Generatieve AI als gamechanger

De doorbraak van artificiële intelligentie in supply chains is natuurlijk al langer een feit. De afgelopen jaren implementeerden bedrijven AI-oplossingen voor vraagplanning en inkoop, het standaardiseren van processen en het optimaliseren van de ‘last mile delivery’. Ook op het vlak van duurzaamheidsrapportering maakt 62 procent van de bedrijven gebruik van AI-toepassingen, zo stelt het rapport van EY. Vooral de voorbije twee jaar maakte generatieve AI zijn entree. Maar waarin zit het verschil met ‘gewone’ AI-toepassingen? Waar de meerwaarde van traditionele AI-toepassingen in analyse en automatisering ligt, draait het bij GenAI veeleer rond slimme assistentie en de creatie van nieuwe content, zoals numerieke data, tekst, audio of video op basis van trainingsdata.

Kennisbeheer

De technologie is voor alle duidelijkheid niet nieuw. Flink wat grote bedrijven, bijvoorbeeld in finance en de gezondheidssector, maken al langer gebruik van generatieve AI in de vorm van slimme assistenten, bijvoorbeeld voor risicoanalyse, fraudedetectie of het importeren van data in spreadsheets (datascraping). Volgens het EY-rapport investeert ongeveer veertig procent van de bedrijven in de sector van transport en logistiek al in GenAI, voornamelijk gericht op toepassingen voor kennisbeheer. Recente ontwikkelingen hebben de drempel nu wel verlaagd om met de technologie aan de slag te gaan. Nieuwe software komt met lagere implementatiekosten en is makkelijk aan te passen aan bedrijfsprocessen. Grote volumes aan informatie en transacties vormen niet langer een struikelblok en er zijn geen grote budgetten meer nodig om eigen GenAI-modellen te bouwen en te trainen. Daardoor zien we het potentieel van generatieve AI in de supply chain nu volop ontluiken.

Zo belooft generatieve AI de ontbrekende schakel te zijn tussen de traditionele, lineaire supply chains uit het verleden en de intelligente supply chains van de toekomst. De lage kosten en het eenvoudige gebruik zorgen voor een doorbraak in de manier waarop bedrijven GenAI inzetten om de productiviteit op te drijven. Volgens een survey van adviesbureau McKinsey gaf in 2023 ongeveer een derde van de bedrijven aan generatieve AI-toepassingen te gebruiken. Het voorbije jaar, in 2024, was dat al twee derde. Dat toont het praktische nut en de toegevoegde waarde van de nieuwe usecases aan.

Algemeen toegankelijk

Generatieve AI blinkt vooral uit in gebruikersgemak: elke medewerker kan ermee werken en er toegevoegde waarde uit halen met behulp van een simpel vraag-antwoordmodel. ChatGPT is wellicht het bekendste voorbeeld, maar uiteraard gaan de usecases binnen de logistieke sector verder dan dat. Voor supply chains zit de toegevoegde waarde vooral in de logistieke planning. Via een chatfunctie kunnen bedrijven vragen stellen, bijvoorbeeld over de voorspelde vraag, en hypothetische scenario’s laten simuleren wanneer vraag of aanbod verstoord raken. De huidige GenAI-tools kunnen aanpassingen voorstellen wanneer er iets misgaat of bedrijven zelfs voorbereiden op risico’s waar ze geen rekening mee hielden. De tools maken het ook makkelijker om te navigeren door leveranciersnetwerken en alternatieve leveranciers te betrekken in het geval van een verstoring.

Het optimaliseren van pickingroutes in magazijnen met behulp van AI is niet nieuw, maar de generatieve component biedt wel extra mogelijkheden. Denk aan het geval wanneer je last minute voorrang moet geven aan een bepaalde levering en dus schema’s overhoop moet gooien, of nieuwe routes wilt uitstippelen die het brandstofverbruik naar beneden moeten halen. Daar is begrip van complexe logistieke netwerken voor nodig. Generatieve AI-toepassingen laten toe snel inzicht te verwerven door simpelweg vragen te stellen aan de modellen. Meer nog, ze stellen vervolgens zelf verbeterpunten voor.

Betrouwbaarheid op één

Toch zijn er ook beperkingen en risico’s aan het gebruik van GenAI verbonden. Bedrijven noemen onnauwkeurigheid als het vaakst voorkomende probleem en hun grootste bekommernis. Generatieve AI is voor een effectieve werking sterk afhankelijk van grote hoeveelheden data. In een supply chain-context betekent het dat er een voortdurende stroom van nauwkeurige gegevens nodig is, bijvoorbeeld over vraagvoorspellingen, voorraadniveaus, transportkosten en externe factoren zoals weersomstandigheden. Dat vormt een drempel waar bedrijven nog vaak tegenaan lopen.

De gegevens moeten ook consistent zijn in tijd en locatie, wat uitdagend kan zijn in wereldwijde supply chains met verschillende leveranciers en partners. ‘Slechte’ data – bijvoorbeeld omdat ze onvolledig zijn – leiden tot foutieve beslissingen en inefficiënte aanbevelingen van de AI-modellen, wat de prestaties en betrouwbaarheid van de supply chain ondermijnt. Het verzamelen, opschonen en beheren van de datastromen is duur en arbeidsintensief. Bovendien heb je systemen nodig die de data in real time verwerken. In supply chains, waar timing en precisie cruciaal zijn, kunnen zelfs kleine fouten in AI-modellen grote verstoringen veroorzaken.

Er zijn ook bezorgdheden als het op gegevensbeveiliging en de uitlegbaarheid van modellen aankomt: belangrijke factoren die een succesvolle implementatie en adoptie van generatieve AI-modellen op lange termijn kunnen beïnvloeden. In veel gevallen werken modellen met bedrijfsgevoelige informatie. De bescherming van die data tegen cyberdreigingen en datalekken is essentieel. Het is dan ook de reden waarom experts het gebruik van ChatGPT of andere kant-en-klare GenAI-modellen afraden om bedrijfsgevoelige informatie te verwerken. Aangezien de gegevens die je invoert dienen om het model verder te trainen, valt ongewenste blootstelling van gevoelige bedrijfsinformatie niet uit te sluiten. Aanbieders spelen in op het gebruikersgemak van kant-en-klare oplossingen voor bedrijven en de noodzaak van gegevensbescherming, met bijvoorbeeld private GenAI-apps voor Microsoft 365-gebruikers, gebaseerd op Azure OpenAI.

Geen resultaat zonder strategie

Bedrijven beseffen dat ze geen tijd mogen verliezen bij het implementeren van GenAI. Toch kan te snel handelen contraproductief zijn. Een gedegen start vraagt om een goed begrip van wat GenAI precies te bieden heeft. Het is belangrijk om eerst de geschikte toepassingsmogelijkheden in kaart te brengen en een vorm van ‘design thinking’ toe te passen, waarin business en IT samenwerken aan ideeën. Dat impliceert beginnen met relatief eenvoudige doelen, maar ook dan blijft de implementatie vaak een complexe onderneming. Ze omvat immers meer dan alleen de technologie of het AI-model zelf. Ook de medewerkers en de beveiliging spelen een rol.

Daardoor zien we vandaag wel veel proefprojecten, maar weinig projecten die al de stap zetten naar volwaardige oplossingen op bedrijfsniveau. Succesvolle AI-initiatieven vereisen immers een breed palet aan expertise: niet alleen op het vlak van AI en engineering, maar ook rond strategie, design, compliance en ethiek. Bedrijven moeten die laatste twee aspecten vanaf het begin in overweging nemen om te voorkomen dat ze investeren in een oplossing die later niet blijkt aan te sluiten bij de noden of waarden van het bedrijf.

Kant-en-klaar of eigen ontwikkeling

De implementatie van GenAI-toepassingen kent verschillende vormen. Voor bedrijven die snel voordeel willen halen uit de mogelijkheden van generatieve AI zijn er steeds meer standaardoplossingen beschikbaar, zoals Copilot, dat Microsoft nu in diverse zakelijke toepassingen integreert, bijvoorbeeld binnen Teams. Bedrijven hebben daarnaast ook de optie met Copilot Studio een maatwerkversie van de oplossing te ontwikkelen die aansluit bij de unieke behoeften van hun organisatie.

De inzet van een toepassing als Copilot kan direct bijdragen aan productiviteitsverbetering en leert medewerkers te werken met ‘prompts’: de opdrachten die zij aan de AI-toepassing geven. Dat is een belangrijke vaardigheid aangezien het stellen van de juiste vragen essentieel is om optimale resultaten met AI te behalen.

Hoewel de meeste bedrijven vandaag met kant-en-klare AI-modellen aan de slag gaan, zijn er evengoed bedrijven die hun eigen AI-modellen ontwikkelen. In sectoren als energie, IT en telecom investeren bedrijven steeds meer in maatwerk, om de nauwkeurigheid van de modellen verbeteren – waardoor ze een grotere waarde krijgen als concurrentieel voordeel. Het zijn motieven die uiteraard ook op de sector van transport en logistiek van toepassing zijn, waardoor we mogen verwachten dat ook bedrijven uit die branche zullen investeren in generatieve AI-toepassingen op maat.

FF