GEP&Everest Group：2024生成式AI时代的采购转型报告

生成式AI时代的采购转型 Shirley Hung，合伙人Prateek Singh，实践总监Akash Thunga，高级分析师Smarajeet Das，高级分析师 Copyright © 2024，Everest Global, Inc。保留所有权利。 目录 引言03 数字技术在采购环节的普及度04 生成式AI的出现及其潜在影响06 通过生成式AI实现采购流程的转型升级07 通过权衡利弊优化AI实施09 实施生成式AI的关键考虑因素11 结论14 引言 生成式AI以其令人惊叹的类人创造能力，在商业世界中获得广泛关注。自从ChatGPT发布以来，全球企业积极探索其应用模式。随着技术的不断发展，它持续对商业运作产生深远影响，采购流程也不例外。随着时间的推移，采购部门已从后台职能发展成为业务的战略前沿，其工作重心不仅仅是实现传统的成本节约，还包括建立战略供应商关系、动态和主动管理风险以及确保业务连续性。 AI技术不仅可以帮助采购组织实现成本节约，还可以提高各个流程的效率、生产力和准确性，创造更多附加价值。然而，与财务和会计(F&A)以及人力资源(HR)等业务职能相比，采购组织在采用先进的数字解决方案方面相对落后。尽管采购对基于人工智能/机器学习(AI/ML)的分析和智能文档处理(IDP)等先进技术表现出了一定兴趣，但整体上认知解决方案的采用仍处于初级阶段。能够辅助决策的基于人工智能/机器学习(AI/ML)的认知解决方案的出现，使采购运营的转型升级迎来了新的机遇。 人工智能模型逐渐成熟、更快的系统算力以及高质量模型训练数据的涌现，正在重新定义生成式人工智能等技术。这些人工智能模型可以生成文本、图像、视频、音频、代码片段和合成数据等形式的独特内容。生成式人工智能有望进一步增强现有基于人工智能的解决方案的适用性和能力，从而可能形成更高的普及率和影响力。随着各行各业探索在企业运营中利用生成式人工智能的能力，采购领导者也在密切跟踪这一领域的发展，以便在他们的转型进程中，贯穿寻源到付款(S2P)价值链挖掘潜在的高影响力用例。 从这个角度来看，我们探讨了生成式人工智能时代采购运营的数字化转型，包括： 数字技术在采购环节的普及度贯穿寻源到付款(S2P)价值链的基于人工智能/机器学习(AI/ML)解决方案的用例生成式人工智能的出现及其含义采购运营中生成式人工智能的用例及其优先级确保生成式人工智能解决方案成功实施的关键考虑因素 数字技术在采购环节的普及度 许多组织仍依赖采用传统技术的过时系统来维持他们的采购运营。到目前为止，采购组织尚未大规模采用基于人工智能/机器学习(AI/ML)的认知解决方案。尽管技术和服务提供商通过其多样化的产品也在推动大多数组织采购运营的数字化转型，但即便如此，采用具有传统技术能力的解决方案的比例依然高于先进技术能力的解决方案。 采购的数字化进程传统上侧重于利用基础分析、机器人流程自动化(RPA)和基于规则的聊天机器人。基本的分析能力有助于简化数据管理、报告和仪表板制作。基于RPA的重复流程自动化可减少周转时间和人工成本，使组织能够将资源转移到更具战略性和判断力要求的活动上。基于规则的聊天机器人协助迅速回答来自各方利益相关者的常规查询。这些技术的普及由快速实现效益、低实施成本和易于采用等因素推动。 更成熟的采购组织已经采用了先进技术，但非常有限。一些组织采用先进技术，如IDP能力，用于从文档中自动提取非结构化数据，从而节省人工成本和时间。在某些情况下，基于AI的高级分析功能通过S2C和P2P套件或分析工具使用，以做出明智的决策。此外，采用AI驱动的智能自动化解决方案正在提升RPA能力，以实现复杂工作流程和流程的自动化。具有认知能力的流程挖掘解决方案也通过识别流程障碍来弥补自动化的短板。然而，高成本、缺乏历史数据、系统分散、技能差距以及对投资回报率缺乏清晰认识限制了先进技术的采用。 用例1描述了采购组织的数字化之旅，并显示传统技术的普及率高且仍在增长，先进认知技术尽管逐渐增长，其普及率仍然很低。 利用AI/ML能力的机会 尽管采用率低，AI/ML技术面向采购领域推出了丰富的应用，加速创造价值。正如用例2所示，组织应考虑在S2P价值链中嵌入AI能力，以提高效率和准确性。 AI/ML在S2P价值链中的用例 来源：Everest Group (2024) 尽管AI能力可以给采购流程带来变革，但仍然需要关键的人工干预才能顺利运行采购操作。这是因为在创建请购单、采购订单、发票、RFX和合同等活动中需要进行判断，其定制内容取决于支出类别、地点和决策过程（包括P2P内的批准、采购策略、谈判和类别管理）。随着AI模型的发展，它们克服当前限制和推动转型的能力将会增强。 生成式AI的出现及其潜在影响 生成式AI模型基于大量训练数据，并建立在大型语言模型(LLM)之上，这使它们能够创造出超出训练数据的内容。这赋予它们创造性和创新性解决问题的能力，并且内容生成能力非常接近人类。生成式AI的独特之处在于它能够创造出与训练数据类似而非原样照抄的新数据，使其能够不断自我学习。这些模型具有超越预定义的任务、领域和现有模式的创造能力，创造出并非来自历史数据或相关模式的新输出。 尽管早期的AI解决方案也能识别模式、预测趋势并帮助预测未来结果，但它们的输出主要基于输入模型的可用历史数据，它们缺乏在数据集之外生成创造性输出的能力。生成式AI在面对特定局面时采取有针对性的操作，并解决新问题，即便之前没有将相同情况或问题的数据记录到模型中。传统解决方案遵循基于规则的方法，其中跨参数的预定义标准和规则驱动输出。它们缺乏生成式AI的创新能力，导致它们缺乏灵活性且局限于特定领域或目的。用例3描述了生成式AI相对于以前的AI/ML模型的优势。 此外，正如用例4所示，生成式AI可以增强先进认知解决方案的应用，推动更广泛的采用。预计外包服务和技术提供商将通过增强其现有解决方案的生成式AI能力来推动这一趋势。 来源：Everest Group (2024) 组织意识到，生成式AI可以显著加速AI/ML解决方案带来的价值，并提高此类解决方案的成果和投资回报率。虽然仍处于探索阶段，生成式AI的用例在整个S2P价值链中显示出极高的潜力，该价值链包括许多需要创造性内容生成和创新问题解决能力的过程。生成式AI可以在进一步转型采购操作中发挥关键作用，不仅仅作为一个复杂的工具，而且作为采购数字生态系统的一个组成部分。 通过生成式AI实现采购流程的转型升级 组织正在探索跨S2P价值链的生成式AI技术的许多潜在用例。这些用例可以大致分为三类，如用例5所示。 用例5 在采购中应用生成式AI 来源：Everest Group (2024) 我们将在下面详细介绍这些应用。 文档创建 S2P涉及其工作流中的多个事务和相关文档。关键文档包括申请单、采购订单、发票、RFX以及合同。生成式AI可以自动创建这些文档，脱离预定义的模板。它通过适当的提示词几乎可以立即创建所需类型、格式和模板的文档。尽管该过程可能需要人工监控和质量审核，但它减少了手动反复为不同类别、供应商和地点创建这些文档所需的时间和人工。 决策支持 组织可以考虑一个全面的生成式AI模型，作为一个全天候的专题专家协助采购操作，由人工评估和验证其输出。他们可以使用这些模型并根据位置、历史表现、财务状况、服务能力、定价、支持的语言和混合外包形式等参数来鉴别供应商。此外，该模型以极高的自动化程度评估和实施供应商入驻。生成式AI也可以指导并可能代表组织推动供应商谈判。它可以计算实时定价基准，并从市场情报和历史记录的谈判中得出洞见，以帮助制定更好的谈判策略。 凭借拟人的对话风格以及数据处理和分析能力，生成式AI可以用来更好地管理供应商关系。它可以自动向供应商索要任何额外所需的数据，通过定制的计分卡进行定期绩效评估，检测并标记提交信息中的异常，并持续监控供应商风险。它不仅可以自动化这些重复但有价值的活动，它还可以通过识别问题而且提供解决问题的建议来改进这些活动。同样，它可以评估与特定供应商的业务关系，并建议纠正措施以改善关系。 凭借其创新能力，生成式AI可以建议优化整个价值链过程的方法，包括： 建议对计分卡进行编辑以实现更准确的评估识别具有创新空间的服务领域标记供应商治理模型中的瓶颈建议付款计划以优化发票处理定制RFX，以根据采购策略包含特定请求通过定制条款构建适合特定地区或位置的合同以遵守当地法规评估工作流程并建议流程改进 生成式AI可以作为领导团队的宝贵助手，帮助制定各种策略，同时牢记最终目标。到目前为止，组织只依赖基于有限数据的AI生成的洞察来运行战略性上游采购过程。凭借其理解多个参数和场景的能力，生成式AI可以迅速帮助制定兼顾组织政策和优先级的策略。当前宏观经济充满不确定性、通货膨胀压力激增，采购利益相关者十分关注的一点可能是生成式 AI根据对组织特定需求、供应商格局、区域细微差别和类别智能的理解，识别降低成本的机会的能力。 虚拟协助 ChatGPT几乎立即让人们见识到了生成式AI的文本生成能力。在采购领域，组织表现出利用生成式AI作为虚拟购买助手的兴趣，该助手可以取代人工采购台，并革新指导式购买。生成式AI还可以用来自动生成对员工、供应商或其他利益相关者常见的采购相关查询的回应。这将减少人工服务台的工作量，缩短响应时间，并确保所提供信息的一致性和准确性。 通过权衡利弊优化AI实施 考虑到许多生成式AI的用例及其增强现有AI应用的能力，组织应优先在S2P价值链中部署这些技术以优化结果。在分阶段优先实施认知解决方案时，采用潜力和影响是需要考虑的关键因素。用例6显示了一个可以用来优先考虑AI实施的框架。 我们根据预期的影响程度和采纳潜力，将示例用例分布在四个象限中。 加速实施 此象限中的用例是采购生态系统最容易达成的目标，可以快速采纳以启动AI驱动的转型之旅。这些用例具有高采纳潜力，并预期会产生较大影响，使它们具有成本效益且易于实施。例如，组织可以利用基于生成式AI的认知虚拟助手来优化采购服务台流程，通过提高效率、确保准确性以及自动化来自内部和外部利益相关者的常规查询实现有影响力的成果，同时只需有限的人工监督。基于生成式AI的解决方案也可以帮助根据特定需求自动创建各种采购相关文档（PR、PO、RFX）。 存在机会 相对于实施增加的成本而言预期影响较高，组织可以开始规划这些用例的实施。这些用例需要更多关注，因为由于数据保密性方面的担忧、缺乏优化的流程和业务关键度较高，它们的采纳潜力较低。诸如谈判和识别节省成本机会之类的用例支持使用AI/ML解决方案，这些解决方案具有显著的财务影响，既可以节省成本也可以提高效率。然而，为此目的训练AI模型所需的数据非常敏感，需要仔细实施以确保数据安全和保密性。 保持警惕 某些流程的性质或它们缺乏战略或运营重要性可能会造成影响力较低，尽管它们有高采纳潜力。组织在实施这些用例时需要保持警惕，并根据具体需求对它们进行优先级排序。例如，生成式AI可以帮助简化供应商绩效管理流程，这包括定期的绩效调查和评分卡，确保遵守SLA/KPI，并启动改进计划。 降低优先级 组织应对这一象限的流程持观望态度。鉴于当前生成式AI解决方案的成熟度、流程的复杂性以及安全数据实践的（不）可用性，对这些流程实施生成式AI解决方案并不值得投入人力物力。 基于生成式AI的认知虚拟助手有可能优化采购服务台流程，通过提高效率、确保准确性以及自动化来自内部和外部利益相关者的常规查询实现有影响力的成果，同时只需有限的人工监督。 实施生成式AI的关键考虑因素 在实施AI，特别是生成式AI解决方案时，组织需要克服市场因素、内部技术限制、人才限制以及对变革的任何顾虑所带来的挑战。在他们继续推进生成式AI的应用时，应牢记用例7中所示的考虑因素。 用例7 生成式AI实施的关键考虑因素 来源：Everest Grou