Röviden: A beszerzési vezetők szinte mindegyike foglalkozik a generatív AI-jal: a Deloitte több mint 250 beszerzési igazgatót megkérdező felmérése szerint 92%-uk vizsgálja vagy tervezi a bevezetését. Élesben viszont sokkal kevesebben használják. Az MIT NANDA kutatása szerint az általuk elemzett vállalati generatív AI-projektek 95%-ának nem volt kimutatható hatása az eredménykimutatásra. Az IDC adatai közben azt mutatják, hogy aki jól vezeti be, annál szépen megtérül a befektetés. Ebben a cikkben megnézzük, hol segít igazán a generatív AI a beszerzésben, miért akad el a legtöbb pilot, és mit csinálnak jól azok a csapatok, amelyeknek sikerül a kísérletből napi működést csinálni.
A beszerzésben ma már senki sem azon gondolkodik, hogy foglalkozzon-e a generatív AI-jal. A Deloitte globális beszerzésiigazgató-felmérése mintegy 40 ország több mint 250 beszerzési igazgatóját kérdezte meg. Eszerint a beszerzési vezetők 92%-a vizsgálja vagy tervezi a generatív AI bevezetését, és nagyjából 37%-uk már tesztüzemben vagy élesben használja.
A nehezebb kérdés az, hogy mi történik a pilot után. Az MIT NANDA kutatói 300 vállalati AI-bevezetést elemeztek, és 150 vezetővel készítettek interjút. Azt találták, hogy a projektek nagyjából 95%-ának nem volt mérhető hatása a nyereségre, és csak körülbelül 5% hozott érdemi eredményt. Ezt a számot érdemes pontosan érteni. A kutatás azt vizsgálta, kimutatható-e a projekt pénzügyi hatása. Azt nem mérte, hogy a pilot technikailag működött-e, vagy hogy a felhasználók hasznosnak találták-e. Az irány ettől még egyértelmű: szinte mindenki kísérletezik, de kevesen jutnak el az éles használatig.
Akik eljutnak, azoknál jól látszik az eredmény. Az IDC Microsoft által támogatott kutatása szerint a generatív AI-ba fektetett minden dollár átlagosan 3,70 dollárt hoz vissza, a legjobban teljesítő cégeknél pedig nagyjából 10 dollárt. A tanulmányt egy technológiai szállító finanszírozta, és olyan cégeket kérdezett meg, amelyek már használják az AI-t, ezért a becslések optimistább végének érdemes tekinteni. Az MIT eredményével így sincs ellentmondásban. Mindkét adat arra utal, hogy a megtérülés néhány szervezetnél koncentrálódik: azoknál, amelyek a folyamatot is újragondolják, és az eszközt ehhez igazítják.
A generatív AI sok ponton könnyíti meg a beszerzési és ellátásilánc-munkát. Mindegyik előny azon múlik, mennyire jók az adatok, és mennyire illeszkedik a megoldás a meglévő folyamatokhoz.
Megalapozottabb döntések. Az AI-alapú elemzések részletesebb képet adnak a beszállítók teljesítményéről. Több ezer adatpontból rajzolódnak ki az árazás, a szállítási idők és a minőség mintázatai.
Kevesebb rutinfeladat. A megrendelések feldolgozásától a számlaegyeztetésig a generatív AI jelentősen csökkenti a kézi munkát, így a beszerzőknek több idejük marad a stratégiai feladatokra.
Jobb beszállítói kapcsolatok. A generatív AI képes átnézni a beszállítókkal folytatott többéves levelezést és a szerződéseket. Ebből kiderül, mi működik jól egy kapcsolatban, hol vannak kockázatok, és hol lehetne szorosabban együttműködni.
Előrejelzés. A korábbi és a valós idejű adatok alapján a generatív AI előre jelzi az ellátási lánc zavarait, és a korábbi beavatkozások tapasztalatai alapján megoldásokat javasol.
Fenntarthatóság. Az AI-modellek a beszerzési döntésekbe az összetett fenntarthatósági szempontokat is beépítik. Ez segít megfelelni az ESG-elvárásoknak, amelyek egyre gyakrabban a beszállítói lánc több szintjére is kiterjednek.
Az MIT eredményei inkább tanulságosak, mint elkeserítők. A kutatás szerint a kudarc okai általában már a technológia előtt jelentkeznek: az adatok nincsenek felkészítve az éles használatra, nem világos, ki felel az AI-projektekért, és a szervezet nehezen változtat azon, ahogyan a döntéseket meghozza. A modell minősége ritkán okoz gondot.
Az elakadó beszerzési csapatoknál három helyzet ismétlődik.
Az adatproblémát elhalasztják. A pilot egy gondosan válogatott adatkészleten fut, amelyet valaki kézzel tisztított meg a bemutatóra. Élesben viszont a teljes beszállítói törzsadattal kell dolgozni: részlegenként eltérő elnevezésekkel, e-mail-mellékletben tárolt szerződésekkel, az ERP és az Excel-táblák között szétszórt költési adatokkal. A pilot működik, a bevezetés elakad.
Senki sem mérte fel a kiinduló állapotot. A „nincs mérhető hatás” eredmények jó része abból adódik, hogy nem volt mihez mérni. Ha a pilot előtt senki sem rögzítette az átfutási időket, a hibaarányokat vagy a kereten kívüli (maverick) költést, utólag nem lehet bizonyítani a javulást. Így pedig sokkal nehezebb pénzt szerezni a következő lépésre.
Az egyéni használat megelőzi a folyamatok változását. A munkatársak a saját munkájukban kezdik használni az AI-t, például e-mailek megírására vagy dokumentumok összefoglalására. Ettől ők gyorsabban dolgoznak, de maga a folyamat ugyanúgy fut tovább. Időt spórolnak vele, az eredménykimutatásban mégsem jelenik meg semmi.
Ahogy a vállalatok beépítik a generatív AI-t a beszerzésbe, a beszállítói kapcsolatok három területen alakulnak át:
Mindez csak akkor működik, ha a beszállítók is ugyanabban az adatkörnyezetben dolgoznak. Ha a beszállítói információk PDF-ekben és e-mail-láncokban érkeznek, az elemzésnek nincs egységes alapja. Ezért a beszállítók bevonása és az adatok egységesítése általában az első lépés, és csak erre épülhetnek hasznos AI-megoldások.
Az MIT kutatása és a Deloitte adatai hasonló prioritásokat jelölnek ki. Négy terület többet számít az eszközválasztásnál.
Először az adatokat tegye rendbe, és csak utána indítson új AI-projekteket. Vizsgálja át az adatok minőségét, az integrációt és az adatkezelés szabályait, és először a legfontosabb hiányosságokat pótolja. Ez nem látványos munka, a kutatás szerint mégis ez különbözteti meg leginkább a sikeres csapatokat.
Legyen egyértelmű, ki miért felel. Határozza meg, ki követi a teljesítményt, ki dönt az eredmények alapján, és kihez kell fordulni, ha valami elromlik. A gazda nélküli projektek elsodródnak, bármilyen jó is a mögöttük álló technológia.
Előbb mérjen, aztán építsen. Rögzítse a kiinduló állapotot: az átfutási időket, a hibaarányokat és azt, hogy a költés mekkora része halad szabályozott folyamatban. Így a javulás számokkal is igazolható lesz.
A csapat tudását az eszközökkel együtt fejlessze. A beszerzők képzésén és a folyamatos tanulás kultúráján múlik, hogy egy bevezetett eszköz tényleg megváltoztatja-e a mindennapi munkát.
Azok a beszerzési vezetők, akik ezt a négy területet rendbe teszik, a beszerzést költséghelyből értékteremtő területté alakíthatják. A generatív AI bevezetése már eldöntött kérdés. Az a kérdés, hogy egy szervezet el tud-e jutni a kísérletezéstől az éles használatig, mielőtt elveszíti az előnyét.
Ha azon gondolkodik, hol érdemes elkezdeni, a Fluenta One jó kiindulópont. Mérhető eredményeket hoz, és közben megteremti az alapokat a generatív AI szélesebb körű használatához, például a beszerzési folyamatokba közvetlenül beépített AI ügynökökkel.
Mennyire elterjedt a generatív AI a beszerzésben?
Szándékban szinte mindenhol jelen van. A Deloitte mintegy 40 ország több mint 250 beszerzési igazgatóját megkérdező felmérése szerint 92%-uk vizsgálja vagy tervezi a generatív AI bevezetését, és körülbelül 37%-uk már tesztüzemben vagy élesben használja. Mérhető pénzügyi eredményt hozó, éles bevezetés sokkal ritkábban fordul elő, és jelenleg a legtöbb beszerzési csapat éppen ezen a ponton tart.
Azt jelenti az MIT-féle „az AI-pilotok 95%-a kudarcot vall” adat, hogy az AI nem működik a beszerzésben?
Nem, és ezt a számot gyakran félreértik. Az MIT NANDA kutatása szerint az általuk elemzett 300 vállalati AI-projekt nagyjából 95%-ának nem volt mérhető hatása az eredménykimutatásra. Ez a kimutatható pénzügyi eredményre vonatkozik. Arról nem mond semmit, hogy a technológia működött-e, vagy hogy a felhasználóknak segített-e. Egy projekt sokat javíthat a munkán, és mégsem mutat ki semmit, ha előtte senki sem mérte fel a kiinduló állapotot.
Mekkora megtérülésre lehet számítani a generatív AI-nál a beszerzésben?
A becslések forrásonként nagyon eltérnek. Az IDC Microsoft által támogatott kutatása szerint minden befektetett dollár átlagosan 3,70 dollárt hoz vissza, a legjobban teljesítő cégeknél nagyjából 10 dollárt. Mivel a kutatást egy szállító finanszírozta, és már AI-t használó cégeket kérdeztek meg, ez a becslések optimistább végének számít. Az MIT eredményével együtt olvasva az látszik, hogy a megtérülés elérhető, de főleg azoknál a szervezeteknél jelenik meg, amelyek a folyamataikat is újragondolják.
Miért akadnak el a beszerzési AI-pilotok az éles bevezetés előtt?
Leggyakrabban az adatok miatt. A pilotok kézzel megtisztított bemutató-adatokon futnak, élesben viszont következetlen beszállítói adatokkal, e-mail-mellékletben tárolt szerződésekkel és több rendszerben szétszórt költési adatokkal kell dolgozni. Ezt tovább nehezíti, ha nem világos, ki felel a projektért, és ha a pilot előtt senki sem mérte fel a kiinduló állapotot.
Mivel kezdjen egy beszerzési csapat?
Mielőtt új AI-projektet indítana, vizsgálja át az adatok minőségét, az integrációt és az adatkezelés szabályait. Jelöljön ki egyértelmű felelőst minden kezdeményezéshez, és rögzítse a kiinduló mutatókat, például az átfutási időket, a hibaarányokat és a szabályozott folyamatban haladó költés arányát, hogy a javulás igazolható legyen. Ezek az alapok sokkal többet számítanak, mint hogy melyik eszközt választja.
.png)
.png)
.png)
.png)
.png)