לאורך השנים האחרונות, מתכנני שרשראות אספקה (Supply Chain Planners) נאלצו להתמודד עם סביבה עסקית לא יציבה לצד אילוצים בלתי צפויים כמו מגפה, מלחמות סחר, ואף מלחמות אזוריות.
הצרכים העסקיים והתפעוליים שתהליך התכנון תומך נעשו מורכבים ומאתגרים ובעלי השפעה אינטגרטיבית על התוצאות העסקיות של החברה.
בהתאם, ארגונים שירצו להישאר רלוונטיים, יהיו חייבים לעבור מתכנון שמתבסס על תהליכים ארגוניים לתכנון אינטגרטיבי המבוסס על בינה מלאכותית. אלו מערכות חכמות שיודעות לספק תובנות לאורך שרשרת הערך באמצעות אוטומציה של ניתוח נתונים פנימיים וחיצוניים ובהתערבות אנושית מינימלית. הן מאפשרות ניצול אופטימלי של משאבים יחד עם שיפור ברמת השירות ללקוחות.
פירמת EY בחנה את אתגר שרשראות האספקה בעידן ה-AI באמצעות סקר בקרב יותר מ-450 בכירים העוסקים בתפעול. מהסקר עולה כי 69% מהנשאלים מכירים בכך שחוסר הצלחה ביישום של טרנספורמציה AI בעולם התכנון יאיים על המעמד התחרותי של הפירמות בהן הם עובדים. אך על פי אותו מחקר, רק 28% מהארגונים כבר הגיעו למצב של הטמעת מערכת כאשר המציאות התפעולית והכלכלית דוחפת ארגונים להשלים את הפער ולאמץ יכולות אוטונומיות.
דאטה ונתוני זמן אמת
איך נראה פתרון AI בשרשרת האספקה? מערכת כזו מבצעת באופן אוטונומי את פעולות התכנון מקצה לקצה. היא מזהה דפוסי ביקוש, מתאימה להם היצע, ומנהלת מלאי באופן דינמי. זו מערכת שפועלת ברציפות ומוציאה לפועל הנחיות אופרטיביות על סמך מדיניות מוגדרת מראש – כגון תעדוף לקוחות או מוצרים ברווחיות גבוהה לאור הפרעות לוגיסטיות או לחילופין ביקוש גבוה לא מתוכנן.
המערכת מעריכה trade-offs בין שירות, עלות, מרווח ותזרים – ומקבלת החלטה. פעולות שאושרו מראש כמדיניות מתבצעות אוטומטית ורק החלטות בעלות השפעה גבוהה או "עמומות" מועברות למתכננים האנושיים.
כדי שתתפקד היטב, מערכת כזו חייבת גישה לדאטה איכותי ובזמן אמת – כולל מנקודות המכירה, הזמנות הלקוחות, רצפת הייצור, רשת ההפצה ועוד. במקביל, נדרשת הזנה של מידע על גורמים חיצוניים כמו אירועי מזג אוויר חריגים, שינויים רגולטוריים, משברים גיאופוליטיים, התנהגות מתחרים ומגמות שוק וכדומה. במונחים אחרים, המערכת זקוקה לדאטה איכותי על ביקוש, היצע, מכירות ומלאי.
דוגמאות:
- יצרנית גלובלית שילבה למידת מכונה (Machine Learning) בתוך מערכת החיזוי שלה. היא השיגה שיפור משמעותי במדדי דיוק, כך שהמתכננים יוכלו להתמקד בניהול חריגים במקום להתעסק בפריטים שהאספקה שלהם עקבית.
- יצרנית מוצרי צריכה גדולה, הפונה לצרכן, פיתחה והטמיעה פתרון מבוסס AI שמזהה אוטומטית כשהמלאי על המדפים יורד מתחת לרמה מסוימת, ומבצע הזמנות אוטומטיות בהתאם.
בעולם כזה תפקיד המתכננים משתנה. הם נדרשים לעבור מעבודה ידנית אופרטיבית לניהול מדיניות הארגון, ניהול סיכונים ותרחישים ובאינטגרציה כלל חברתית של תפעול, מכירות וכספים.
אתגרים באימוץ
מול זאת, וכפי שמציין הסקר, ארגונים מתקשים בהטמעת מערכות AI אוטונומיות בשרשרת האספקה. יש לכך 5 סיבות עיקריות:
- העדר דאטה סטנדרטי, מקיף, עדכני ואיכותי. מידע כזה רלוונטי גם לשלב התכנון וקביעת המדיניות של המערכת. דאטה ושקיפות חיוניים גם לביסוס האמון במערכות האוטונומיות.
- פערים בידע הטכנולוגי של הארגון והצוותים, הנדרש להטמעה מוצלחת.
- פיצול וביזור (Fragmentation). בארגונים גלובליים מורכבים קיים מספר גדול של יחידות עסקיות הפועלות בנפרד ועם מערכות IT שונות – מה שמקשה על ניהול אחוד של שרשרת האספקה.
- התנגדות לשינוי. לא אחת עובדים מתנגדים לשינוי הרגלים והליכי עבודה. במקרה כזה נדרשת הכוונה ברורה של ההנהלה.
- ממשל (Governance) חסר. נדרשים כללים, אחריות ופיקוח ברורים – כדי להבטיח החלטות עקביות, יישור קו אסטרטגי, ומדיניות ברורה לגבי מה רץ אוטומטית ומה מגיע לאישור אנושי. מנהיגות החברה צריכה להכיר את היתרונות הגלומים באימוץ מערכות Gen AI ולהוביל את השינוי.
לסיכום: היכולת לאמץ ולפרוס שרשרת אספקה מבוססת AI אוטונומית מהווה יתרון משמעותי ומבדל עבור ארגונים השואפים להיות חסינים ועמידים יותר בנוף גלובלי מורכב ותנודתי. הטמעה ואימוץ של מערכות כאלה מאפשרות למתכננים להתמקד במשימות אסטרטגיות ובעלות ערך גבוה יותר – ומסייעות לארגון להגיב מהר יותר ובאופן אופטימלי לאתגרים והזדמנויות עסקיים.
כדי לעשות זאת בהצלחה, ארגונים צריכים להוביל טרנספורמציה טכנולוגית וארגונית הכוללת את תהליכי העבודה, שדרוג מערכות טכנולוגיות, והכשרה של העובדים.
