AI Generatif untuk Rantai Pasokan: Merintis Era Baru Efisiensi dan Keberlanjutan

Diterbitkan: 2023-10-20

Baru-baru ini, pengaduan diajukan terhadap Volkswagen, BMW, dan Mercedes Benz ke Kantor Federal Jerman untuk Urusan Ekonomi dan Pengendalian Ekspor, karena perusahaan-perusahaan tersebut gagal menemukan praktik tidak etis dalam rantai pasokan mereka. Rupanya, raksasa manufaktur mobil tersebut mengandalkan bahan mentah yang ditambang melalui kerja paksa oleh minoritas Uighur yang tertindas di Tiongkok.

Saat ini, sulit untuk mengontrol inventaris Anda sendiri, apalagi memantau seluruh rantai pasokan. Untungnya, AI generatif tampaknya memiliki alat yang Anda perlukan untuk mengatasinya. Anda dapat menyewa perusahaan konsultan AI generatif untuk membantu Anda mengantisipasi permintaan pelanggan, mengungkap praktik yang meragukan dalam rantai pasokan Anda, dan menemukan pemasok baru yang sesuai dengan tujuan lingkungan dan etika Anda.

Tertarik? Lalu mari kita lihat apa lagi yang bisa dilakukan AI generatif untuk rantai pasokan, dan tantangan apa saja yang mungkin terjadi selama penerapannya.

Apa Itu AI Generatif dalam Rantai Pasokan?

AI Generatif adalah teknologi yang dapat membuat konten baru, seperti teks, gambar, dan bahkan dokumen, serupa dengan contoh yang telah dilatih. Ini seperti asisten cerdas yang dapat menghasilkan konten baru sesuai permintaan tanpa diprogram secara khusus untuk setiap jenis konten.

Dalam konteks rantai pasokan, AI generatif melatih sejumlah besar data terkait rantai pasokan, seperti informasi logistik, riwayat penjualan, catatan inventaris, dan sebagainya, dan menghasilkan berbagai jenis wawasan termasuk peta rute yang dioptimalkan, perkiraan permintaan, evaluasi pemasok. laporan, dan strategi penyetokan ulang.

Apa Perbedaan AI Generatif dengan Teknologi AI Tradisional?

Kecerdasan buatan konvensional unggul dalam menganalisis data historis dan mengidentifikasi pola. Ia memiliki beragam kemampuan termasuk pemrosesan bahasa alami, visi komputer, dan pembelajaran mesin, sedangkan AI generatif hanya berfokus pada produksi konten yang tampak seolah-olah dibuat oleh manusia.

Contoh AI tradisional dalam kehidupan kita sehari-hari termasuk mobil self-driving, mesin rekomendasi di situs belanja favorit Anda, atau asisten suara seperti Siri atau Alexa. Contoh AI generatif berkisar pada pembuatan konten. Mereka termasuk ChatGPT, yang menghasilkan teks mirip manusia, dan DeepDream, yang menghasilkan gambar.

Anda dapat mempelajari lebih lanjut tentang peran AI konvensional dalam mencapai ketahanan rantai pasokan di blog kami.

Manfaat AI Generatif untuk Supply Chain bagi Bisnis Anda

Setelah menerapkan AI generatif, meskipun Anda menerapkannya untuk satu atau dua kasus penggunaan, perusahaan Anda akan merasakan beberapa atau semua manfaat berikut:

Peningkatan efisiensi karena AI generatif dapat mengoptimalkan proses, seperti penyetokan ulang dan pengadaan, serta menemukan alternatif pengiriman yang lebih cepat dan lebih murah
Mengurangi biaya tenaga kerja karena akan mengotomatiskan tugas-tugas yang membosankan seperti perkiraan dan pembuatan laporan
Peningkatan skalabilitas karena AI dapat mengambil alih beban tambahan tanpa perlu mempekerjakan lebih banyak orang
Peningkatan kepuasan pelanggan karena algoritme dapat memperkirakan permintaan dan memastikan bahwa inventaris produk favorit pelanggan Anda tidak pernah habis
Operasi yang disederhanakan karena AI dapat memprediksi dan menyelesaikan masalah rantai pasokan
Karyawan yang lebih produktif sekarang dapat fokus pada tugas-tugas yang lebih sesuai dengan kualifikasi mereka sementara model AI menangani pembuatan laporan berukuran besar dan tugas-tugas membosankan lainnya

Apakah Masuk Akal untuk Membuat Model AI Generatif Khusus, atau Menyempurnakan Model yang Sudah Ada?

Ada solusi AI generatif siap pakai, seperti AI Generatif C3, yang dapat digunakan untuk meningkatkan visibilitas rantai pasokan. Meskipun solusi ini bisa sangat berguna, perusahaan yang menggunakannya untuk optimalisasi rantai pasokan dapat menghadapi tantangan berikut:

Kurangnya keahlian dalam domain Anda karena solusi ini sering kali dirancang sebagai model tujuan umum
Hasilnya akan bergantung pada kumpulan data pelatihan. Jika kualitasnya buruk, mengandung bias, atau tidak cocok dengan data perusahaan Anda, konten yang dihasilkan akan mencerminkan masalah ini.
Algoritme mungkin menghasilkan sesuatu yang tidak relevan dengan bisnis Anda karena mereka tidak memahami secara spesifik data Anda

Untuk kinerja optimal, setiap organisasi dapat menyewa konsultan TI untuk rantai pasokan guna mengembangkan model AI baru atau menyempurnakan model AI yang sudah ada guna menambah pengetahuan spesifik domain. Pendekatan ini akan mempunyai manfaat sebagai berikut:

Peningkatan akurasi
Disesuaikan dengan kebutuhan organisasi Anda
Mudah diintegrasikan ke dalam proses Anda
Kepemilikan penuh atas teknologi dalam hal pengembangan khusus
Mematuhi persyaratan kepatuhan khusus industri

Namun perlu diingat bahwa algoritme yang dibuat khusus lebih mahal dan membutuhkan waktu lebih lama untuk diterapkan karena algoritme tersebut dibuat dari awal serta perlu dilatih dan divalidasi. Jadi, pilihan terakhir adalah trade-off antara kebutuhan bisnis Anda dan anggaran yang tersedia.

Lima Kasus Penggunaan AI Generatif Utama dalam Rantai Pasokan

Kasus Penggunaan 1: Mendekati Inventaris dengan Efisiensi

AI Generatif dapat menganalisis data dalam jumlah besar dan menghasilkan kebijakan serta saran tentang cara menangani stok dengan lebih baik berdasarkan tren saat ini. Berikut adalah bagaimana teknologi ini dapat berkontribusi pada manajemen inventaris:

Merekomendasikan kebijakan inventaris dinamis: Algoritme terus menganalisis informasi penjualan dan tren permintaan untuk menyarankan penyesuaian tingkat inventaris berbagai item secara real-time guna merespons kebutuhan pasar.
Menghitung tingkat stok pengaman untuk memastikan inventaris tidak kehabisan item populer: Model AI dapat menghitung tingkat keamanan optimal berdasarkan permintaan yang berfluktuasi, musim, dan faktor lainnya.
Mensimulasikan berbagai skenario yang dapat mempengaruhi stok, seperti peningkatan tajam dalam permintaan dan gangguan pasokan: Hal ini memungkinkan perusahaan untuk membuat rencana darurat untuk melakukan penyetokan ulang bila diperlukan.
Mengurangi pemborosan inventaris: AI generatif dapat mengenali stok barang yang pergerakannya lambat sehingga mengakibatkan biaya penyimpanan yang tinggi dan merekomendasikan strategi untuk meningkatkan aliran produk, seperti diskon dan kampanye pemasaran.
Menghasilkan taktik penyimpanan dan distribusi yang paling efektif untuk berbagai produk

Contoh Kehidupan Nyata

Stitch Fix adalah perusahaan fashion yang berkantor pusat di California. Model ini melatih algoritme AI generatif berdasarkan data preferensi pelanggan dan informasi lainnya yang ekstensif, dan model tersebut memperkirakan produk pakaian mana yang akan memiliki permintaan tinggi dan membuat rekomendasi penyetokan ulang inventaris. Hasilnya, perusahaan melaporkan penurunan biaya terkait penyimpanan dan penanganan barang sebesar 25%.

Kasus Penggunaan 2: Mengirimkan Pengiriman Lebih Cepat dan Lebih Murah

Perusahaan dapat menggunakan AI generatif untuk manajemen rantai pasokan guna menganalisis data dalam jumlah besar mengenai kondisi cuaca, pola lalu lintas, dan pengiriman guna membangun peta rute yang dioptimalkan sehingga pemasok dapat mengirimkan produk/bahan lebih cepat dan lebih murah.

Model ini juga dapat memantau data secara real time untuk mengalihkan pengiriman yang sudah dalam perjalanan jika terjadi kemacetan lalu lintas, kecelakaan, atau masalah lainnya di sepanjang rute yang direncanakan. Rencana rute dinamis seperti itu akan membantu pengemudi menyesuaikan diri dengan cepat dan menghindari pemborosan waktu karena terjebak kemacetan.

Perusahaan menyadari manfaat ini, dan AI generatif di pasar logistik berkembang pesat. Nilainya mencapai $412 juta pada tahun 2022 dan diperkirakan akan meroket menjadi $13,948 miliar pada akhir tahun 2032, tumbuh pada CAGR sebesar 43,5%.

Contoh Kehidupan Nyata

Salah satu produsen mengintegrasikan AI generatif ke dalam operasinya untuk mengelola stok dan mengoptimalkan proses rantai pasokan. Sistem menganalisis data real-time dan merekomendasikan opsi perutean ulang. Perusahaan melaporkan pemotongan biaya logistik sebesar 12% dalam enam bulan pertama penerapan AI.

Kasus Penggunaan 3: Memastikan Rantai Pasokan yang Berkelanjutan dan Etis

Penelitian menunjukkan bahwa para pemimpin bisnis bergerak menuju rantai pasokan yang etis, yang mencakup upaya keberlanjutan, dan AI generatif dapat membantu dalam inisiatif ini. Algoritme dapat menganalisis data pemasok yang tersedia secara publik, seperti efisiensi energi, produksi limbah, praktik manufaktur berkelanjutan, dan sumber bahan mentah, untuk memutuskan pemasok mana yang lebih sesuai dengan sasaran dampak lingkungan Anda.

Selain itu, model AI dapat menunjukkan dengan tepat area di mana kontraktor Anda dapat mengurangi limbah. Misalnya, mereka mungkin menyarankan perubahan desain kemasan atau proses logistik. Anda dapat berbagi wawasan ini dengan pemasok Anda jika mereka terbuka terhadap praktik ramah lingkungan. Dengan cara ini, Anda tetap dapat mencapai target keberlanjutan tanpa menghentikan kemitraan pemasok Anda.

Contoh Kehidupan Nyata

Perusahaan mengandalkan algoritme AI generatif untuk mendeteksi praktik yang tidak berkelanjutan dan tidak etis dalam rantai pasokan mereka. Misalnya, Siemens dan Unilever menggunakan pendekatan ini untuk mengidentifikasi pemasok yang terkait dengan penindasan terhadap Muslim Uyghur di Tiongkok, yang disebutkan dalam pendahuluan.

Contoh lain datang dari Frenzy AI yang berbasis di California, yang membangun model AI generatif yang menganalisis data, seperti deklarasi bea cukai dan dokumen pengiriman, untuk melacak produk ke pemasok yang berbeda dan memeriksa apakah produk mereka digunakan secara etis.

Kasus Penggunaan 4: Mengantisipasi Kebutuhan Pelanggan

Model AI generatif dapat memproses berbagai jenis data seperti riwayat penjualan, tren musiman, data ekonomi, aktivitas pesaing, sentimen pelanggan, dll. untuk memperkirakan permintaan. Algoritme dapat memantau semua ini secara real-time, memberi tahu Anda tentang tren yang akan datang segera setelah tren tersebut muncul. AI generatif dapat menyelesaikan tugas-tugas berikut:

Memprediksi permintaan untuk berbagai produk dan layanan, memungkinkan perusahaan memberi tahu pemasok mereka, mengisi kembali persediaan, dan melayani pelanggan dengan lebih baik
Buat model berbagai skenario tentang bagaimana permintaan dapat berubah sehingga perusahaan dapat bersiap. Misalnya, analisis ini dapat menunjukkan bagaimana perubahan strategi penetapan harga dan pemasaran berdampak pada permintaan.

Contoh Kehidupan Nyata

Walmart mengandalkan sistem perkiraan permintaan berbasis AI generatif untuk mengantisipasi kebutuhan pelanggan di setiap toko. Raksasa ritel ini juga menggunakan teknologi tersebut untuk menganalisis perilaku pelanggan selama acara Black Friday dan memperkirakan potensi kemacetan.

Kasus Penggunaan 5: Menemukan Pemasok yang Tepat dan Bernegosiasi dengan Mereka

Karena dapat menganalisis data rantai pasokan dalam jumlah besar, AI generatif dapat memberikan rekomendasi berharga dan membantu dalam pemeriksaan pemasok. Inilah yang dapat dilakukan oleh teknologi:

Memberi peringkat pemasok: Algoritma dapat memberi peringkat pemasok berdasarkan kriteria yang telah ditentukan, seperti harga dan kualitas bahan mentah
Mengevaluasi praktik keberlanjutan: Hal ini mencakup penilaian dampak lingkungan, tanggung jawab sosial, dan produksi limbah pemasok potensial
Menilai risiko yang terkait dengan setiap pemasok seperti risiko geopolitik, faktor ekonomi, dan kerentanan lainnya
Menghasilkan strategi negosiasi kontrak yang disesuaikan dengan masing-masing pemasok

Algoritme AI juga dapat terus memantau pemasok mitra untuk memastikan mereka memenuhi kewajiban kontrak dan mempertahankan tingkat kualitas yang diharapkan.

Contoh Kehidupan Nyata

Walmart bereksperimen dengan bot AI generatif dari Pactum AI yang dapat menegosiasikan kesepakatan dengan pemasok. Pendekatan ini membantu pengecer menghemat sekitar 3% biaya kontrak. Anehnya (atau tidak), tiga dari empat pemasok sebenarnya lebih suka bernegosiasi dengan bot.

Tantangan yang Mungkin Anda Hadapi dengan AI Generatif dalam Manajemen Rantai Pasokan

Jika Anda tertarik untuk menerapkan AI generatif, bersiaplah menghadapi serangkaian tantangan berikut:

Masalah Terkait Data

Model AI generatif memerlukan data berkualitas dalam jumlah besar untuk menjalankan tugasnya. Jika data terfragmentasi, tidak lengkap, dan ketinggalan jaman, maka hasilnya tidak akan akurat. Dan Anda tidak dapat mengontrol jenis data pemasok mana yang tersedia untuk umum, jadi cobalah untuk menetapkan ekspektasi yang masuk akal ketika Anda mengandalkan data yang ditawarkan oleh pihak lain.

Model tersebut juga akan beroperasi pada data organisasi Anda, seperti riwayat penjualan, dan statistik keuangan. Ini adalah data yang dapat Anda kendalikan, jadi pastikan data tersebut bersih, bebas bias, dan dapat diakses.

Integrasi dengan Sistem yang Ada

Solusi AI baru Anda harus sesuai dengan sistem yang ada dan terhubung ke aplikasi lain untuk mengakses datanya. Hal ini mungkin memerlukan adaptasi sistem lama, yang merupakan tantangan besar. Dan Anda mungkin harus merekayasa ulang beberapa proses Anda. AI generatif juga sangat kuat dan membutuhkan sumber daya komputasi dan kapasitas penyimpanan data yang besar. Pertimbangkan untuk menyesuaikan infrastruktur Anda atau mengatur cloud hosting.

Selain itu, Anda mungkin perlu berintegrasi dengan perangkat lunak pemasok Anda dan menyelaraskan dengan alur kerja mereka. Periksa apakah mereka memiliki API khusus yang dapat Anda gunakan untuk pengumpulan data.

Tantangan Terkait Penggunaan AI

Terkadang, kurangnya penjelasan AI bisa menjadi masalah. Tidak selalu mungkin untuk menjelaskan mengapa AI generatif menghasilkan respons/saran/strategi ini. Ambil contoh laporan kepatuhan. Jika suatu organisasi ingin memperoleh sertifikasi ISO, organisasi tersebut perlu mendokumentasikan prosesnya untuk menunjukkan kepatuhan. Namun jika perusahaan terlalu bergantung pada AI generatif untuk pelaporan, perusahaan mungkin tidak dapat melakukan hal tersebut.
Anda harus mematuhi standar industri dalam penggunaan AI dan peraturan privasi umum di wilayah operasi Anda.

Masalah Pasca Penempatan

Sistem AI apa pun harus dirancang dengan mempertimbangkan keamanan, karena ia bekerja dengan sejumlah besar informasi sensitif. Ada serangkaian praktik yang perlu diikuti perusahaan untuk memastikan keamanan data. Hal ini termasuk mengenkripsi data selama transfer dan saat disimpan, menerapkan mekanisme otentikasi, dan memantau akses yang tidak sah, dan masih banyak lagi. Anda juga perlu berbagi data dengan jaringan pemasok Anda. Pastikan ini juga aman.
Model AI memerlukan audit rutin, evaluasi kinerja, dan pembaruan agar tetap efisien dan relevan.

Faktor Manusia

Setelah menerapkan AI generatif untuk manajemen rantai pasokan, Anda ingin karyawan menerimanya, menggunakannya, dan berkontribusi terhadap peningkatannya. Yang terbaik adalah memformalkan aturan yang akan mengatur kolaborasi manusia-AI dan menentukan siapa yang bertanggung jawab atas hasil akhirnya. Dan ini adalah sebuah tantangan. Siapa yang harus disalahkan jika persediaan dibanjiri produk yang tidak ingin dibeli oleh siapa pun? Dan siapa yang bertanggung jawab jika pemasok yang dipilih oleh AI gagal mengirimkan tepat waktu dua kali berturut-turut?

Perusahaan juga bertanggung jawab untuk melatih karyawannya untuk bekerja dengan AI dan mengikuti praktik data yang aman.

Yakin Anda Membutuhkan AI Generatif? Inilah yang Harus Dilakukan Selanjutnya

Berikut sembilan tips yang akan membantu Anda memulai penerapan AI:

Tentukan tujuan bisnis Anda dan apa yang ingin Anda capai dengan AI generatif untuk rantai pasokan. Ini akan menentukan data mana yang perlu diakses oleh model Anda.
Pertimbangkan pengumpulan data otomatis sehingga algoritme Anda memiliki akses ke informasi terkini.
Siapkan data Anda untuk digunakan oleh algoritma AI dan ML.
Pastikan Anda mendapatkan persetujuan untuk menggunakan data pelatihan bila diperlukan dan mematuhi peraturan privasi data.
Tetapkan praktik tata kelola data yang kuat atau manfaatkan layanan manajemen data pihak ketiga.
Kembangkan kolaborasi data antara organisasi Anda dan pemasok.
Pekerjakan vendor AI yang andal untuk membangun atau menyesuaikan algoritme AI generatif yang dapat memenuhi kebutuhan unik Anda.
Mulailah dengan proyek percontohan skala kecil dan belajarlah dari kegagalan.
Pantau model setelah penerapan. Terapkan putaran umpan balik yang memungkinkan pengguna melaporkan kekhawatiran dan rekomendasi mereka.

Jika Anda bertanya-tanya tentang biaya yang terkait dengan penerapan AI, lihat artikel terperinci kami tentang berapa biaya kecerdasan buatan.

Hubungi kami jika Anda memiliki pertanyaan mengenai penggunaan AI generatif untuk manajemen rantai pasokan atau menginginkan perkiraan biaya yang akurat untuk proyek Anda. Kami akan membantu Anda membuat/menyesuaikan model AI, mendukung Anda dalam pengumpulan dan pembersihan data, serta mengaudit model Anda sesuai permintaan.

Artikel ini awalnya diterbitkan di situs Itrex.