Låt inte robotarna ta över: Hur man använder AI i planering av supply chain utan att förlora kontrollen

Om du har sett filmen I, Robot känner du till handlingen: robotarna skulle hjälpa till... tills de började styra världen. Det är den bilden Søren Hammer Pedersen inleder med i Roimas S&OP MasterClass. Halvt skämt, halvt varning. För om man tittar på LinkedIn, evenemang och de diskussioner som pågår just nu inom planering av supply chain kan det kännas som att AI tar över allt.

Och kanske är det inte helt fel.

Frågan är inte om AI kommer att användas i planeringen. Det gör det redan. Frågan är snarare: hur balanserar man automatisering med mänskligt omdöme så att man faktiskt får mervärde utan att låta en Black Box fatta kritiska beslut i stor skala?

Søren får sällskap av Benjamin Obling, som har arbetat med PERITO IBP på Roima i 16 år och ansvarar för att introducera och utveckla kunder på plattformen. Och deras samtal leder till ett tydligt budskap: AI är kraftfullt, men de företag som vinner är de som använder det med sunt förnuft och avsikt.

Benjamin är den första att erkänna att svaret kan låta trivialt: det finns en enorm potential, och alla kan se det. Men han formulerar det på ett sätt som gör insatserna mycket praktiska.

Det finns många uppgifter i supply chain som vi vill att automatiseringen ska ta över, eftersom människor inte ska behöva ägna sin karriär åt att flytta runt data i Excel. Om AI kan utföra dessa uppgifter bättre och snabbare kan planerarna ägna sin tid åt arbete som är mer strategiskt och, ärligt talat, roligare.

Men det är också där risken ligger.

Risken att AI tar över på något dramatiskt sci-fi-sätt är inte den verkliga faran. Faran är mer vardaglig: AI kan göra dåliga saker mycket snabbt om man inte förstår vad den gör.

Det är därför människor bör bry sig om det nu. Inte för att AI är nytt, utan för att det går från att vara en ”cool teknik” till att faktiskt påverka beslut som formar lager, service och kundvärde.

När Søren frågar var AI verkligen gör skillnad i praktiken pekar Benjamin på de områden där supply chain alltid har känt tyngden av manuellt arbete och ofullkomliga beslut.

AI används redan för att förbättra och automatisera:

• Efterfrågeprognoser (noggrannhet och automatisering)
• Lagerplanering (inklusive inställningar som påverkar säkerhetslagret)
• Uppföljning och prognoser av masterdata
• Och mer generellt, optimeringsmöjligheter inom planering

Med andra ord är det inte längre bara en chatbot som hjälper människor att skapa presentationer eller sammanfatta möten. Det går djupare in i planeringsmotorn, in i siffrorna som styr inköp, produktion och lagerstrategi.

Och det är där styrning plötsligt blir viktigt.

En naturlig antagande är att om AI förbättrar prognosernas noggrannhet, så är det automatiskt bra. Benjamins poäng är mer nyanserad: noggrannhet är inte det enda målet – stabilitet är också viktigt.

I den ”gamla världen” var många planeringsmetoder förutsägbara. Om man beräknar ett rullande genomsnitt får man samma resultat varje gång. Det kan vara tråkigt, men det är stabilt. Många människor växte upp med tron att datorer aldrig har fel eftersom de är konsekventa.

AI bryter den mentala modellen.

Benjamin beskriver AI som något som har inbyggd slumpmässighet och som en ”svart låda per definition”. Det innebär att prognoser kan förändras på sätt som inte känns intuitiva. Risken är att AI tolkar brus som signaler och sedan producerar prognoser, säkerhetslager eller inköpsförslag som är helt felaktiga.

Det är i det ögonblicket som ”AI är fantastiskt” förvandlas till ”AI är skrämmande”.

Inte för att den inte kan leverera värde, utan för att utan skyddsräcken kan du hamna med något instabilt som fattar extrema beslut i stor skala.

Så var börjar man?

Å ena sidan listar man möjligheterna: efterfrågeprognoser, säkerhetslager, leveransplanering, optimering och till och med beslut på nätverksnivå. Å andra sidan tittar man på företagets utmaningar.

Har du ett prognosproblem? Tror du att du kan förbättra noggrannheten? Om ja, vad är fördelen och vad är affärsnyttan?

Benjamin förutspår att AI-hypen kommer att avta snabbt eftersom företag kommer att börja kräva resultat istället för att köpa något bara för att det har bokstäverna ”AI” i namnet. Søren skämtar om att vissa företag kanske inte bara vill ha ett AI-initiativ, utan kanske två. Men poängen kvarstår: utgångspunkten är påverkan.

Bygg ett affärsfall genom att fråga:

• Vilken personal kan vi frigöra från manuella uppgifter?
• Hur mycket kan vi förbättra noggrannheten?
• Vad är värdet av den förändringen?

Det låter grundläggande, men det är ankaret som hindrar dig från att automatisera saker som inte spelar någon roll.

Søren tar diskussionen bortom planeringssilon. Om AI förbättrar prognoserna, borde det inte också påverka andra områden?

Benjamin ger ett konkret exempel. Om du har en bättre prognos använder du den självklart i inköps- och produktionsplaneringen. Men du kan gå ännu längre: inkommande leveranser i lagret. Om du kan förutsäga vad som kommer att plockas senare kan du bestämma var varorna ska placeras när de anländer – vilket minskar hanteringen och förbättrar effektiviteten.

Det är en kraftfull idé: AI-prognoser förbättrar inte bara planeringsresultaten, de kan också återanvändas i olika funktioner om det finns ett affärsmässigt behov.

Det är också en påminnelse om att inte alla prognoser är viktiga. Vissa prognoser förändrar ingenting. Andra möjliggör operativa besparingar. Din uppgift är att hitta områden där en bättre prognos förändrar ditt arbete.

Många företag har tagit de första stegen. De accepterar att AI är en Black Box. De bygger affärsfall och väljer prioriteringar.

Det som saknas är de två sista stegen:

1. Hur skyddar vi AI?
2. Hur utformar vi människans roll?

Skyddsräcken finns i två lager.

På en mycket praktisk nivå kan du stänga in förutsägelserna. För en prognos kan du begränsa hur mycket den kan öka eller minska, så att den inte blir ”helt galen” jämfört med vad som är historiskt rimligt.

På en mer strategisk nivå definierar du AI:s spelplan. Till exempel i produktportföljen: vad ska lagerföras och vad ska inte lagerföras? AI kan föreslå att SKU:er flyttas mellan lagerproduktion och orderproduktion. Det är ett kommersiellt beslut – det är ditt företags värdeerbjudande till kunderna.

AI kan ge utmärkta input, men människor måste bestämma vad företaget vill erbjuda ”direkt från hyllan” kontra vad kunderna kan vänta på.

Och det är därför ”det är bara att beräkna säkerhetslager” är en farlig mening. Beslut om säkerhetslager formar lagerstrategin och kundlöftet. Det bör aldrig överlämnas utan mänsklig avsikt och styrning.

Det fina och skrämmande med automatisering är att man mycket snabbt kan skapa strukturerade, skalbara fel. Det vill ingen ha.

Søren ställer den fråga som många planerare funderar på: när ska man lita på AI och när ska man inte göra det?

Benjamin formulerar det som ”förutsägbarheten i förutsägelsen”, det vill säga hur mycket resultatet förändras när indata förändras.

Om du har ett område som är lätt att förutsäga är det relativt säkert att låta AI ta över. Det kommer sannolikt att fungera mycket bra i de flesta fall.

De knepiga fallen är de klassiska planeringsmardrömmarna:

• ojämn efterfrågan
• långsamt rörliga varor
• sporadiska toppar som kan vara brus eller en ny nivå

I dessa fall kan AI tolka tillfälliga toppar som strukturella förändringar och dramatiskt höja prognosen eller säkerhetslagret. Det är där du behöver använda ditt omdöme.

Men återigen, skyddsräcken förändrar spelplanen. Om styrningen säkerställer att beslut som rör ”stora pengar” kräver godkännande – till exempel inköp över en viss eurogräns – kan AI fortfarande fungera snabbt utan att gå överstyr. Om det är en billig artikel som O-ringar kanske du inte bryr dig. Om det är en dyr komponent med lång ledtid bryr du dig absolut.

Den sista delen av samtalet övergår från daglig planering till månatlig styrning: S&OP.

Benjamin är ganska optimistisk. AI gör det möjligt att driva processen med högre kvalitet:

• bättre prognoser
• bättre kapacitetssimuleringar
• snabbare vad-händer-om-scenarier
• snabbare analys och beslutsunderlag (inklusive jämförelser mellan scenarier)

Arbetsbelastningen minskar avsevärt. Specifikt när det gäller efterfrågeplanering säger Benjamin att det manuella arbetet kring prognosen kan minska med 30% upp till 70-80% när AI-modeller används.

Det förändrar rollens karaktär. Planering handlar mindre om att skapa siffror och mer om att tolka, kontrollera och använda dem. En del av det dagliga arbetet kan bli varningsdrivet: godkänna, avvisa och granska undantag. Det kan låta trivialt, men vinsten är stor: tid frigörs för scenariotänkande och beslutsförberedelser.

”Vad händer om vi ändrar servicenivåerna?”

”Vad händer om vi öppnar en ny produktionslinje?”

”Vad händer om efterfrågan i Tyskland ökar med 10 %?”

Det är ett annat jobb än att ladda ner data från SAP och arbeta i kalkylblad.

Men Søren tillägger en viktig punkt: ledningen kan vara medveten om att AI är en svart låda, och det kan skapa rädsla. Därför är kommunikation viktigt. Företag måste förklara hur AI kontrolleras, begränsas och valideras, annars kommer de ständigt att backa med ”det kan inte stämma”.

Ge alltså inte upp sunt förnuft. Svart låda betyder inte att det inte finns någon affärsmodell, ingen förklaring och ingen styrning. Du kanske inte förstår det djupa lärande nätverket inuti, men du kan förstå:

• vad du lägger in i det
• hur du validerar resultaten
• hur du begränsar det
• hur varningar och arbetsflöden skapar förtroende

När Søren frågar vart detta är på väg är Benjamin ärlig: det kommer att förändras dramatiskt, och en del av det de säger kommer sannolikt att vara delvis fel om två år. Det praktiska rådet är därför att inte bygga femåriga återbetalningsantaganden i ett område som kan se annorlunda ut om två år.

I stället:

• bygg affärsmodeller med en kort tidshorisont
• förbättra grundläggande faktorer som masterdata
• automatisera det du kan nu för att frigöra resurser
• och använd de frigjorda resurserna för att anpassa dig till det som kommer härnäst

Var snabb. Skörda resultat snabbt. För AI väntar inte.

Och målet är inte att behandla det som magi, utan snarare att använda dess kraft samtidigt som människor behåller kontrollen över det som verkligen betyder något.