AI dwingt planning tot een reset

Lora Cecere heeft meer dan dertig jaar ervaring op het vlak van planning en was negen jaar actief als ‘industry analyst’ bij Gartner Group, AMR Research en Altimeter Group. Om haar boodschap kracht bij te zetten, blikt ze terug op haar eigen ervaringen. “Toen in de jaren tachtig de eerste personal computers hun intrede deden, wist niemand welke impact die zouden hebben”, vertelt ze. “Toen ik destijds de eerste pc op kantoor introduceerde, vreesde mijn team van typisten dat ze hun baan zouden verliezen, maar uiteindelijk kregen die medewerkers een andere en betere job. Vandaag bevinden we ons op een vergelijkbaar kantelpunt. AI zal banen en processen veranderen, maar ook nieuwe mogelijkheden creëren.”

Betere beslissingen als startpunt
Lora Cecere is van mening dat het AI-debat nog te veel vanuit de technologie wordt gevoerd. “Organisaties vragen zich al meteen af welke tool ze best kopen of welke AI-agenten ze kunnen inzetten. Dat zijn de verkeerde vragen”, zegt ze. “Voordat je iets automatiseert, moet je weten wat je precies wil automatiseren. Bedrijven hebben het vandaag echter niet makkelijk om de vinger op de wonde te leggen. Hoewel de meeste bedrijven tegenwoordig over een APS (advanced planning system) beschikken, vindt een groot deel van de planning nog steeds in Excel plaats. Daardoor besteden organisaties veel aandacht aan het verzamelen van data, maar minder aan de kwaliteit van de beslissingen die daaruit voortvloeien. Veel bedrijven hebben bovendien nooit scherp gedefinieerd wat een goede beslissing precies is, hoe de kwaliteit van een plan wordt beoordeeld of hoe planners uit eerdere beslissingen kunnen leren.”

Nog volgens Lora Cecere ligt de focus te vaak op transactionele efficiëntie. “Bedrijven gebruiken technologie vooral om bestaande processen sneller uit te voeren, transacties efficiënter te verwerken of planners tijd te besparen. Dat kan zeker voordelen opleveren, maar zo blijft een belangrijk deel van het potentieel van AI onbenut. De vraag is immers niet alleen hoe bedrijven efficiënter kunnen plannen, maar vooral hoe ze betere beslissingen kunnen nemen. AI biedt dan de mogelijkheid om meer informatie mee te nemen en sneller in te spelen op veranderingen.”
Bedrijven moeten daarom eerst terug naar de basis vooraleer ze met AI starten. Wat is een goed plan? Wie moet welke beslissing nemen en op welk moment? Hoe wordt de kwaliteit van de besluiten gemeten en hoe leren we uit eerdere beslissingen? “Pas wanneer organisaties een duidelijk antwoord hebben op al die vragen en hun basis op orde hebben, kunnen de juiste keuzes worden gemaakt en kan AI daadwerkelijk waarde toevoegen”, meent ze.

Data worden dé grondstof voor planning
Een van de grootste veranderingen die AI met zich meebrengt, is de manier waarop bedrijven met data omgaan. Traditionele planningssystemen zijn vaak gebouwd rond gestructureerde data in relationele databases. Daardoor wordt een groot deel van de beschikbare informatie simpelweg niet gebruikt. AI maakt het ook mogelijk vlotter ongestructureerde informatie, afbeeldingen, sensordata, videobeelden en realtime informatie te gebruiken en in de besluitvorming mee te nemen.

Onze relatie met data zal dus fundamenteel veranderen. “Data hoeven niet langer uitsluitend gestructureerd in rijen en kolommen beschikbaar te zijn. Dat opent enorme mogelijkheden”, aldus Lora Cecere.

Niet alle AI doet hetzelfde
Een grote misvatting is volgens Lora Cecere dat bedrijven AI vaak als één technologie beschouwen, terwijl het in werkelijkheid gaat om een verzameling technieken met elk hun eigen sterktes. Ook daar komt het er dus op aan de juiste keuze te maken.

“Grote taalmodellen zijn geknipt om enorme hoeveelheden ongestructureerde informatie te verwerken”, vertelt ze. “Daardoor worden contracten, e-mails, handleidingen of leveranciersdocumentatie ineens bruikbaar binnen planning. Machine learning is dan weer bijzonder geschikt om continu veranderende parameters zoals levertijden, conversieratio’s of doorlooptijden automatisch aan te passen. Neurale netwerken maken het mogelijk veel variabelen tegelijk mee te nemen in voorspellingen zoals weersinformatie, consumentenreviews, grondstoffenprijzen of concurrentiegegevens. AI-agenten kunnen dan weer repetitieve taken automatiseren en gebruikers bij hun dagelijkse werkzaamheden ondersteunen.”

Dat onderscheid noemt Lora Cecere essentieel. Ook daarom is het belangrijk eerst te bepalen welk probleem we willen oplossen om daar vervolgens de juiste AI-techniek op los te laten.

Weg van één universeel planningsmodel
Om AI-oplossingen optimaal in te zetten, moeten organisaties in de eerste plaats hun mindset veranderen. Een groot pijnpunt ligt vandaag in de manier waarop bedrijven hun supply chain planning organiseren. “Vaak behandelen ze alle producten alsof ze dezelfde kenmerken hebben en door dezelfde planningslogica kunnen worden gestuurd”, zegt Lora Cecere. “In werkelijkheid bestaan er evenwel meerdere supply chains naast elkaar. Een beperkt deel van het assortiment kent een stabiele vraag en kan daarom uiterst efficiënt worden gepland, maar een groot deel wordt gekenmerkt door een grote onzekerheid, sterk wisselende vraagpatronen en korte levenscycli.”

Daarom pleit ze voor een veel dynamischere benadering waarbij AI de producten automatisch kan groeperen op basis van hun kenmerken. Vervolgens kan het systeem voor elke productstroom bepalen welke forecastingmethode, databronnen en manier van plannen het meest geschikt zijn.
L. Cecere: “Besef ook dat niet elke supply chain maximaal efficiënt hoeft te zijn. Sommige zullen bijvoorbeeld vooral wendbaar moeten zijn om snel te kunnen inspelen op veranderingen in vraag en aanbod, waardoor je moet inboeten op efficiëntie. Verder besteden bedrijven vaak te veel aandacht aan onzekerheden aan de aanbodzijde, terwijl er ook aan de vraagzijde grote onzekerheid bestaat. Dat is een aandachtspunt. AI kan helpen ook dat beter in kaart te krijgen.”

Tegelijk waarschuwt Lora Cecere voor wat ze zelf ‘AI stupid’ noemt: “Bedrijven focussen tegenwoordig erg op AI-agenten. Dan plaatsen ze AI-agenten boven op hun bestaande planning en laten hen gewoon gegevens ophalen. Dat is alsof je zout over je eten strooit en denkt dat je daarmee een nieuw gerecht hebt gecreëerd. Misschien zul je zo wel beperkte efficiëntiewinst boeken, maar de onderliggende problemen blijven dezelfde.”

Aandacht voor de dynamiek van de supply chain
Lora Cecere vraagt ook aandacht voor de dynamiek van de supply chain. “Een verandering in de vraag kan gevolgen hebben voor voorraad, productie en sourcing, terwijl problemen bij een leverancier of in de productie op hun beurt de commerciële mogelijkheden beïnvloeden. Als je elke functie afzonderlijk optimaliseert, loop je het risico dat je die onderlinge afhankelijkheden uit het oog verliest.”

Daarom is volgens haar een meer bidirectionele orkestratie nodig. In veel klassieke planningsprocessen loopt de informatiestroom vooral in één richting: vanuit de planning worden beslissingen doorgestuurd naar de uitvoering. Maar informatie moet ook in de andere richting bewegen. Nieuwe signalen vanuit leveranciers, productie, logistiek of de markt moeten snel terugvloeien naar de planning, zodat plannen en beslissingen voortdurend aan de werkelijke situatie kunnen worden aangepast.

“AI kan daarbij helpen door veel meer signalen tegelijk te verwerken en zichtbaar te maken hoe veranderingen zich doorheen de keten voortplanten”, gaat ze verder. “Zo ontstaat een dynamischer planningsproces waarin planning en uitvoering elkaar voortdurend voeden. Dat maakt het mogelijk sneller te reageren op veranderingen en vormt tegelijk de basis om verschillende mogelijke toekomstscenario’s naast elkaar te zetten.”

Van één plan naar een ‘plan of plans’
Een belangrijk element binnen de visie van Lora Cecere is het concept van het ‘plan of plans’. “Klassieke planningssystemen vertrekken van één forecast die stap voor stap wordt verfijnd. Die manier van werken is niet langer houdbaar bij de huidige mate van onzekerheid”, meent ze. “Vergelijk het met de manier waarop meteorologen orkanen voorspellen. Ze maken niet één voorspelling, maar tientallen mogelijke scenario’s die voortdurend worden aangepast wanneer er nieuwe informatie beschikbaar is.”

Volgens haar zou supply chain planning op een vergelijkbare manier moeten functioneren. Zo zouden organisaties meerdere plausibele scenario’s parallel moeten ontwikkelen en voortdurend actualiseren. Vervolgens kan met behulp van AI, op basis van actuele marktsignalen, worden bepaald welk scenario het meest waarschijnlijk wordt en welke acties daaraan kunnen worden gekoppeld.
L. Cecere: “Daarbij moet er niet enkel aandacht zijn voor orderdata, maar zeker ook voor marktdata. Orders lopen immers vaak weken of maanden achter op de werkelijke marktvraag. Externe signalen bieden veel sneller inzicht in veranderende omstandigheden en kunnen de planning veel proactiever maken. Daar zit meteen ook een grote meerwaarde van AI: niet in het maken van één betere forecast, maar wel in het evalueren van verschillende mogelijkheden in de toekomst.”

Lora Cecere vindt AI pas echt waardevol wanneer bedrijven ook de architectuur onder hun planning herdenken om met meerdere scenario’s en plannen te kunnen werken. Bedrijven kunnen daarom het best investeren in een moderne datafundering. Ze pleit bijvoorbeeld voor een nieuwe masterdatalaag waarin alle relevante informatie semantisch met elkaar wordt verbonden via een ‘knowledge graph’ – een database die informatie als een netwerk van onderling verbonden gegevens structureert – en een uniform datamodel. Daarop kunnen AI-modellen verschillende planningsscenario’s opbouwen en met elkaar vergelijken om vervolgens aanbevelingen te formuleren.

De planner als dirigent van het besluitvormingsproces
In tegenstelling tot wat soms wordt beweerd, ziet Lora Cecere AI niet uitgroeien tot een volledig autonome planner: “Integendeel, ik zie de planner als de dirigent van het orkest”, zegt ze. “AI zal grote hoeveelheden data verwerken, scenario’s ontwikkelen en alternatieven voorstellen. De planner zal degene zijn die beoordeelt of een plan haalbaar is, die verschillende functies met elkaar verbindt en de uiteindelijke besluitvorming in goede banen leidt. Daarnaast zullen ook bedrijfsleiders steeds vaker gebruikmaken van digitale assistenten die helpen om verschillende scenario’s snel door te rekenen en om de impact van beslissingen op sourcing, productie, distributie of voorraad inzichtelijk te maken. Die aanpak vraagt uiteraard om een duidelijke governance. Wie neemt welke beslissing op welk niveau, bijvoorbeeld? Ook dat zijn zaken waar voldoende aandacht aan moet worden besteed.”

Sturen op waarde
Tot slot moeten bedrijven ook de manier waarop ze hun prestaties meten grondig herbekijken. “Veel organisaties sturen nog steeds op afzonderlijke KPI’s (key performance indicators) zoals transportkosten of productie-efficiëntie”, licht Lora Cecere toe. “Daardoor hebben afdelingen de neiging hun eigen resultaten te optimaliseren, wat de totale bedrijfswaarde niet altijd ten goede komt.” Daarom pleit ze voor het gebruik van een balanced scorecard waarbij KPI’s als groei, operationele marge, voorraadbeheer en het rendement op geïnvesteerd kapitaal centraal staan. “Op die manier kun je vermijden dat verschillende functies enkel bezig zijn met het minimaliseren van hun afzonderlijke kosten, maar dat gezamenlijk wordt bijgedragen aan de waardecreatie van de organisatie.”

Dezelfde logica geldt voor de AI die aan de systemen wordt gekoppeld. “Het succes daarvan moet in de eerste plaats worden beoordeeld op basis van de kwaliteit van de beslissingen die eruit voortkomen. Voor alle duidelijkheid, je hoeft de wiskunde achter AI niet volledig te begrijpen, maar je moet wel kunnen aantonen dat de resultaten uiteindelijk beter geworden zijn”, besluit ze. “Meet daarom de ‘forecast value add’, de ‘inventory value add’, het ‘bullwhip’-effect en de haalbaarheid van je planning. Alleen zo kom je erachter of AI daadwerkelijk waarde creëert.”
TC