Почему внедрение ИИ в логистике буксует – и что делать до запуска технологий

Компании из разных отраслей – от виноделия до переработки сельхозпродукции – столкнулись с одной и той же проблемой: внедрение искусственного интеллекта в цепочки поставок оказалось куда сложнее, чем установка нового программного обеспечения. Опыт таких корпораций, как Microsoft, Gallo и Blue Diamond Growers, показывает: основная работа начинается задолго до того, как ИИ вообще появляется в контуре.

Главный барьер – не технологии, а данные. Компании накапливают огромные массивы информации, но она часто разрознена, не связана между системами и попросту непригодна для аналитики. Blue Diamond Growers, крупнейший в мире кооператив производителей миндаля, столкнулся с этим напрямую: системы управления спросом и поставками существовали отдельно друг от друга. Кооператив хотел объединить процессы и получить возможность моделировать сбои и колебания спроса – но прежде пришлось навести порядок в самих данных.

Второй урок – нельзя автоматизировать хаос. Новые системы планирования бесполезны, если организационные барьеры и устаревшие процессы остаются нетронутыми. Даже технически безупречное решение не заработает, пока сотрудники не готовы менять привычный порядок работы. Поэтому компании, добившиеся результата, сначала перестраивали процессы и только потом накладывали на них технологии.

Отдельный вопрос – степень автономии ИИ в принятии решений. Винодельческая компания Gallo, уже использующая SAP для интегрированного бизнес-планирования, складской логистики и производственного планирования, подходит к ИИ как к инструменту «улучшения решений», а не их замены. Вице-президент по совершенству цепочек поставок Нитин Мурали подчёркивает: сотрудники должны сохранять чёткие полномочия по ключевым решениям.

Из практики этих проектов складывается вполне конкретный алгоритм. Первый шаг – определить, какие решения и проблемы действительно требуют ИИ. Второй – привести в порядок данные и процессы планирования. Третий – точечно добавлять ИИ туда, где он даёт измеримый эффект. Попытки изменить всё разом, по опыту всех трёх компаний, заканчиваются одинаково – провалом.

Для логистических компаний вывод практичен: прежде чем тратить бюджет на ИИ-решения, стоит проверить, насколько чисты и связаны собственные данные, готовы ли процессы к автоматизации и понимают ли сотрудники, что именно изменится в их работе.