Tylko 16% prób wdrożenia generatywnej sztucznej inteligencji w łańcuchach zaopatrzenia kończy się zgodnie z pierwotnym scenariuszem. Reszta programów jest albo redefiniowana, albo opóźniona. Także poziom udanych implementacji w przedsiębiorstwach jest niewielki i wynosi zaledwie 7%. Z dostępnych danych i opinii wyłania się raczej obraz firm, które podejmują się adaptacji będąc nieprzygotowanymi technicznie i merytorycznie. Wiara w potencjał inteligentnych algorytmów jest jednak bardzo silna, a większość organizacji chciałaby takich rozwiązań we własnych operacjach logistycznych.
Początkowego entuzjazmu nigdy za mało
Jeszcze niedawno to blockchain, potem sieci 5G, następnie autonomiczne operacje miały zrewolucjonizować, a nawet całkowicie przedefiniować globalny sektor logistyczny. Nie sposób nie zauważyć, że właśnie na scenę wkroczyła sztuczna inteligencja (ang. Artificial Intelligence, AI) i to w wielu jej odsłonach. Presja na AI rośnie z każdym miesiącem i tak jak w przypadku wcześniejszych technologii można odnieść nawet wrażenie, że bez natychmiastowych wdrożeń, firmy zaczną tracić grunt pod nogami, pozycję rynkową i klientów.
Taka katastrofa jednak nie nastąpi, a już na pewno nie będzie determinowana wyłącznie przez opóźnienia w obszarze AI. Choć katalog potencjalnych korzyści oraz aplikacji jest prawdziwie imponujący, to mało mówi się o tym, że zaprzęgnięcie do pracy algorytmów AI, a tym bardziej GenAI jest bardzo trudne, drogie i nawet w najbogatszych oraz najbardziej doświadczonych firmach pierwsze próby wdrożenia takich rozwiązań w operacjach logistycznych kończą się fiaskiem w więcej niż połowie przypadków. Przedsiębiorstwa jednak wciąż działają i dalej degenerują gigantyczne przychody. Z kolei tam, gdzie aplikacje się powiodły, wdrożenia dotyczą zaledwie kilku starannie wybranych obszarów operacyjnych i do szerokich integracji pozostała jeszcze bardzo daleka droga i ogrom pracy.
Podstawowe różnice pomiędzy modelami AI
Dla lepszego zrozumienia, jak duży potencjał tkwi w poszczególnych rodzajach inteligentnego oprogramowania wykorzystywanego w transporcie, logistyce i szerzej w łańcuchach zaopatrzenia, warto przyjrzeć się temu, jakimi głównymi funkcjonalnościami różnią się i charakteryzują najpopularniejsze modele.
Podstawowa różnica pomiędzy sztuczną inteligencją (AI) a jej wersją generatywną (GenAI) jest taka, że ta druga jest w stanie tworzyć zupełnie nowe, nieistniejące wcześniej formy, np. kod komputerowy, obrazy, modele 3D, tekst, audio, wideo, scenariusze i procesy albo łączyć wiele modalności jednocześnie. Powstałe formy są przy tym w pełni czytelne, naturalne i zrozumiałe dla człowieka. Można powiedzieć, że GenAI wykazuje pewien „ludzki” potencjał kreatywny i równolegle posiada zdolność uczenia się.
Dla porównania tradycyjne algorytmy AI mają bardziej analityczny i prognostyczny charakter, pracują według zdefiniowanych wcześniej instrukcji, potrafią identyfikować nieprawidłowości i automatyzować procesy. Są systemami funkcjonującymi w oparciu o reguły bez rozbudowanych możliwości nauki i tworzenia nowych danych.
Warto jeszcze wspomnieć o uczeniu maszynowym (ang. machine learning, ML), które umożliwia oprogramowaniu uczenie się na podstawie dostarczonych danych i wzorców, dostosowywanie się do nich i generowanie decyzji, trendów lub prognoz. Uczenie maszynowe, tak jak tradycyjne modele AI nie posiadają zdolności produkcji nowych form, ale GenAI wykorzystuje techniki ML do własnej nauki i tworzenia nowych kreatywnych danych.
Czy inteligentne algorytmy w łańcuchu dostaw generują już realne przewagi?
Na tak postawione pytanie częściowo odpowiadają wyniki analiz przeprowadzonych przez Gartner w III kw. 2023 r. Globalne badanie rozproszonych geograficznie 818 profesjonalistów zarządzających łańcuchem dostaw miało pomóc w zrozumieniu m.in. jak potencjał zasobów cyfrowych jest wykorzystywany do zwiększenia produktywności przedsiębiorstw używających inteligentnych algorytmów. W toku analiz jednoznacznie wykazano, że najbardziej sprawne organizacje wykorzystują dane i inwestują w rozwiązania sztucznej inteligencji oraz uczenia maszynowego w celu automatyzacji i optymalizacji własnych procesów decyzyjnych w tempie ponad dwukrotnie szybszym niż ich słabsi konkurenci. Jako tych bardziej sprawnych określono firmy, których raportowane wyniki z ostatnich 12 miesięcy przebiły oczekiwania w 5 analizowanych kategoriach. Okazało się zatem, że 27% sprawniejszych organizacji wykorzystuje inteligentne algorytmy do automatyzacji i/lub optymalizacji procesów decyzyjnych w logistyce i dystrybucji. Jednocześnie robi to zaledwie 8% gorzej wypadających firm. To samo dotyczy prognozowania popytu, gdzie relacja wynosi 40% do 19% na korzyść wykorzystujących inteligentne narzędzia. Równie dużą różnicę widać w zarządzaniu zamówieniami i fullfilmentem, gdzie dysproporcja wynosi 33% do 8%. Zbliżony wynik osiągnięto także w planowaniu podaży (31% do 12%) oraz sprzedaży i operacjach (24% do 10%).
Analizy dotyczące korzyści wynikających z wdrożeń AI w logistyce prowadzone są także w Polsce. Z badania ID Logistics i K+ Research zrealizowanego w III kw. 2024 r. wśród 400 managerów odpowiedzialnych za łańcuchy zaopatrzenia wynika, że 36% respondentów prowadzących operacje w sektorze FMCG uważa, że AI może usprawniać ich procesy logistyczne. W obszarze handlu detalicznego odsetek ten wzrasta do 38%. Dokładnie taki sam optymizm panuje w sektorze mody i urody (38%), a niewiele mniej wskazań pochodzi z e-commerce (34%). Zdecydowanie najwięcej korzyści upatruje się jednocześnie w przyspieszeniu procesów (57%), optymalizacji kosztów (40%), ale także pozyskiwaniu dokładniejszych danych statystycznych i raportowania (32%). Duży potencjał przypisywany jest również ograniczaniu błędów, na które zwraca uwagę 31% profesjonalistów zarządzających logistyką.
– Sam potencjał do osiągnięcia określonych korzyści nie może decydować o natychmiastowym wdrożeniu każdej nowej technologii pojawiającej się na rynku. Odpowiedzialna firma, na podstawie zapotrzebowania własnego i klientów, a w przypadku rozwiązań sztucznej inteligencji również odpowiedniego zaplecza technologicznego, powinna ocenić, czy określone rozwiązanie ma realne szanse na wygenerowanie oczekiwanego efektu. Niekoniecznie mowa tu o wyniku finansowym, choć ROI, czyli zwrot z inwestycji, powinien być ważnym czynnikiem decydującym o zasadności implementacji określonych narzędzi informatycznych. Jednak nie zawsze chodzi o pieniądze, czasem celem jest na przykład podniesienie jakości pracy, zmniejszenie oddziaływania organizacji na środowisko lub społeczność lokalną. Widzimy, że firmy często podejmują się prób wdrożenia poszczególnych rozwiązań będąc do tego nieprzygotowane, bez zaplecza wiedzy, innych niezbędnych technologii, bez testów, a nawet jasno zdefiniowanego celu i planu, który umożliwi jego osiągnięcie – mówi Marcin Smoła, dyrektor operacyjny w spółce ID Logistics Polska, świadczącej kompleksowe rozwiązania logistyczne i transportowe, obsługę e-commerce oraz zarządzanie łańcuchem dostaw w 18 krajach.
– Tym bardziej podjęcie się wdrożenia narzędzi sztucznej inteligencji, a zwłaszcza generatywnej odmiany, wymaga przygotowania, bardzo dokładnego skalkulowania, jakie nakłady będą niezbędne do sfinalizowania takiej operacji i kiedy się one zwrócą. Należy także pamiętać o ludziach, ich kompetencjach i nastawianiu do tego typu działań. Trzeba mieć na uwadze inne zaawansowane technologie, z którymi AI będzie współpracować, gdyż żadna innowacja nie może działać w próżni. W tym szczególnym przypadku każdy najmniejszy czynnik ma znacznie, ponieważ wiemy, że nie jest to łatwe zagadnienie. Operujemy już wieloma najnowocześniejszymi rozwiązaniami i przyglądamy się również generatywnym algorytmom, ale wiemy, że inwestować w innowacje należy przede wszystkim mądrze – dodaje Marcin Smoła z ID Logistics.
Adaptacja inteligentnych algorytmów w logistyce, zwłaszcza GenAI jest trudniejsza niż się wydaje
Fakt, że adaptacje rozwiązań generatywnej sztucznej inteligencji są dalece bardziej skomplikowane, niż pierwotnie przyjmowane scenariusze potwierdzają analizy prowadzone w obszarze operacji logistycznych. Szczegółowych wniosków o problemach i wyzwaniach dotyczących wykorzystania potencjału sztucznej inteligencji, a zwłaszcza jej generatywnej formy dostarcza m.in. HFS i EY w badaniu opracowanym na początku 2024 r. W globalnej analizie przeprowadzonej wśród 460 managerów wysokiego szczebla odpowiedzialnych za łańcuchy dostaw w organizacjach, których roczne przychody przekraczały 1 mld dol. wykazano m.in., że zaledwie 16% prób wdrożenia GenAI podejmowanych w ostatnich 12 miesiącach zakończyło się sukcesem. Oznacza to, że scenariusz implementacji nie został ani zmieniony, ani opóźniony z powodu napotkanych problemów lub ryzyka. Takiego szczęścia w ciągu ostatniego roku nie miało jednak 62% managerów, których programy GenAI trzeba było redefiniować. W przypadku 30% organizacji konieczne było także opóźnienie harmonogramu wdrożenia.
Mało tego, spośród 73% przedsiębiorstw, które w ogóle myślą o wykorzystaniu generatywnych algorytmów w swoich operacjach logistycznych, zaledwie 7% zdołało ukończyć wdrożenie tylko w jednym lub kilku obszarach, a nie w całym podległym łańcuchu. Aż 27% organizacji z przychodami powyżej 1 mld dol. w ogóle nie podejmuje, ani nawet nie planuje inwestycji w GenAI w swojej logistyce. Widać więc wyraźnie, że bez takich rozwiązań także można funkcjonować i w żadnym wypadku generatywne algorytmy nie są kwestią egzystencjalną, przynajmniej na dziś. W ciągu kliku kolejnych lat nastawienie może jednak ewoluować, ponieważ 85% przedsiębiorstw uważa, że do 2030 r. GenAI odegra kluczową rolę w rozwoju łańcuchów zaopatrzenia, a 80% respondentów widzi ją jako siłę redefiniującą dotychczasowy model dostaw, który zmierza w kierunku sieci autonomicznych o niskiej ingerencji człowieka. Z takim twierdzeniem nie zgadza jednak się 7% firm, a 13% nie chce jednoznacznie wskazywać na powodzenie lub niepowodzenie takiego kierunku zmian.
Póki co obserwujemy raczej niski poziom dojrzałości wdrożeń generatywnych algorytmów w łańcuchach zaopatrzenia. Nie dość bowiem, że tylko 7% firm zanotowało pojedyncze sukcesy, to 35% znajduje się dopiero na etapie planowania. Koleje 19% prowadzi wczesny pilotaż albo weryfikuje swoje koncepcje, a jedynie 12% jest w fazie implantacji. Wszystkie etapy poza zakończoną aplikacją mogą wciąż podzielić los wspominanych 62% przedsiębiorstw, które musiały modyfikować przyjęte założenia ze względu na napotkane ryzyka lub trudność. Na podstawie wcześniejszych analiz można wręcz założyć, że prawdopodobieństwa udanego wdrożenia w przyjętym scenariuszu i harmonogramie wynosi obecnie 16%. Tak nisko usytuowane szanse potwierdzają tylko wyskoki poziom skomplikowania programów adaptacyjnych.
Co w łańcuchu dostaw generuje największe problemy i ryzyka?
Odpowiedź jest dość jednoznaczna. Większość komplikacji generują kwestie związane z danymi, a managerowie mając do wyboru 3 kluczowe trudności najczęściej wskazują problemy z utrzymaniem danych o wysokiej jakości (38%). Następnie podkreślają niewystarczające umiejętności pracowników oraz ryzyka związane z bezpieczeństwem (po 37%). Wyzwaniem jest nie tylko jakość, ale także dostęp do odpowiednich danych oraz skomplikowanie integracji do istniejących systemów, zgodność z regulacjami, zaplecze technologiczne oraz koszt implementacji.
Ta ostatnia przeszkoda jest kluczową barierą dla polskich managerów zarządzających logistyką w swoich przedsiębiorstwach. W przytoczonym wcześniej badaniu ID Logistics, aż 55% wskazań dotyczyło właśnie wysokiego kosztu wdrożeń, jednak spory udział miały także trudności w implementacji AI w dotychczasowych procesach (39%) oraz niewystarczające zaplecze technologiczne (26%), niezrozumienie (24%) i niechęć do podjęcia ryzyka (20%).
Duże, badane przez HFS firmy wskazują na nieco inne czynniki ryzyka blokujące wdrażania GenAI. Wymienia się tam przede wszystkim kwestie regulacyjne dotyczące prywatności, zwiększoną podatność na cyberataki, możliwość uszczerbku na reputacji, niebezpieczeństwo zbytniego polegania na nieprzetestowanej technologii oraz wzrost niepewności o zatrudnienie i spadek produktywności pracowników.
Nikt nie czeka aż problemy rozwiążą się same, a nowe scenariusze wykorzystania AI ustawiają się w kolejce
Firmy wdrażające inteligentne algorytmy są świadome barier i zagrożeń, dlatego prowadzą działania zwiększające prawdopodobieństwo własnego sukcesu i minimalizujące potencjalne ryzyka. Robią to m.in. wdrażając GenAI najpierw w tych obszarach, które zapewniają szybki zwrot z inwestycji (ROI) np. w zakresie prognozowania popytu. Innym sposobem jest także posiadanie wirtualnej i skalowalnej infrastruktury, która gwarantuje szybkie zwiększanie potencjału udanych wdrożeń. Czynnikiem czysto ludzkim jest z kolei odpowiednie przygotowanie pracowników i wyposażenie ich w najlepsze możliwe narzędzia, aby ograniczać niepewność i utrzymać wysoką produktywność.
W analizach widać, że utrzymanie produktywności pracowników cieszy się wysokim priorytetem, jednocześnie jej podniesienie dość często znajduje wśród benefitów wynikających z zastosowania sztucznej inteligencji. Katalog potencjalnych zastosowań robi się naprawdę długi i być może wkrótce łatwiej będzie zapytać czego AI lub GenAI nie potrafi, a nie odwrotnie.
Co sztuczna inteligencja może zaoferować logistyce?
Brytyjski ośrodek Transport Intelligence (Ti), badający zjawiska zachodzące na globalnym rynku TSL, w raporcie z czerwca br. przytacza przykład predykcyjnego systemu zarządzania zapasami, w którym na podstawie dokonanych w przeszłości zamówień inteligentny algorytm jest w stanie wytypować towary, na które prawdopodobnie będzie popyt w zbliżającym się lub wybranym terminie. Idąc dalej, system oparty o AI jest także w stanie precyzyjnie wykalkulować wymaganą powierzchnię składowania na podstawie wymiarów, wagi i częstotliwości zamówień, podpowiadając jednocześnie umiejscowienie towaru w magazynie, które ułatwi kompletację, a w szerszej perspektywie zwiększy dostępną pojemność magazynowania.
Ti naświetlił również kwestię robotów korzystających z inteligentnego oprogramowania. Maszyny takie mogą nie tylko poruszać się autonomicznie, ale także omijać przeszkody i korygować wcześniej popełniane błędy, automatycznie zwiększając własną wydajność pracy. To samo dotyczy precyzyjnego zarządzania stanami magazynowymi. Roboty z AI zmniejszają ryzyko braków i przewidują przyszłe zapotrzebowanie ułatwiając replenishment. Te wyposażone w AI i sensory mogą monitorować eksploatację sprzętu magazynowego informując o potencjalnych awariach lub zużyciu. Systemy wizyjne mogą z kolei identyfikować i podejmować właściwe towary nawet w sytuacji, kiedy są one częściowo zasłonięte, zabrudzone lub zniszczone w sposób uniemożliwiający identyfikację przez tradycyjne skanery. To samo dotyczy inspekcji wizualnej podczas przyjęcia lub wydania towaru. Systemy poszukują w takim przypadku wgięć, zadrapań czy uszkodzeń opakowań.
Trzy grosze w kwestii możliwych zastosowań AI dorzucił również inny brytyjski ośrodek badający m.in. łańcuchy dostaw, mianowicie Reuters Events. W swoim raporcie z grudnia 2023 r. przywoływał analizę przeprowadzoną przez Światowe Forum Ekonomiczne, która wykazała, że nawet 15% dystansu pokonywanego przez europejskie ciężarówki odbywa się bez ładunku, co można poprawić dzięki bardziej precyzyjnej optymalizacji tras. Oczywiście z wykorzystaniem AI. Innym ciekawym aspektem zaprezentowanym w dokumencie jest kalkulacja, mówiąca o tym, że ze względu na regulacje, konieczność serwisowania, kwestie związane z zatrudnieniem kierowców, innych pracowników oraz użyciem istniejących technologii sprawiają łącznie, że w Europie ciężarówki są na drodze zaledwie przez 29% czasu, znacząco obniżając potencjał posiadanych zasobów branży transportowej w porównaniu z innymi sektorami gospodarki. Z drugiej strony autonomiczne pojazdy oparte o AI mogą pozostawać na drodze nawet przez 78% czasu, co znacznie poprawia wydajność transportu drogowego. Efektem ubocznym zwiększonej wydajności są m.in. floty liczące mniej pojazdów, a co za tym idzie mniejsze emisje zanieczyszczeń. Do autonomicznego transportu towarowego w Europie jeszcze bardzo daleka droga, ale na AI może skorzystać nie tylko regionalny TSL, a cała światowa gospodarka. Wiadomo nawet ile taka korzyść może wynieść. Prognozy Parlamentu Europejskiego wskazują, że do 2030 r. sztuczna inteligencja może wpompować w globalne PKB pomiędzy 13 a 15,7 bln dol.
Źródło: Materiał Prasowy / Krzysztof Oflakowski
