В сегодняшнем динамичном мире коммерции цепочек поставок опережение конкурентов требует большего, чем просто операционной эффективности — оно требует смелого внедрения инноваций. Одной из самых обсуждаемых тем, находящихся в центре внимания каждого, является то, как искусственный интеллект (ИИ), и в частности агентный ИИ, меняет ландшафт технологий цепочек поставок.
В мае этого года технический директор Manhattan Санджив Сиотия встретился с профессором промышленной инженерии Технологического института Джорджии Алехандро Ториелло, чтобы обсудить, как ИИ внедряется в различные функции цепочки поставок — от прогнозирования до выполнения заказов, — и что это значит для будущего коммерции. Вот несколько ключевых выводов:
От генеративного к агентному ИИ: в чем разница?
Большинство людей к настоящему моменту уже знакомы с генеративным ИИ (Gen AI) — такими инструментами, как ChatGPT, которые отвечают на запросы естественным текстом. Однако, как пояснил Санджив, эти системы по сути являются «не имеющими состояния» (stateless). Каждый запрос рассматривается как отдельное взаимодействие, даже если визуально это выглядит как непрерывный диалог.
Появляется агентный ИИ. Вместо того чтобы просто генерировать ответы, агентный ИИ работает по модели «думай, смотри, делай». Компонент «думай» работает на базе больших языковых моделей (LLM), подобных тем, что используются в генеративном ИИ. Компонент «смотри» относится к способности системы наблюдать за своей средой и анализировать ее. Компонент «делай» — это то, где кроется истинная сила: агенты могут совершать действия, выполнять задачи и даже принимать решения на основе контекстуальных знаний.
Проще говоря, агентный ИИ — это не просто ответ на запросы. Речь идет о создании автономного, ориентированного на задачи поведения, которое отражает то, как работают люди.
Рост числа цифровых коллабораторов
Недавно компания Manhattan объявила о масштабной поддержке агентного ИИ в рамках решений Manhattan Active®, которая включает в себя интеллектуальных автономных цифровых агентов для революционного изменения процессов выполнения, оптимизации и пользовательского опыта в коммерции цепочек поставок.
Санджив привел убедительный пример того, как агентный ИИ может повысить производительность: планирование загрузки. В традиционных логистических операциях специалисты по планированию загрузки вручную проверяют отправления, полагаясь на накопленный опыт для выявления закономерностей. Теперь агентный ИИ может усвоить эти знания и выступать в роли персонального ассистента, сигнализируя о несоответствиях, предлагая исправления и в конечном итоге экономя часы ручной проверки.
В этом и заключается обещание агентного ИИ: создание интеллектуальных цифровых коллабораторов, которые понимают роли, следуют инструкциям и принимают независимые решения. Они могут даже сотрудничать — многоагентные системы могут объединять специализированные знания (например, технические, маркетинговые, логистические) для решения более сложных задач.
ИИ — это инструмент, а не замена
Хотя ИИ играет важнейшую роль, Алехандро напомнил, что ИИ не заменяет традиционную математику цепочек поставок. Скорее, он дополняет ее. Устоявшиеся алгоритмы управления запасами, прогнозирования и оптимизации по-прежнему актуальны. Ценность агентного ИИ заключается в его способности оркестрировать эти инструменты, выбирая правильный инструмент для правильной задачи в нужное время.
Он также переопределяет то, как пользователи взаимодействуют с программным обеспечением. Вместо того чтобы кликать по сложным интерфейсам, пользователи могут просто спросить: «Где мой груз?» — и получить четкий, применимый к делу ответ. Этот интерфейс на естественном языке снижает потребность в специализированном обучении и делает корпоративные системы более доступными для более широкого круга сотрудников.
Преимущества агентного ИИ в коммерции цепочек поставок
Итак, где предприятия увидят наибольший эффект? Санджив выделил четыре ключевые области, в которых агентный ИИ готов принести измеримую пользу:
- Пользовательский опыт. ИИ может превратить пользовательский интерфейс из жестких систем в интуитивно понятные разговорные инструменты. Будь то менеджер склада или планировщик, пользователи теперь могут взаимодействовать с программным обеспечением более естественным образом, используя простой язык, а не технические ноу-хау.
- Скорость внедрения. Традиционно внедрение корпоративных решений предполагает перевод бизнес-требований в технические конфигурации — этот процесс может быть медленным и подверженным ошибкам. С помощью ИИ этот перевод можно автоматизировать, сократив время и усилия на внедрение.
- Производительность. ИИ может автоматизировать повторяющиеся, отнимающие много времени задачи. От анализа отчетов до выявления проблем с отгрузкой, агентный ИИ освобождает сотрудников для более ценной деятельности, повышая общую производительность.
- Аналитика данных. По мере того как большие языковые модели становятся все более сложными, они могут предлагать более глубокие аналитические выводы из огромных массивов данных. Пользователи могут динамически генерировать подробные отчеты, сводки и визуализации, просто задавая вопросы — без необходимости создавать пользовательские дашборды для каждого сценария.
Почему платформа Manhattan создана для агентного будущего
Почему платформа платформа Manhattan создана для агентного будущего
Не все системы созданы равными, когда речь заходит об интеграции ИИ. Компания Manhattan заблаговременно инвестировала в создание надежной архитектуры с приоритетом API, что позволяет агентам не просто «видеть» данные, но и предпринимать действия на их основе.
Действия на основе данных — это не просто аналитика, это исполнение. Будь то корректировка планов доставки, уведомление поставщиков или отправка оповещений, агентам нужен безопасный, проверенный доступ к основным системам. Именно здесь современная платформа Manhattan дает ей преимущество. Она разработана так, чтобы позволить агентам работать в определенных рамках, обеспечивая целостность данных и одновременно раскрывая возможности автоматизации в больших масштабах.
Создание агентов: проще, чем вы думаете
Чтобы командам было проще начать работу, компания представила Manhattan Agent Foundry™, инструментарий для создания, тестирования и развертывания агентов. Пользователи могут начинать с шаблонов, изменять существующих агентов или даже использовать ИИ для создания новых — да, агентов, которые создают агентов.
Санджив призвал пользователей просто погрузиться в процесс. «Не бойтесь этого», — говорит он. Структура системы предотвращает ошибки, поэтому пользователи могут безопасно экспериментировать и учиться на собственном опыте. Алехандро добавляет, что растущее знакомство с системой помогает уменьшить сомнения и укрепляет доверие — особенно по мере того, как агенты все лучше объясняют свои решения.
Поколение «Digital Natives» в эпоху ИИ: AI Natives
Алехандро отметил, что сегодняшние студенты, которые вскоре станут завтрашней рабочей силой, становятся «AI natives» (людьми, рожденными в эпоху ИИ). Подобно тому, как поколение digital natives выросло с интернетом, поколение AI natives будет воспринимать такие инструменты, как агентный ИИ, как нечто само собой разумеющееся. Этот сдвиг уже трансформирует образование. Вместо того чтобы фокусироваться на заучивании методов наизусть, университеты делают упор на критическое мышление, решение проблем и то, как наилучшим образом взаимодействовать с инструментами ИИ.
Заключение — ИИ является технологическим поворотным моментом
ИИ — это не просто мимолетный тренд. Как отметил Санджив, это четкая точка перелома, во многом похожая на появление интернета, мобильных технологий или облачных вычислений. Нравится нам это или нет, ИИ становится неотъемлемой частью нашей работы и жизни.
Какой вывод? Начинайте прямо сейчас. Экспериментируйте. Учитесь. Создавайте. Агентный ИИ пришел всерьез и надолго, и он не просто совершенствует коммерцию в цепочках поставок, он ее переопределяет.
Чтобы посмотреть полную дискуссию, пожалуйста, нажмите сюда.
