Я потратил более 25 лет на создание и масштабирование операций в цепочках поставок, прежде чем присоединиться к SAP для руководства направлением SAP Supply Chain Management. Это решение было принято под влиянием того, с чем я постоянно сталкивался на протяжении всей своей карьеры: компании с наиболее глубоким пониманием собственных операций имеют наилучшие возможности для практического применения ИИ.
И никто не находится ближе к этим операциям, чем SAP. В каждой беседе с клиентами я слышу одно и то же напряжение: руководители знают, что ИИ изменит их цепочки поставок. Но им нужно программное обеспечение, которое достаточно хорошо понимает их бизнес-процессы, чтобы перейти от экспериментов к реальному эффекту. Эта задача и та база, которая есть у SAP для ее решения, привели меня сюда.
Больше всего в текущем моменте меня вдохновляет то, что я называю «искусством возможного» — взгляд за рамки того, как все устроено сегодня, и представление о том, как мог бы выглядеть лучший в своем классе подход, если бы мы воспользовались возможностями, которых просто не существовало раньше. Но расширение границ возможного само по себе не создает значимых инноваций.
На протяжении десятилетий компании вкладывали значительные средства в системы планирования, производства, закупок и логистики, которые обеспечивают ценную прозрачность. Но когда поставщик срывает отгрузку, спрос неожиданно растет или исчезает транспортная емкость, люди по-прежнему играют ключевую роль в объединении разрозненных данных между системами и функциями. К тому моменту, когда они это делают, бизнес уже может реагировать на проблему, а не опережать ее.
Что становится возможным, когда цепочка поставок превращается в современный механизм принятия решений
Представьте себе иллюстративный сценарий: задержка поставки угрожает производству и нескольким важным заказам клиентов. Традиционно система планирования может сформировать предупреждение, оставляя командам задачу определить последствия и скоординировать ответные действия. Интеллектуальная система может пойти дальше: определить, какие обязательства перед клиентами находятся под угрозой, оценить доступные запасы на разных складах, оценить необходимость изменения производственных графиков и сравнить альтернативные маршруты транспортировки или поставщиков.
Каждый вариант связан с компромиссами. Ускорение доставки может защитить приоритетный заказ клиента, но увеличить издержки. Перераспределение запасов может сохранить одно обязательство, но создать дефицит в другом месте. Корректировка производства может минимизировать сбои, но повлиять на другие графики поставок.
Люди оценивают эти взаимосвязанные решения с точки зрения результатов, важных для бизнеса, а не оптимизируют каждую функцию по отдельности.
Успех измеряется тем, удалось ли сократить количество сорванных обязательств перед клиентами, защитить выручку, ограничить дополнительные логистические расходы и избежать излишних запасов. Сравнение результатов с первоначальным планом помогает системе улучшать будущие рекомендации.
Это принципиально иная модель. Конкурентное преимущество все больше зависит от того, как быстро организация может превратить изменения в скоординированные действия.
Автономность должна устранять ожидание, а не людей
Поскольку ИИ берет на себя все большую роль в принятии таких решений, нам также необходимо четко понимать, что мы имеем в виду под автономностью. Искусство возможного заключается в отсутствии ненужного ожидания, а не в исключении людей из процесса. Создание ложной конкуренции между людьми и машинами создает прямое препятствие на пути к внедрению автономности. Вместо этого мы должны быть сосредоточены на устранении лишней работы и задержек, позволяя людям сосредоточить свои экспертные оценки там, где они создают наибольшую ценность.
Это также означает, что нам нужен более глубокий разговор об точности ИИ. Агент, принимающий малорискованное, обратимое решение, не требует того же порога уверенности, что и агент, принимающий решение со значительными финансовыми, клиентскими, репутационными последствиями или последствиями для безопасности и комплаенса. Вопрос не просто в том, является ли система ИИ «точной». Вопрос в том, является ли она достаточно надежной для конкретного решения, которое ей доверяют принять.
Корпоративный ИИ должен заслужить право действовать
Прежде чем ИИ можно будет доверить принятие операционных решений, он должен постепенно завоевать доверие. Сначала система может рекомендовать варианты реагирования, в то время как планировщики изучают ее логику, сравнивают альтернативы и принимают решение о действиях. Затем организации могут измерить, насколько эти рекомендации соответствуют реальным результатам, в том числе защищают ли они обязательства перед клиентами, учитывают ли бизнес-ограничения и обеспечивают ли ожидаемые улучшения.
По мере того как надежность становится более осязаемой, компании получают больше оснований разрешить ИИ выполнять определенные, менее рискованные действия в установленных пределах. Более важные действия по-прежнему должны требовать одобрения человека, с прозрачным обоснованием, задокументированными решениями и возможностью вмешательства.
Именно так ИИ завоевывает право действовать, и именно здесь у SAP есть важная роль. Наши приложения объединяют критически важные бизнес-процессы планирования и исполнения, обеспечивая операционный контекст, необходимый для понимания того, как одно решение влияет на другое. Сочетая этот контекст с корпоративными политиками, правами доступа и проверяемыми процессами, мы можем помочь организациям двигаться к скоординированным действиям на базе ИИ без потери контроля.
Мы уже видим зачатки этого подхода. Например, помощник по планированию цепочки поставок SAP Supply Chain Planning Assistant может помочь планировщикам выявить потенциальные первопричины проблем планирования и порекомендовать корректирующие действия. Takeda Pharmaceuticals использует этого помощника для поддержки данного процесса наряду с автоматизированным отслеживанием эффективности, создавая цикл обратной связи, который со временем улучшает планирование.
По мере того как эти возможности будут зреть, роль специалистов по цепочкам поставок также будет эволюционировать. Вместо того чтобы тратить большую часть времени на сбор информации и ручную обработку исключений, планировщики смогут сосредоточиться на определении целей, оценке компромиссов, проверке предположений и принятии стратегических решений, где человеческий опыт имеет наибольшее значение.
Лучшая стратегия ИИ начинается с бизнес-проблемы
Возможно, самый большой риск в этот период стремительного развития ИИ заключается в том, чтобы начать с технологии, а затем искать проблему для ее решения.
Лучший подход заключается в том, чтобы начать с проблемы клиента: понять важный результат, определить, как его измерить, а затем спросить, как ИИ может достичь этого результата способом, который раньше был невозможен. Более качественные решения могут улучшить доступность продукции, защитить обязательства перед клиентами, повысить устойчивость и стимулировать рост.
Поскольку технологии расширяют возможности бизнеса, инновации должны опираться на результаты, необходимые клиентам. Они должны спрашивать с нас не за то, сколько ИИ-агентов мы разработали или сколько автоматизации внедрили, а за то, помогает ли наша технология принимать более правильные решения, быстрее реагировать на изменения и добиваться измеримых бизнес-результатов.
Девеш Мишра (Devesh Mishra) — генеральный директор и директор по продуктам направления SAP Supply Chain Management.
