Naujame „ABI Research“ ir „FourKites“ pranešime „Vykdymo spragos: ką tiekimo grandinės vadovai sako apie technologijas“ (ang. „The Execution Gap: What Supply Chain Leaders Are Saying About Technology“) teigiama, kad 28 proc. įmonių nurodo apyvartinio kapitalo optimizavimą kaip pagrindinį investicijų tikslą, tačiau tik 37 proc. naudoja dirbtinį intelektą (AI) rizikos valdymui – būtent toje srityje, kur kyla didžiausi nuostoliai dėl vėlavimų, sulaikymo mokesčių ir skubių užsakymų.
„Vadovai siekia pagerinti apyvartinį kapitalą, bet diegia AI paklausos prognozavimui, o ne trikdymų prevencijai. Jie analizuoja problemas vietoje to, kad jas užkirstų“, – pažymima ataskaitoje.
Europa atsilieka nuo JAV dirbtinio intelekto diegime
Apklausa atskleidė ryškius regioninius skirtumus. 31 proc. Šiaurės Amerikos įmonių teigia naudojančios AI autonominiam sprendimų priėmimui, o Europoje – vos 19,5 proc. Vokietijoje tokius sprendimus taiko tik 33 proc. respondentų, kai JAV – beveik 48 proc.
Inventoriaus valdymo srityje skirtumas dar didesnis: 48 proc. priėmimo Šiaurės Amerikoje ir tik 31 proc. Europoje. Pasak „ABI Research“, tai rodo, kad Europos organizacijos vis dar atsargiai žiūri į operacijų perdavimą AI sistemoms.
„Pasitikėjimo spraga“ stabdo autonominį dirbtinį intelektą
Dauguma įmonių (52 proc.) naudoja AI sprendimų palaikymui – kai sistema teikia rekomendacijas, tačiau tik 27 proc. leidžia jai veikti autonomiškai. Ši vadinamoji „pasitikėjimo spraga“ riboja technologijų potencialą ir galimybes taupyti išlaidas.
Įmonės dažniausiai diegia AI mažos rizikos užduotims, tokioms kaip paklausos prognozavimas ar klientų aptarnavimas, bet vengia taikyti ją rizikos valdymui – būtent ten, kur ji galėtų išvengti sulaikymo mokesčių ar perteklinių atsargų.
Pagrindinė kliūtis – organizacinė, o ne technologinė
Net 65 proc. respondentų pripažino, kad jiems trūksta aiškių standartinių darbo procedūrų (SDP), leidžiančių greitai reaguoti į realaus laiko signalus. Dar 53 proc. nurodė, kad operatyvinės komandos neturi pakankamai įgaliojimų, o 70 proc. – kad tarp padalinių trūksta koordinavimo.
Tai reiškia, kad net turėdamos reikalingus duomenis, įmonės dažnai „sustingsta“ dėl perteklinių patvirtinimų ir lėtų procesų.
Integracija – o ne duomenų kokybė – yra pagrindinis barjeras
Nors dažnai kalbama apie prastą duomenų kokybę, pagrindinė kliūtis, pasak tyrimo, yra paveldėtų sistemų integracija (46 proc.), įrankių tinkamumas (46 proc.) ir įgūdžių trūkumas (46 proc.).
Šie veiksniai trukdo susieti AI sprendimus su esamomis ERP, WMS ir TMS sistemomis.
„Sėkmė priklauso nuo duomenų sąveikos, aiškių veiksmų procesų ir organizacinio pasirengimo – elementų, kurių daugelis įmonių šiandien dar neturi,“ – teigė Ryanas Wigginas, vyresnysis analitikas „ABI Research“.
Greitas ROI – vietoj ilgalaikių transformacijų
Dėl apyvartinio kapitalo spaudimo įmonės vis dažniau renkasi projektus, kurie atsiperka per 4–8 mėnesius, o ne kelerius metus trunkančias transformacijas. Dauguma tiekimo grandinės kontrolinių bokštų projektų kainuoja 50–250 tūkst. JAV dolerių, ir tik 7 proc. viršija pusę milijono.
„Gera 100 tūkst. dolerių sistema visada bus naudingesnė nei ignoruojama 500 tūkst. platforma“, – pažymi ataskaita.
Tik 156 įmonės tyrime nurodė, kad jau visiškai įdiegė autonominius AI sprendimus, tiesiogiai susietus su operacijomis – nuo sulaikymo mokesčių prevencijos iki skubių transporto užsakymų optimizavimo.
Jų patirtis rodo, kad tikrasis finansinis efektas atsiranda tada, kai AI tampa kasdienių sprendimų dalimi, o ne tik analitiniu įrankiu.
Trys pagrindinės rekomendacijos
- Pagerinti procesus. Sukurti aiškias SDP ir įgalinti komandas veikti pagal realaus laiko signalus.
- Palaipsniui didinti pasitikėjimą AI. Pradėti nuo sprendimų palaikymo, pereiti prie autonomijos.
- Susieti investicijas su pinigų srautais. Vertinti jas pagal sutaupytas inventoriaus dienas, išvengtus sulaikymo mokesčius ir mažesnius skubos užsakymus.
„Matomumas jau tapo standartine sąlyga. Spraga – vykdyme. Technologijos veikia, ROI yra pasiekiamas. Įmonėms tereikia leisti joms veikti,“ – apibendrina ataskaita.
