En ny studie från McKinsey (McKinsey Global Survey) slår fast att användningen av AI i traditionella affärsprocesser nu ökar med 25 % på årsbasis, vilket är en kraftig ökning enbart under det senaste året. De flesta företag som redan har börjat tillämpa AI ser tydliga, mätbara resultat av sina investeringar men uppger att de stora utmaningarna är att skala upp lösningarna, hantera olika risker och inte minst att kompetensutveckla den personal som blir överflödig eller i alla fall påverkas av AI-investeringarna. Tidigare har ofta AI-satsningar framställts som svåra att implementera och få ut effekter av. Mot den bakgrunden er McKinseys studie en betydligt mer positiv bild jämfört med tidigare studier.
Mest värde inom marknad och supply chain
Av McKinseys studie framgår även att AI bidrar till såväl ökade intäkter som reducerade kostnader. 63 % av respondenterna i studien uppgav att deras intäkter hade ökat och 44 % rapporterade kostnadsminskningar som ett resultat av AI. De allra mest högpresterande AI-användarna får ut de allra bästa effekterna vad gäller både intäkter och kostnader. Studien fokuserade på AI-användning i åtta vanliga företagsfunktioner. De två funktioner som fick ut mest värde av sina AI-satsningar var marknad/försäljning respektive supply chain management. I supply chain har AI den mest positiva effekten för prognosticering av försäljning samt för spendanalys. 61 % av de undersökta bolagen rapporterar att de reducerat sina kostnader och 63 % att de ökat sina intäkter inom området supply chain management som en följd av AI.
Sjuttioårig teknik slår igenom nu
Artificiell Intelligens är sedan åtminstone 1950-talet ett forskningsområde inom datavetenskaperna. Alltså inget nytt under solen. Det nya är att det numera är möjligt att på bred front skapa och använda de intelligenta maskiner, vilket är själva essensen i AI. När våra datorer och robotar får kognitiva förmågor så som att förstå ord och språk, att lära sig av sina erfarenheter, planera, problemlösa och dra generella slutsatser så har maskinerna fått egenskaper som vi normalt associerar med människor. Maskinerna blir intelligenta, konstgjort intelligenta.
Maskininlärning
Delområdet maskininlärning handlar om att utveckla algoritmer – dvs. metodiska, stegvisa och exakta beskrivningar av hur man utför en uppgift eller löser ett problem. Det finns algoritmer som gör det möjligt för datorer att besvara frågor av typen ”ge mig en rekommendation om vilka varor som jag ska beställa och i vilka kvantiteter”. I lekmannatermer kan man säga att poängen med maskininlärning är att ur större mängder data urskilja mönster som ger vägledning för beslut. Mot den bakgrunden är det ganska självklart att en värld av allt mer komplexa försörjningsflöden har stor potentiell nytta av intelligenta maskiner. Idag är maskininlärning något som styr hur sökmotorer, robotar och sensorer av olika slag utvecklas för att kunna bearbeta, analysera och agera utifrån mönsterigenkänning i stora datamängder. Innan maskininlärning började användas hanterades data i databaser och det som skett, sker och som kommer att ske programmerades deterministiskt i en dator med regelbaserade system.
Erfarenhet och lärande
Men ded den komplexitet som finns i dagens näringsliv menar AI/ML-förespråkarna att detta inte fungerar längre. Med maskininlärning används i stället mängder av historiska data som körs i en algoritm. Det kan i logistiksammanhang typiskt vara historiska data om vikter, dimensioner, mottagare och leveranstidpunkter. Allt detta körs i systemet som därefter ger oss ett beslutsunderlag, exempelvis en föreslagen leveranstid, som alltså är baserat både på historiska data men även på det som maskinen lärt sig av tidigare skeenden.
