生成人工智能时代的供应链网络

这是一段激动人心的旅程。而且，这是我期待在未来几个月和几年中支持我们的客户的旅程。, 95%的高管同意根据我们的2024年技术愿景生成式人工智能将迫使他们的组织现代化其技术架构。供应链领导者们的好消息是，这项激动人心的机器学习革命正在为革新他们领域的工作创造了一系列可能性。组织能否在今天实现这一价值？我们相信可以。但这意味着不能仅仅将生成式AI视为“仅仅是另一种”技术实施。它是一场企业转型，影响组织对数据、人才和工作方式的思考方式。更不用说负责任和安全地实施生成式AI的关键重要性。本文中，我们全面且前瞻性地探讨了端到端供应链中的机遇。我们看到了从采购和规划，通过制造和履行，到售后和服务等各方面的应用。我们也看到了跨职能成果，如供应链可持续性、韧性、人才管理和以客户为中心等方面的巨大价值。每年的埃森哲变革脉搏指数发现技术已成为2023年商业颠覆因素的首位，得益于生成式AI的进步。该技术在影响整个价值链方面具有独特之处，能够重塑组织的每个部分并重新设定绩效前沿。通过拥抱这一更广泛的变化，供应链领导者可以充分利用生成式人工智能的时代。并推动供应链网络创新，以实现对企业、对人类以及对地球更好的成果。 埃森哲的分析表明，整个供应链职能的所有工作时间的43%将受到影响——生成式人工智能要么自动化活动（29%），要么显著增强人类员工的工作（14%）。1鉴于全球供应链劳动力的庞大规模，其对企业累积的价值潜力是巨大的。 为什么这是供应链领导者的好消息？LLM能力不仅限于编程、内容创作或营销。它们在整个端到端供应链网络中也蕴藏着巨大的潜力。从新产品开发、采购和计划、制造和物流，到售后和服务的各个方面，都有可获得的的价值。潜在应用的数量吸引了商界领袖的关注。我们的研究发现，97%的高级管理人员同意生成式人工智能基础模型（也称为大型语言模型或llms）将对其公司具有变革性影响。而且100%的人预计将发生劳动力方面的变化。2生成式人工智能正在蓬勃发展。自2022年末ChatGPT推出以来，这项技术席卷了全球。在各个行业和商业职能中，企业都在寻求探索其可能性，并利用人工智能创意方面的变革潜力。 为什么？我们的观点？所有C级领导者都在应对根本性问题。围绕生成式AI的喧嚣有多少是真实的？它的承诺能否转化为可扩展的解决方案？哪些用例可以今天就能创造真正价值？领导者如何让数据和组织为抓住机遇做好准备？整个端到端供应链中都有真正的价值。但要获得这些好处，就需要在组织思考创造价值和工作方式方面进行深刻的转变。这意味着将生成式人工智能不仅仅视为一系列软件中最新的一项来对待。企业转型实现，但更像是,与明确的聚焦端到端业务能力以及对数据、人员、工作方式、流程和责任采纳等方面的影响。关于生成式人工智能的潜力存在广泛共识，许多组织都在积极进行实验。但我们的变革的脉搏季度调查建议只有三分之一的人到目前为止进行了重大投资。 生成式人工智能的成功意味着准备好数据、准备好人员和企业与语言相关的活动生成式人工智能擅长于正如我们将在本文接下来的章节中探讨的那样。然而，供应链领导者也必须认识到，虽然它在其擅长领域非常强大，但并不适用于每一项任务。特别是那些更侧重于数值处理或需要更高复杂推理能力的供应链活动，其直接影响力会较小。这就是我们同样建议将其置于更广泛的背景下看待的原因——将其视为一个自动化能力连续体那些包括传统流程自动化和经典机器学习模型，以及LLMs。 基于生成式AI的革新有助于弥合从过去线性供应链到未来真正互联互通、智能供应链网络的差距。在供应链先前进步的基础上进行构建生成式人工智能供应链管理人工智能提供了一系列新功能。 与现有的AI、机器学习模型和工作场所平台相结合，这些能力将使公司能够优化和提升供应链运营，解决紧迫的供应链挑战，最终确保供应链网络对业务、人类和地球产生更积极的影响。上下文理解。供应链经理可以利用生成式AI，基于以前无法获取的非结构化数据源提供的情境化洞察，做出更好的决策。例如，通过扫描大量公共在线资源来识别未来需求的根本原因，从而改进预测。或将生成式AI嵌入供应链控制塔中，以增强用户与数据交互的方式，提高可解释性和信任。生成式AI还可以与现有的流程自动化相结合，显著简化供应链活动。 对话能力。供应链工人可以使用生成式人工智能，通过日常语言中的聊天机器人交互，获取定制化的洞察和自动化功能。这可能包括让聊天机器人协助查找特定备件，并在其不可用时创建调用订单或现货采购给首选供应商。其他应用包括自动生成采购订单、培训和提高制造业工人的技能以及维护故障排除。 内容生成。生成式人工智能能够提供在需求时以工业规模创建相关、特定于上下文的文本、代码、图像或洞察的承诺。如今，在采购和供应中的应用最为成熟，例如自动生成的特定于供应商的洞察（KPI、市场趋势、需求预测），以支持与供应商的合同续签谈判，以及情境化的业务运营绩效指标。 对于首席供应链官（CSCOs）而言，生成式AI的承诺贯穿整个供应链网络运营，从设计和规划一直到售后和服务。埃森哲的分析表明，在总共分析的122个供应链流程中，有高达58%的流程可以重新构想。3 8增强和在基于模型的系统工程等领域的应用中，大型语言模型将越来越多地加速设计师的工作。通过利用历史数据，生成式AI解决方案能够快速生成新的设计和模型，节省时间并减少重复工作，尤其是在设计迭代过程中。生物医药公司的应用尤其强大。Terray Therapeutics正利用生成式AI革新小分子药物发现。其用于化学的COATI基础模型将化学结构转化为数值表示形式，使生成式AI能够设计新型优化分子。4包装设计是一个好的例子。需要考虑多个因素——可持续性、运输便利性、耐用性、法规、品牌化等——会占用时间和有限的资源。同时，随着产品线规模的扩大，记录和检索包装信息变得越来越困难。生成式人工智能可以提供多种设计概念（2D或3D），并根据总结的设计信息提出合适的包装文案和营销方案。人类同事可以随后审核这些概念，以确保符合产品和法规要求。 许多CSCO已经实施了高级分析增强和优化供应链规划解答活动。然而，这些工具所产出的见解的复杂性，以及将其转化为实际行动所需的专门专业知识，意味着它们在实践中通常难以使用。革新洞察力的获取方式生成式人工智能承诺要不仅在供应链规划中，也在网络设计优化等领域。通过易于使用的界面，员工可以用日常语言查询优化建议，并收到他们易于理解并采取行动的解释。这为更多的供应链工作者打开了关键洞察力，同时也增强了数据信任，并加速了领域专家的行动速度。同时，生成式AI可用于将更广泛的无结构数据源（如市场报告、新闻结果和社交媒体）纳入预测计算。它还支持跨销售和运营规划更协作、更高效的协作方式——即时总结会议行动要点，对比计划与实际结果，构建关键指标仪表板，甚至可以自行生成草案计划。这将释放规划人员宝贵的时间用于更具战略性的任务。 9 今天，采购团队正应对效率低下、手动流程、各类差异和系统集成问题带来的挑战。尽管团队通常将大量时间用于策略协调、采购和数据核对，但生成式人工智能提出了简化流程，连接信息机会间隙，并提高对更广泛的数据源的访问权限，实现更快的洞察力和简化的流程。考虑零售巨头家乐福如何使用生成式人工智能来提升其内部采购流程。该公司正在开发一项解决方案，以帮助员工更快地完成日常任务，包括起草招标书和分析报价。5超自动化它还开辟了where不同的自动化形式——包括现有的机器学习算法、流程自动化以及生成式人工智能——被联系在一起，成为更大规模自主系统的一部分。这承诺将使团队能够从事更有价值的工作，并提高整体效率。 助理买手想象一下如果每个业务用户都有一个由生成式人工智能驱动。当它们需要购买某物时，助手可以引导它们到正确的购买渠道，支持任何取消订单或现货购买，并在需要时，与专业买家联系来处理购买。合同生成文本密集型活动，如也能显著获益。一种生成式人工智能解决方案可应用于大量非结构化采购信息，例如历史合同、采购政策和产品规格，以识别常见模式和需求。这使其能够即时生成一份新合同的第一稿，然后团队可以使用其采购专业知识进行审查和改进。 智能采购和合同工具埃森哲已经建立了一个使用生成式人工智能。它通过分析业务需求、历史合同和竞标模式，帮助采购经理进行供应商谈判，并提出合适的采购策略。该工具还建议条款和条件，以帮助确保谈判结果是最好的合同。RFP起草？什么关于在历史性的RFI、RFP和RFQ信息上微调，生成式人工智能不仅可以起草RFx文件，还可以审阅和比较供应商返回的响应。供应商发现分类上游采购活动，如和管理也能从生成式AI快速总结广泛的市场情报见解中获益。 12质量控制与合规性同样，也能获益。即使是医药等监管严格的行业中的公司，也在探索如何将生成式AI应用于多个数据源，以识别冷链管理中的异常情况，并自动填充合规文件供人类专家审查。生成式AI还可以起草技术出版物凭借准确的内容，显著降低创作工作量。例如在航空航天领域，它能够加速生产依法要求的技术文件，如工作/组装/维修说明、用户手册、保修信息和使用说明（IFUs）。随着数据可用性和信任的提高，生成式人工智能也将越来越运营数字孪生应用于丰富的见解中加速诊断和根本原因分析。经典AI与生成式AI的结合有望显著简化获取预测性维护洞察、实时数据分析及故障诊断的途径，通过易于使用的问答界面使信息更易于理解。 植物管理，在例如，资产维护团队经常面临复杂的流程和大量的资产特定文档。生成式人工智能可用于消化所有这些信息，并将其总结为一系列逻辑步骤，作为工作订单的一部分。这意味着专家知识被解锁并普及到整个员工队伍中——这不仅提高了运营绩效，也提高了工作满意度。维护计划？什么关于重工业中许多公司它们正朝着基于风险的检查（RBI）迈进，以释放价值。但规划这些检查，以及预防性维护和操作员关怀例行程序，仍然是一个手动、人力密集且重复的过程。它需要高技能领域的工程师来创建计划文件，还需要主题专家进行审核。然而，生成式人工智能可以高精度和完整性地为设备类别或特定设备编写精确的维护工作计划。这大大减少了创建和审核关键计划文件所需的时间。如果公司能够将其IT数据与其运营和工程数据结合起来，生成式AI将帮助它们实现一致的质量与运营卓越在其生产运营中，特别是在资产维护和为员工提供可操作的预测性见解等方面，它也可以提供新的见解，从而为产品设计质量控制提供新的思路。 13如今，供应链中断无处不在。它正迫使公司转型供应链运营，以增强韧性、相关性和责任感。领导层专注于在实施运输管理系统（TMS）、仓库管理系统（WMS）以及仓库自动化/机器人技术的同时提升预测能力，以推动敏捷性和效率的提升。通过将生成式人工智能叠加到更广泛的数据成熟度和自动化议程上，公司可以实现超个性化客户体验在履行方面有显著收益。这包括增强和从基于海量全渠道数据的洞察中提取新的收入机会。履行优化交通管理操作员也可以使用生成式AI来提出方法和提高预测通过考虑来自非结构化信息（例如天气预报和竞争对手活动）的更广泛的因素。基于LLM的进出口文件生成器考虑如何一个可以转变航运和出口流程。生成式人工智能可应用于一系列多模式非结构化信息，包括历史内部记录和政府监管文件，这些信息以多种格式存在，包括PDF和表格。然后，航运和出口文件可以自动填充，供人类专家审核和验证，减少错误机会，同时节省时间和人工工作。 这就是为什么生成式AI能够产生颠覆性的影响。它的能力扫描大量信息跨越更广泛的数据来源——包括以前难以处理的非结构化数据——提供了获得更深入见解的潜力。从地理位置到天气状况，从客户生活方式到个人使用模式，这些都可以与经典的AI技术相结合，以在全球范围内实现真正的一对一服务体验。提供服务而非仅仅提供产品的目标对许多公司来说正变成现实。然而，服务领域通常仍然高度碎片化，资产和资源在区域和全球范围内分布。它也严重依赖于与供应链其他部分的协调。不仅如此，执行以服务为导向的策略需要一种远为主动的方法来预测和响应个别客户的需求。一个例子？看看 Accenture 如何帮助一家主要汽车