GenAI真的能改变供应链管理吗？

从非结构化数据中挖掘价值，超越传统人工智能的局限 赞德博士 凯-奥利弗·赞德 博士蒂勒博士 托马斯·蒂勒鲁贝格博士 莫里斯-安德烈·鲁贝格皮尔托 朱莉娅阿勒博士 蒂姆·阿勒 生成式人工智能（GenAI）已迅速成为备受瞩目的技术——一种有潜力重塑各行业的科技。在供应链管理领域，它为处理海量非结构化数据展现出特殊前景。近期全球贸易中断事件，如美国关税的突然调整，凸显了GenAI的重要性以及传统AI在快速变化环境中的局限性。本观点通过采用标准化的供应链模型，评估GenAI是否名副其实，并确定其能创造最大价值的领域。 全球供应链正面临压力，其复杂性日益增加，风险更难预测，需求不断变化，且对效率的持续需求从未停止。这促使企业寻求创新的优化解决方案。传统人工智能通过基于规则的系统、机器学习（ML）和自动化，已成为变革性的力量。然而，其普及应用仍然不均衡，许多公司仍处于实施初期。并且其局限性日益明显：传统人工智能依赖于稳定、结构化的数据，难以应对快速变化、不可预见的发展。而生成式人工智能（GenAI）现在正在拓宽其应用范围。与前辈不同，它不仅分析数据，还能重新定义整个供应链中的决策和内容创作。生成式人工智能能否真正改变供应链的运作方式？ 传统人工智能在需求预测、库存管理和路径优化方面表现出色——本质上，这些应用都根植于结构化数据。 - 生成式人工智能（GenAI）——结合多种机器学习技术来处理和解读非结构化数据。其重点不在于预测具体数值（例如产品需求），而在于从大量的非结构化数据（如文本、图像或音频）中生成洞见。GenAI 在内容创作、个性化推荐和自然语言理解等应用方面表现出色。 生成式人工智能在供应链中的潜力 供应链运营参考模型（SCOR）是一个标准化的框架，用于评估、基准化并改进供应链绩效（见图1）。它为分析跨越六个主要流程（计划、订单、采购、生产、交付和退货）的供应链流程提供了一个综合结构，这些流程共同协调端到端的集成。 为评估生成式人工智能（GenAI）的潜在影响，我们首先区分传统人工智能与生成式人工智能，随后对其在供应链方面的潜力进行评估： - 传统人工智能——涵盖 GenAI 之前的 AI 方法；具体指基于规则的方**法和经典机器学习，这些方法处理结构化数据以生成基于模式的洞察。**它在数据全面且输出定义明确的环境中非常有效（图1。SCOR 模型结构）。 一项尖端技术提升是代理式AI驱动的个性预测。通过模拟代表不同客户群体的虚拟人物，AI代理能够融入微妙的行为洞察。整合所有虚拟人物可提供对市场需求的全面视角（例如，基于当前新闻或社交媒体情绪的趋势），从而实现更精细的客户细分和更精准的预测，这些预测能更好地反映异构市场需求和消费者偏好。 原则上，通用人工智能（GenAI）可以在供应链的多个环节增加价值。然而，关键问题在于它应该在何处以及如何发挥最大影响。亚瑟·D·利特尔（ADL）已经确定了通用人工智能效益最大的那些流程，以及建议的实施方法。 计划：需求预测 在SCOR模型的规划阶段，需求预测至关重要，以确保供应链运营与市场需求相一致。传统人工智能长期以来通过分析历史销售数据来识别模式和趋势，从而支持这项任务。然而，在波动且快速变化的市场中——在这些市场中，需求受地缘政治事件、经济中断或新兴消费者趋势等外部因素的影响——传统人工智能对历史数据的依赖往往不足。在最近的全球中断事件中，这一局限性显而易见，例如围绕关税的中美贸易紧张局势，以及大流行和极端天气等前所未有的事件，这些事件仅使用传统结构化数据难以进行建模。 根据ADL的经验，其近半数客户已将机器学习整合到需求预测中。在快消品领域，通用人工智能通过分析历史数据并结合天气、市场趋势等外部因素，提升了预测的准确性。在多个客户案例中，通用人工智能显示出将准确率提高15%-30%的潜力，这意味着通过将传统数据处理扩展至社交媒体情绪或图像数据等数据源，可将库存成本降低5%-10%。以上数据未包含行政效率提升，通用人工智能利用非结构化数据并支持自然语言交互，使洞察力更易于员工获取，并减少了对专家的依赖。 GenAI通过整合来自社交媒体、突发新闻和消费者行为等来源的实时非结构化数据来弥补这些差距。其结果是，当历史模式不再适用时，能够生成更精准、更具适应性的预测。例如，在COVID-19大流行期间，传统AI模型难以准确预测需求，因为过去的销售模式已不再相关。这就是GenAI与传统AI可以相互补充的地方：GenAI可以在传统AI进行深入分析和预测之前对数据进行预处理，例如总结新闻和趋势；然后GenAI可以生成用户友好且富有洞察力的输出。 案例研究——提升冰淇淋需求预测 一家领先的消费品公司通过整合实时天气数据和图像识别技术，运用生成式人工智能（GenAI）来提升冰淇淋的需求预测能力。在一个地区，预测准确率提高了10%。配备视觉库存追踪功能的AI冰箱减少了缺货情况，在试点市场将销售额提升了8%-30%，优化了库存管理并减少了浪费，尤其对于季节性强的产品效果显著。 订单：合同管理 通过分析维护日志和设备历史数据中的模式，GenAI实现了跨机器和系统的知识共享。 生成式人工智能（GenAI）在订单阶段尤其具有价值，特别是在合同管理方面——这是一个涉及法律措辞和大量文件的复杂流程。GenAI有助于采购团队高效地理解和管理工作合同。它通过筛选和总结条款来支持自动化合规性检查，从而识别风险、关键条款以及需要进一步关注的问题项。此外，GenAI增强了文档追踪功能，并提供自动化通知，使团队能够实时掌握供应商和产品/服务覆盖范围、合同续签情况以及即将到期的截止日期。这提高了效率，并使采购团队能够充分利用现有合同。 这加速了维修流程，减少了对手工技能工人的依赖，并提高了首次修复率。 它还能在原本不存在说明的情况下生成说明，并提升现有说明的质量，从而将运营中断降至最低。通过分析维护记录和设备历史数据中的模式，通用人工智能（GenAI）能够实现跨机器和系统的知识共享，并得到人工智能、用户和维护专家之间交互式指导的支持。此外，它还能降低培训成本，因为通用人工智能可提供按需支持，部分取代了复杂的入职培训和培训计划。 据《合同管理杂志》统计，如今超过70%的公司难以找到并利用其至少10%的合同。因此，他们往往依赖市场价格而非协商条款，导致不必要的成本。据国际合同与商业管理协会（IACCM）报告，有效的合同管理可通过提高9%的利润率来提升盈利能力。GenAI通过确保合同得到妥善识别和应用来弥补这一差距，从而减轻行政负担、降低运营成本，并通过更高的透明度和理解力，提升供应商关系管理及采购效率。 案例研究——为输电系统运营商简化维护流程 ADL 为一家领先的欧洲传输系统运营商开发了一套生成式人工智能（GenAI）解决方案，该方案可根据企业资源计划（ERP）数据和维修经验自主创建维护说明。该系统还能直接在 SAP 中生成和触发订单。该解决方案将创建说明的工作量减少了近 40%，这项工作此前由经验丰富的工程师负责完成。 产出：维护效果 在制造业中，与维护相关的停机时间直接影响生产力和盈利能力。在生产阶段，通用人工智能通过分析大量记录和日志来优化预测性维护，帮助组织提高运营效率。它将维护数据转化为简洁、可操作的指令，供技术人员和工程师轻松理解和执行。 订购、来源、履行与退货：外部沟通 生成式人工智能并非供应链管理所有改进的万能灵药 有效的沟通是订单与退货管理的核心。由生成式人工智能（GenAI）驱动的聊天机器人正通过提供即时、准确的回复，革新与客户及供应商的互动方式。对于客户而言，聊天机器人处理常见咨询，提供即时解决方案，并给出个性化回答而非泛泛而谈。复杂咨询可转交人工客服，同时AI会提供关于客户的相关背景信息。对于供应商，自动化回复简化了沟通流程，可即时提供发票、合规性或库存信息。生成式人工智能将个性化沟通与精准数据相结合，并收集互动数据以优化供应商管理，通过识别反复出现的问题来推动主动式解决。 生成式人工智能（GenAI）可能成为供应链管理的变革者，但其影响取决于是否与战略业务需求相契合地谨慎应用。它的适应性以及处理复杂、非结构化数据的能力，使其非常适合合同管理、维护和实时客户互动等高价值领域，同时也能增强需求预测等现有应用。它优化了流程和信息处理，并将内部资源解放出来，专注于更具战略性的举措，包括市场分析、产品开发和加强供应商关系。 通过提升客户互动并优化供应商联络，GenAI聊天机器人提供实时支持，改善客户体验，并加强供应商关系。企业通过整合聊天机器人可在客户管理上实现20%至40%的成本节约。具体节约幅度取决于任务复杂度、互动量、系统集成以及人工干预的需求。 然而，通用人工智能并非解决所有供应链管理改进问题的万能药。例如，在需求规划或维护等数据驱动领域，最好将其与传统人工智能结合使用。通用人工智能非常适合从不同来源（例如社交媒体、新闻）进行数据预处理和聚合，并生成用户友好的输出，而传统人工智能则负责中间处理，从而降低模式识别算法产生偏见或“幻觉”的风险。 案例研究——提升零售业客户服务与供应商谈判 一家大型零售公司使用生成式人工智能聊天机器人来提升客户服务与供应商谈判效率。对客户而言，AI驱动的助手提供产品咨询和订单追踪的实时支持，改善了用户体验，并减少了人工代理的依赖。对供应商而言，生成式AI谈判机器人自动化处理常规供应商交易，将谈判时间从数周缩短至数天，并在超过60%的案例中改善了交易条款。聊天机器人将支持和采购成本降低了20%-30%。 生成式人工智能（GenAI）并非能一次性重塑整个供应链，但它能显著优化特定应用。总体而言，生成式人工智能在供应链管理领域引发的喧嚣是合理的——前提是它被应用于恰当的场景。企业应评估自身需求、背景和风险，以确定生成式人工智能能提供战略优势的领域。成功将源于审慎地将生成式人工智能的优势与人类专长及传统人工智能能力相结合。 重塑未来：通用人工智能真正的变革力量 生成式人工智能能够改变供应链管理的特定高价值领域。 生成式人工智能并非万能解决方案，但当有目的地应用时，它能够转变供应链管理中特定的高价值领域。其优势在于处理非结构化数据、提升决策能力，并在合同管理、维护及客户互动等职能中释放新的效率。为发挥其全部影响： 1 将通用人工智能（GenAI）应用于传统人工智能力所不及的场景（例如，数据收集和呈现）。 2 结合生成式人工智能与传统人工智能，尤其是在数据密集型任务方面。 重新设计工作流程，将生成式人工智能融入运营，而不是将其视为一个独立的工具。 投资护栏以管理偏见、幻觉，并确保可解释性。 若能策略性地运用，生成式人工智能将不仅仅是一种工具；它将成为下一代供应链在速度、洞察力和适应性方面的倍增器。 自1886年以来，Arthur D.Little始终站在创新的前沿。我们是被公认的领导者，致力于将战略、创新与转型连接起来，服务于技术密集和融合的行业。我们帮助客户穿越变化的商业生态系统，发掘新的增长机遇。我们赋能客户构建创新能力，并推动其组织转型。 我们的顾问兼具丰富的行业实践经验，以及对关键趋势和动态的卓越洞察力。ADL 遍布全球主要商业中心。我们自豪地服务于大部分财富 1000 强公司，此外还有其他领先企业和公共部门组织。