Trenutni nivo pojedinih zaliha nije dostatan za izvršenje planiranih radnih naloga u narednom tjednu. Želite li da napravim novo mikro terminiranje plana te pripremim nabavne naloge za potrebne sirovine? Burzovne cijene dobra su značajno smanjene u segmentu komponentnih dobara, naš ugovor s trenutnim dobavljačem ističe za 2 mjeseca, da li želite da se pripremi i provede novi tender? Napravili smo prilagodbu rute X i Y za sutrašnji transport, jer trenutna pojedinačna zapunjenost je ispod planiranog minimuma. Objedinjena ruta je u nastavku s novim nalogom transporta.”
Od samog početka 20. stoljeća uspješne organizacije su radile na simplifikaciji i standardizaciji pojedinih operativnih zadataka u lancu opskrbe te kontinuiranom ulaganju u novu tehnologiju. Ideja takvog pristupa je bila da se kroz užu specijalizaciju osigura bolja efikasnost procesa. Međutim, visoka razina entropije u lancima opskrbe, je kreirala velike izazove u njihovom upravljanju, a limiti u organizacijskim, procesnim i tehnološkim segmentima poslovanja su se očitovali u silosnim podjelama i ograničenjima.
Organizacije jednostavno nisu bile spremne pravovremeno odgovoriti na sve promjene zbog čega je pritisak troškova postao sve intenzivniji zbog zakašnjelih (re)akcija na promjene u internim te eksternim okruženjima. Upravo zbog navedenog, uspješne kompanije pilotiraju u integriranju umjetne inteligencije u svoje procese u lancima opskrbe kojima osiguravaju nužnu fleksibilnost i učinkovitost upravljanja.
Razvoj primjene umjetne inteligencije u lancima opskrbe
Ideja primjene umjetne inteligencije (eng. AI – Artificial intelligence) u lancima opskrbe ima duboke korijene u povijesti računalnih znanosti, a početak je od samoga Alana Turinga koji je postavio temeljno pitanje: “Mogu li strojevi misliti?”. Koncept Turingovog testa i teorija algoritama postavila je intelektualne temelje današnje umjetne inteligencije. Tijekom 1980-tih godina razvijali su se ekspertni sistemi bazirani na određenim pravilima koji su optimizirali nivoe zaliha i simulirali provedbu naručivanja. Značajan iskorak nastaje tijekom 2000-tih zbog smanjenja troška hardwera i značajnog rasta snage čipova čime je omogućena obrada ogromnih količina podataka te razvoj prediktivne analitike, rudarenja podataka i algoritama strojnog učenja. Integriranjem ključnih točaka u lancu opskrbe s uređajima povezanima na internet (eng. IoT – Internet of things), osigurana je bolja komunikacija sustava u realnom vremenu, a tehnologija u oblaku (engl. Cloud technology) je osigurala adekvatnu infrastrukturu za primjenu umjetne inteligencije. Danas razlikujemo primjenu generativne umjetne inteligencije (eng. Gen AI – Generative artificial intelligence) za kreiranje prijedloga sadržaja na temelju postojećih podataka u lancima opskrbe (imitacija kreativnih i analitičkih procesa – pasivni pristup), dok je najveća revolucija u lancima opskrbe primjena autonomnog inteligentnog agenta (eng. AI Agent) koja je omogućila analiziranje trenutne situacije, odlučivanje i reagiranje na promjene čime je ostvarena samostalnost u procesu (kontinuirano praćenje podataka te donošenje odluka – aktivni pristup).
Upravo primjena AI agenata u lancima opskrbe omogućava visoku razinu autonomnosti i brzine čime su osigurani preduvjeti sveobuhvatne transformacije.
Paralelni rad s AI agentima u poslovanju
Budućnost lanca opskrbe temelji se digitalnoj transformaciji gdje ljudi i AI agenti ne djeluju odvojeno, već kolegijalno surađuju na operativnim zadacima, analizama i odlukama. Cilj je kreiranje okruženja u kojem “digitalni kolega” radi paralelno sa zaposlenicima, preuzima rutinske i operativne odluke, dok se zaposlenici fokusiraju na strateške, kreativne i međuljudske aspekte poslovanja.
U praksi to znači da će AI agenti biti integrirani s tradicionalnim sustavima iz domene lanca opskrbe kao što su ERP, MES, SCADA, WMS, PLM, TPM, eQMS, mreže dobavljača (eng. suppliers networks) ili drugim specijaliziranim sustavima kako bi temeljem podataka, te njihovom analizom identificirali rizike i predlagali rješenja ili čak donosili operativne odluke za rutinske zadatke.
Kako bi ovaj paralelni rad bio uspješan u praksi, nužno je da organizacije osiguraju temeljne pretpostavke:
1) Kvaliteta i integriranost podataka među sistemima – dakle točnost podatka je primarni prioritet, sistemi moraju biti bez GIGO podataka (eng. garbage in, garbage out)
2) Definirane granice donošenja odluka – koje odluke su samostalne, koje uz ljudsku potvrdu
3) Organizacijska kultura digitalne pismenosti – razumijevanje logike rada agenata i značaj njihovih preporuka
4) Kontinuirano učenje i nadzor – kontinuirana nadogradnja i povratne veze prema ljudima kako bi se osigurao nadzor rada te unapređenje procesa odlučivanja
5) Agilnost organizacije – suradanja mora biti fleksibilna, te prilagodljiva ovisno o primjeni agenata u organizaciji
Ovakva inteligentna organizacija omogućava sinergiju tehnologije i ljudi kojom se osigurava bolja otpornost i efikasnost lanaca opskrbe. Kako bi organizacije uspješno došle do ovog statusa, ipak prijedlog je da se kroz pilot projekte integriranja AI agenata testira tehnologija i spremnost organizacije na digitalnu transformaciju.
Primjena AI agenata u realnim situacijama lanca opskrbe
Primjena AI agenata u lancima opskrbe svakim danom ima nove primjene, čime se direktno doprinosi povećanju učinkovitosti, točnosti i otpornosti lanaca opskrbe. Kako organizacije prepoznaju autonomnost agenata u analizi podataka, te njihovim mogućnostima donošenja operativnih odluka u realnom vremenu čime se ubrzava cijeli lanac opskrbe.
Neki od primjera AI agenata u praksi su sljedeći:
1) Automatizirana inteligentna nabava – agenti mogu na temelju podataka napraviti analizu nužnih zaliha sukladno potrebama poslovanja, kreirati zahtjeve za nabavom, analizirati rezultate i pokrenuti narudžbu. Ove aktivnosti mogu biti vezane za interne podatke, ali i vanjske sustave kako bi se identificirala značajna oscilacija cijena ključnih sirovina (npr. Zora AI)
2) Upravljanje inteligentnom logistikom – problem optimizacije ruta predstavlja jedan od primjera iz prakse gdje agenti dinamički planiraju rute, uz rješavanje problema vezanih uz optimizaciju kapaciteta vozila te uključivanjem optimalnih vremena za korištenje pojedinih ruta.
3) Pametni operativni menadžeri – predstavljaju agente koji su spojeni na MES sustave i analiziraju rezultate linija u realnom vremenu, čime osiguravaju operativno brzo donošenje rutinskih odluka (kreiranje naloga za preventivne preglede, brza mikro-terminiranja naloga, identifikacija problematičnih pakiranja, itd.)
Završna misao
Primjena AI agenata neće zamijeniti timove koji rade u lancu opskrbe, ali će preoblikovati način rada zaposlenika i njihov fokus prema aktivnostima više dodatne vrijednosti. Timovi koji će se prilagoditi novim “digitalnim kolegama” biti će timovi koji će napredovati i kreirati dodatnu vrijednost za svoje lance opskrbe, a drugi će se susreti s većim izazovima nedostatka talenata, efikasnosti i rastom troškova.
AI agenti su tu – i oni će tu samo napredovati. Pitanje je jesu li naši timovi spremni za zajedničku suradnju?
