Demand AI: opbygning af tillid i AI-drevet planlægning

Dette scenario bliver stadig mere almindeligt, efterhånden som organisationer tager kunstig intelligens i brug i deres forsyningskæde.

Selvom løftet om forbedret nøjagtighed og effektivitet er overbevisende, udgør AI-systemers ”sorte boks” -karakter en unik udfordring: Hvordan kan vi stole på noget, vi ikke fuldt ud forstår?

Der står meget på spil. Ifølge nylige implementeringer kan AI-drevet efterspørgselsplanlægning forbedre prognosenøjagtigheden betydeligt og reducere den manuelle arbejdsbyrde. Men vejen til at opnå disse fordele er brolagt med udfordringer i forbindelse med forandringsledelse og krav om opbygning af tillid.

I alle AI-løsninger er der et velkendt problem: (manglen på) gennemsigtighed i beslutningsprocesserne inden for neurale netværk. I modsætning til traditionelle statistiske modeller, hvor man kan spore hvert trin i beregningen, fungerer deep learning-netværk gennem komplekse lag af vægtede forbindelser – meget lig vores egne hjerner.

”Hvis vi bare lader AI løbe løbsk, kan det hallucinere,” forklarer Benjamin Obling, en mangeårig ekspert i integreret forretningsplanlægning hos Roima Intelligence.

”Nogle gange forudsiger det eksponentiel vækst eller helt urealistiske tal, fordi det har opfanget mønstre, vi ikke kan se. Derfor har vi brug for afgrænsninger.”

Disse ”afgrænsninger” er vigtige kontrolmekanismer, der sikrer, at AI-forudsigelser forbliver inden for realistiske grænser, samtidig med at deres forudsigelsesevne bevares. Tænk på dem som gelændere, der holder systemet på sporet, samtidig med at det kan udnytte sine fulde analytiske muligheder. Gelændere, der er designet og implementeret af dig og dit team for efterspørgselsplanlægning – baseret på jeres erfaring.

Men selv med dybt involverede S&OP-teams er det stadig svært at stole på AI-prognoser.

Måske er det fordi planlæggere føler sig truet af denne nye teknologi. Føler de, at de snart bliver forældede?

Imidlertid handler implementering af AI i efterspørgselsplanlægning ikke om at erstatte menneskelig ekspertise, men om at tilpasse den. Moderne implementeringer viser os, at de mest succesrige tilgange kombinerer AI’s beregningskraft med menneskelig forretningsintelligens.

Sådan ser det ud i praksis:

• AI håndterer det tunge arbejde med mønstergenkendelse og grundlæggende prognoser
• Menneskelige planlæggere fokuserer på strategiske beslutninger og markedsinformation
• Systemet markerer usædvanlige mønstre eller forudsigelser til menneskelig gennemgang
• Markedskendskab og forretningskontekst danner grundlag for de endelige beslutninger

”Der er ting, som algoritmerne eller netværket ikke kan vide. For eksempel introduktion af nye produkter, kommende kampagner eller endda eksterne begivenheder... Det ville det ikke have en anelse om,” siger Obling. Det vil fortsat være de opgaver, der tildeles efterspørgselsplanlæggeren: at forstå forretningsstrategien og dynamikken i markedsinformationen.

Nøglen til en vellykket implementering af AI ligger i en omhyggeligt struktureret implementeringsstrategi. Her er tre vigtige punkter, som førende organisationer gør rigtigt:

• Start med parallel drift: Kør dit AI-system sideløbende med eksisterende processer i starten. Det giver teams mulighed for at validere resultaterne og opbygge tillid uden risiko.
• Opret klare interventionspunkter: Definer specifikke triggere, der udløser manuel kontrol. Det kan for eksempel være påvisning af usædvanlige mønstre eller væsentlige afvigelser fra historiske tendenser.
• Bevar gennemsigtigheden: Selvom AI’ens interne funktioner kan være komplekse, skal resultaterne og anbefalingerne være klare og forståelige for interessenterne.

Det handler virkelig om at indføre AI i din efterspørgselsplanlægning gradvist og med høj tillid på alle niveauer – og for hvert teammedlem. Hvis du ikke sikrer tillid til AI-forudsigelserne i hele virksomheden, vil det være svært at høste fordelene.

Den måske mest spændende udvikling er, hvordan AI ændrer efterspørgselsplanlæggerens rolle. I stedet for at bruge timer på at regne på tal og vedligeholde regneark kan planlæggere nu fokusere på aktiviteter med højere værdi:

• Strategisk markedsanalyse
• Planlægning af introduktion af nye produkter
• Vurdering af salgsfremmende tiltag
• Tværfunktionelt samarbejde

”Vi fjerner ikke efterspørgselsplanlæggerens rolle,” bemærker Obling.” Vi løfter den fra databehandling til strategisk forretningsplanlægning.”

Obling understreger, at din demand AI skal læres og trænes til at reagere på en måde, der passer til din virksomhed.

”Netværket og den automatiserede forudsigelse vil alligevel opfange det på et tidspunkt. Hvis efterspørgslen stiger, vil den også stige, men spørgsmålet er, om vi skal øge den med det samme? Det er mere en forretningsbeslutning, som en AI-model ikke kan fortælle dig.”

I takt med at AI fortsætter med at udvikle sig, vil udfordringen ikke være den tekniske implementering, men snarere at opbygge og opretholde tilliden til disse systemer.

Organisationer, der klarer denne udfordring, vil få en stærk konkurrencemæssig fordel: evnen til at træffe hurtigere og mere præcise beslutninger, samtidig med at man bevarer menneskelig kontrol, hvor det er mest vigtigt.

Fremtiden for efterspørgselsplanlægning omfatter både menneskelig ekspertise og kunstig intelligens, og vinderne vil finde den optimale balance, hvor begge dele fungerer sammen, hver med det, de er bedst til. Kapløbet om demand AI er allerede i gang, og nu gælder det om at komme ud på den anden side i live og med begge ben på jorden.