är lika datadrivna. Även McKinsey lyfter fram detta (t.ex. i artikeln Insights to impact: Creating and sustaining data-driven commercial growth, (18 januari, 2022), och menar att datadrivna företag inom B2B-försäljning generellt når 15-25 procents högre försäljningstillväxt och EBITDA, jämfört med genomsnittet. Bara för att nämna ett par exempel.
Förstå ”vad gör vi nu?”
Vi behöver förstå ”huret” utifrån insikter kring var någonstans förbättringspotentialen inom vårt företags alla delar kan finnas, utifrån var företaget står idag. Det gäller att börja där man identifierar störst potential till förbättring och utveckling av lönsammare affärsmodeller.
”Digitalisering först” – utan data ingen AI
Företag som PipeChain spelar en avgörande roll i att driva på digitaliseringen i supply chains genom att förmå fler aktörer att koppla ihop sig digitalt (kunder, leverantörer, transportörer, andra kritiska aktörer i flödet) och därmed automatisera allt fler aktiviteter och processer. Som en följd av den här ökande digitaliseringen genereras ovärderliga data, många gånger i realtid eller i alla fall näst intill i realtid. Det är alla dessa data som gör det möjligt att realisera styrkan i AI. Nu kopplas fler och fler olika system samman och den tidigare så silo-baserade systemstrukturen bryts upp. Det är detta som öppnar upp möjligheterna för att med människans påhittighet och kreativitet i kombination med den maskinella kapaciteten hos AI hantera enorma mängder data, dimensioner och beslutsfaktorer. Nästa steg är att förstå att det primärt inte handlar om att presentera data, utan att med hjälp av AI se mönster i data och automatiskt dra slutsatser av data så att nya, bättre beslut kan fattas med hjälp av AI. Vi bör därmed förflytta hela vår tanke från ”data-to-insight” till ”insight-to-action”, där ”action” sker med AI-stöd.
Transformering och digitalisering med hjälp av AI
AI och dess slutgiltiga påverkan är inte bara en funktion av de tekniska möjligheterna AI-tekniken bidrar med utan också dess anpassning till mänskligt beteende och organisatoriska behov. Några av de viktigaste punkterna vi kommit fram till i vår verksamhet sammanfattas nedan.
1. AIs potential inom olika delar av företagets processer och i olika branscher
- AI är transformerande inom mängder av olika områden och branscher, exempelvis genom att optimera försäljning och tillverkning eller skapa möjligheter till helt nya affärsmodeller.
- Förmågan att analysera enorma datamängder och extrahera mönster, utifrån vilka bättre beslut kan rekommenderas eller till och med automatiseras, är AIs kärnstyrka, men framgången beror på hur dessa insikter används, implementeras och kvalitetssäkras.
2. Fyra steg för AI-transformation
- Datainsamling: Grunden för AI är högkvalitativa och relevanta datamängder.
- Generering av insikter: AI kan identifiera trender och samband, men att förstå deras innebörd kräver expertis och mänskligt omdöme.
- Implementering av actions: Här blir den mänskliga aspekten avgörande. Insikter måste översättas till strategier som tar hänsyn till mänskligt beteende och organisatorisk dynamik. Vi gör bedömningen att framgång i mångt och mycket handlar om att automatisera de ”actions” som AI-insikterna levererar.
- Löpande kvalitetssäkring via AI-lösningens egen inlärning och ständiga förbättring samt via mänsklig kvalitetssäkring.
3. Förståelse av mänskligt beteende
- AIs effektivitet beror på hur väl den integreras med mänskliga beslutsprocesser.
- Att utforma framgångsrika förändringsinitiativ kräver ett människocentrerat tillvägagångssätt som säkerställer överensstämmelse med verklig problemlösning och verkliga förbättringsmöjligheter. I detta avseende skiljer sig inte implementering av AI-stöd från andra större förändringsprojekt.
4. Samspelet mellan teknik och människa
- Det huvudsakliga målet med att använda AI i supply chains är inte att ersätta människor utan att förstärka människans förmåga eller att använda bolagets personal till rätt arbetsuppgifter.
Framgångsrik AI-transformation i supply chains
Vägen till framgångsrik AI-transformation i supply chains är alltså inte bara en teknisk resa utan även en djupt mänsklig sådan. Att förstå denna dualitet är nyckeln till att effektivt utnyttja AIs mycket stora potential.
____________________________________________________________________________________________________
Hans Berggren är vd för PipeChain-koncernen
