Wdrożenie sztucznej inteligencji w logistyce: rewolucja, bańka i cmentarz pilotaży w jednym

Pracownik przygotowuje analizę w kilka minut. Potem dokument czeka trzy dni, przechodzi przez cztery akceptacje i trafia na dwa spotkania. Firma ogłasza sukces sztucznej inteligencji, bo pierwsza wersja powstała szybciej. Dyrektor finansowy patrzy na rachunek za licencje. Dyrektor operacyjny nadal czeka na decyzję. Prezes pyta, gdzie jest zwrot z inwestycji.

I każdy z nich ma rację. Każdy patrzy tylko na inny fragment tego samego problemu.

Pytanie, które słyszę dziś od prezesów, jest krótkie: czy to wszystko zaraz się zawali i czy w takim razie warto teraz cokolwiek wdrażać? Odpowiedź nie jest wygodna, bo nie jest jednoznaczna. Część tego rynku może się zawalić bardzo konkretnie. Mogą wyparować wyceny. Mogą zniknąć dostawcy. Mogą zostać odpisane centra danych, licencje i projekty. Jednocześnie wdrożenie sztucznej inteligencji w konkretnych procesach może dalej rosnąć i przynosić firmom realne oszczędności. Sztuczna inteligencja może być rewolucją technologiczną, bańką inwestycyjną i cmentarzem źle zrobionych wdrożeń w tym samym czasie.

Historia infrastruktury pokazuje, że okres przejścia od obietnicy do normalnego zastosowania zwykle właśnie tak wygląda. Koleje zmieniły gospodarkę, chociaż część inwestorów kolejowych straciła pieniądze. Elektryczność zmieniła przemysł, chociaż pierwsze zelektryfikowane fabryki nie osiągnęły oczekiwanego skoku produktywności. Światłowody stworzyły podstawę gospodarki internetowej, chociaż wielu operatorów budujących pierwsze sieci wpadło w poważne kłopoty. Zobaczmy, co z tego wynika dla polskiej firmy produkcyjnej, logistycznej albo handlowej, która dziś ma na biurku ofertę na licencje.

Problem pierwszy: pomieszane rachunki

W całej dyskusji o sztucznej inteligencji pomieszano kilka zupełnie różnych rachunków. W efekcie jedna liczba z rynku kapitałowego ma rzekomo rozstrzygać, czy model przydaje się pracownikowi. Strata producenta modelu ma dowodzić, że automatyzacja reklamacji nie ma sensu. Rosnące przychody z chmury mają z kolei potwierdzać, że każda inwestycja w sztuczną inteligencję się zwróci. To logiczny bałagan i on kosztuje firmy prawdziwe pieniądze, bo prowadzi do decyzji podejmowanych na podstawie niewłaściwych przesłanek.

Trzeba rozdzielić pięć pytań, bo każde ma innego właściciela i inną odpowiedź:

Czy model potrafi wykonać użyteczną pracę?
Czy firma wykorzystująca model uzyskuje zwrot z inwestycji?
Czy producent modelu ma rentowny sposób działania?
Czy infrastruktura obliczeniowa zostanie wykorzystana?
Czy dzisiejsze wyceny spółek mają sens?

Na każde z tych pytań odpowiedź może być inna. Model może dobrze klasyfikować reklamacje, a jego producent może tracić pieniądze. Firma może oszczędzać na obsłudze dokumentów, mimo że dostawca usługi przepala kapitał inwestorów. Centrum danych może być źle ulokowane, mimo że świat będzie potrzebował coraz więcej mocy obliczeniowej. Technologia może zmieniać całe branże, a akcje firm z nią związanych nadal mogą być przewartościowane.

Zdanie, że firmy rozwijające sztuczną inteligencję tracą pieniądze, więc sama technologia jest bezużyteczna, nie trzyma się kupy. Dokładnie tak samo błędne byłoby stwierdzenie, że internet zmienił gospodarkę, więc każda spółka internetowa z końca lat dziewięćdziesiątych musiała być dobrą inwestycją. Internet wygrał. Wiele spółek internetowych przegrało. Klienci dostali tańsze usługi, a część dostawców nie odzyskała zainwestowanego kapitału. To nie jest sprzeczność. Tak działa rynek, gdy technologia dojrzewa szybciej niż ekonomika firm, które próbują ją sprzedawać.

Pytanie kontrolne dla zarządu: który rachunek właśnie oceniamy? Rachunek użytkownika, producenta modelu, właściciela infrastruktury czy inwestora? Bez tego pytania rozmowa natychmiast zmienia się w wymianę haseł. Jedna strona mówi o jakości modeli. Druga odpowiada wyceną giełdową. Ktoś pokazuje wzrost produktywności pracownika. Ktoś inny wyciąga koszt budowy centrum danych. Wszystkie liczby mogą być prawdziwe, ale opisują różne biznesy.

W firmie produkcyjnej nikt rozsądny nie ocenia opłacalności nowej maszyny na podstawie rentowności jej producenta. Liczy się koszt cyklu, dostępność, jakość, wykorzystanie i wpływ na cały proces. Producent maszyny może mieć zły rok, a maszyna może poprawnie zarabiać u odbiorcy. Może też być odwrotnie: producent zarabia świetnie, a klient kupił urządzenie, które stoi pod ścianą. Ze sztuczną inteligencją trzeba zrobić dokładnie taki sam porządek pojęciowy. Najpierw określić stronę rachunku, potem zakres kosztu i dopiero później wyciągać wnioski. Tak samo pracujemy przy audytach logistycznych - najpierw ustalamy, co i po czyjej stronie mierzymy, a potem dopiero liczymy.

Kto tu naprawdę jest pod wodą

Najwięksi dostawcy chmury nie wyglądają dziś jak firmy tonące. Ich działy chmurowe rosną, generują miliardowe przychody i wysokie zyski operacyjne. Jednocześnie te same firmy podejmują coraz większe ryzyko kapitałowe, bo skala inwestycji rośnie szybciej niż pewność przyszłej monetyzacji.

Microsoft w jednym kwartale wydał na inwestycje trzydzieści jeden i dziewięć dziesiątych miliarda dolarów, a chmura Microsoftu przyniosła w tym okresie ponad pięćdziesiąt cztery miliardy dolarów przychodu. Widać tu dwie rzeczy naraz: istnieje duży działający biznes, ale nowa infrastruktura pochłania kwoty, przy których pomyłka w prognozie popytu będzie bardzo kosztowna. Alphabet w jednym kwartale przeznaczył na inwestycje trzydzieści pięć i siedem dziesiątych miliarda dolarów, przy rosnącej chmurze i poprawiającym się wyniku operacyjnym. Amazon pokazuje ten sam konflikt: przepływy pieniężne z działalności operacyjnej wzrosły, dział chmurowy nadal generował ogromne przychody, a wolne przepływy pieniężne spadły w skali roku o około dwie trzecie, głównie z powodu inwestycji w infrastrukturę.

To nie są firmy pod wodą. To firmy, które postawiły bardzo dużą, jednokierunkową stawkę. Jednokierunkową, bo centrum danych nie zmienia się łatwo w fabrykę, hotel ani osiedle. Ma określoną lokalizację, przyłącze energetyczne, chłodzenie, sprzęt i profil odbiorców. Gdy prognoza zapotrzebowania okaże się zbyt wysoka albo ceny usług spadną, część tej infrastruktury może pracować poniżej poziomu potrzebnego do odzyskania kapitału.

Zarząd przedsiębiorstwa produkcyjnego zna ten mechanizm na pamięć. Linia technologiczna może działać poprawnie, a inwestycja nadal może się nie zwrócić, jeżeli wykorzystanie wynosi połowę założonego poziomu. Problem nie leży wtedy w zdolności maszyny do produkcji. Problem siedzi w wolumenie, cenie, finansowaniu albo błędnej prognozie. Widzę to samo w magazynach: automatyka kupiona pod prognozę, która się nie zmaterializowała, jest sprawna technicznie i nierentowna finansowo. Dlatego przy automatyzacji magazynu zawsze liczę scenariusz niższego wolumenu, a nie tylko ten z prezentacji dostawcy.

Producent modelu i cena inteligencji

Po drugiej stronie mamy producentów modeli bazowych. Tutaj rachunek jest znacznie trudniejszy. Przychody rosną bardzo szybko, lecz zużycie gotówki rośnie w podobnym tempie. Poduszka finansowa pochodzi przede wszystkim od inwestorów, a rentowność pozostaje planem na koniec dekady. OpenAI w pierwszym kwartale tego roku osiągnęło przychód rzędu pięciu i siedmiu dziesiątych miliarda dolarów, zużywając w tym samym okresie około trzech i siedmiu dziesiątych miliarda dolarów gotówki. Obie wartości były mniej więcej trzykrotnie wyższe niż rok wcześniej. To niezwykłe tempo wzrostu i niezwykle drogi sposób jego finansowania.

Firma może mieć świetny produkt, szybko rosnącą bazę klientów i słabą ekonomikę pojedynczego zapytania. Każda z tych rzeczy może być prawdziwa jednocześnie. Producent modelu ponosi koszt treningu, badań, infrastruktury, pozyskania danych, wynagrodzeń specjalistów i obsługi zapytań. Potem wchodzi konkurent z modelem tańszym, wystarczająco dobrym albo udostępnianym na innych warunkach. Cena usługi spada, zanim pierwszy dostawca zdąży odzyskać nakłady.

Dla klienta może to być bardzo dobra wiadomość. Dla inwestora finansującego poprzednią generację modelu już niekoniecznie. Firma logistyczna może obniżyć koszt obsługi reklamacji, korzystając z usługi sprzedawanej poniżej pełnego kosztu jej wytworzenia. Korzyść klienta jest realna. Strata dostawcy też jest realna. Kapitał przechodzi wtedy od inwestora do użytkownika technologii. Takie subsydiowanie może trwać długo, dopóki inwestorzy wierzą w przyszłą dominację dostawcy. Później następuje podwyżka cen, konsolidacja albo upadek części rynku.

Pytanie kontrolne: czy projekt nadal ma sens, gdy cena usługi wzrośnie, dostawca zniknie albo trzeba będzie przenieść proces do innego modelu? Odpowiedź nie wymaga przewidywania zwycięzcy wyścigu technologicznego. Wymaga architektury, danych i procesu, których nie zamknięto u jednego dostawcy. Firma powinna kontrolować własne reguły decyzyjne, kryteria jakości, historię wyników i możliwość zmiany modelu. Jeżeli cała wiedza o procesie siedzi w rozwiązaniu dostawcy, niska cena licencji może być tylko pierwszą ratą. Koszt pojawi się przy migracji, integracji, ponownym testowaniu i odbudowie kontroli jakości.

Problem drugi: dobra technologia w złej inwestycji

Wielka Brytania przerobiła ten temat przy kolejach w tysiąc osiemset czterdziestym piątym roku. Zarejestrowano wtedy ponad tysiąc dwieście projektów kolejowych. Inwestorzy uwierzyli, że kolej zmieni handel, przemysł i transport ludzi. Mieli rację. Jednocześnie powstało zbyt wiele linii, część bez sensownego uzasadnienia ekonomicznego. Racja technologiczna i błąd inwestycyjny w tym samym czasie.

Budowano konkurencyjne trasy, przeszacowywano popyt i zakładano, że każdy nowy odcinek przejmie część rosnącego rynku. Kapitał płynął szybciej niż zdolność gospodarki do wykorzystania całej powstającej sieci. Część inwestorów straciła kwoty rzędu połowy zainwestowanego kapitału. Tory jednak nie zniknęły razem z ich pieniędzmi. Infrastruktura służyła gospodarce przez następne dekady. Społeczna wartość sieci mogła rosnąć, podczas gdy zwrot pierwszego właściciela pozostawał fatalny.

To jeden z najważniejszych mechanizmów dla dzisiejszego rynku sztucznej inteligencji. Inwestor może poprawnie przewidzieć kierunek rozwoju gospodarki i jednocześnie źle wybrać konkretny projekt, moment, lokalizację albo cenę wejścia. Świat prawdopodobnie będzie zużywał więcej mocy obliczeniowej. Z tego nie wynika, że każde budowane dziś centrum danych osiągnie zakładane wykorzystanie. Obiekt może znaleźć się w złym miejscu, mieć za drogie zasilanie, ograniczone chłodzenie albo niewystarczające połączenie z siecią. Może też zostać wyposażony w sprzęt, który zestarzeje się szybciej niż harmonogram spłat.

W logistyce widzę podobny błąd przy magazynach. Firma poprawnie przewiduje wzrost sprzedaży i buduje za duży obiekt w niewłaściwej lokalizacji. Rynek rzeczywiście rośnie, ale wolniej, struktura zamówień się zmienia i towar wymaga innego składowania. Automatyka nie pasuje do nowego profilu zamówień. Magazyn jest potrzebny. Inwestycja nadal może być zła. Dlatego masterplan magazynu robimy zawsze na kilku scenariuszach wolumenu i struktury zamówień, a nie na jednej optymistycznej krzywej sprzedaży.

W centrum danych znaczenie ma coś więcej niż liczba zamontowanych układów obliczeniowych. Liczy się koszt energii, stopień wykorzystania, cena usługi, tempo starzenia sprzętu, dostępność klientów i możliwość przestawienia infrastruktury na inne zadania. Jeden słaby element potrafi zjeść całą zakładaną marżę. Szczególnie groźne jest tempo wymiany sprzętu. Budynek i przyłącze mogą służyć długo, lecz urządzenia obliczeniowe starzeją się szybko. Nowa generacja może wykonać tę samą pracę taniej, przy mniejszym zużyciu energii. Starsze centrum nadal działa, ale jego koszt jednostkowy przestaje być konkurencyjny.

To trochę jak zakup floty ciężarówek tuż przed zmianą wymagań, cen paliwa i struktury tras. Pojazdy są sprawne. Przewożą towar. Rachunek inwestycyjny przestaje się jednak zgadzać, bo rynek wynagradza już inne parametry.

Pytanie kontrolne dla każdej z tych inwestycji jest identyczne: przy jakim rzeczywistym wykorzystaniu inwestycja zarabia po uwzględnieniu kosztu kapitału, energii, utrzymania i wymiany sprzętu? Odpowiedź oparta na pełnym wykorzystaniu przez cały okres spłaty jest życzeniem, a nie analizą. Trzeba sprawdzić spadek cen, opóźnienie popytu, szybsze starzenie urządzeń i wejście tańszego konkurenta. Dopiero wtedy widać, czy projekt ma margines bezpieczeństwa.

Kolejowa gorączka nie dowiodła, że kolej była pomyłką. Dowiodła, że nawet dobra infrastruktura może zostać zbudowana w złej ilości, w złym miejscu i za drogie pieniądze. Dokładnie tego spodziewam się w części rynku centrów danych. Nie wszystkie obiekty będą złe. Część stanie się fundamentem usług używanych przez lata. Część zostanie przejęta taniej przez kolejnych właścicieli. Część będzie pracowała ze zbyt niskim wykorzystaniem i zakończy się odpisem. Użytkownicy technologii mogą wtedy skorzystać podwójnie: dostaną większą podaż mocy obliczeniowej oraz niższe ceny usług.

Problem trzeci: nowy silnik w starej fabryce

To najmocniejsza analogia dla przedsiębiorstw, które dziś planują wdrożenie sztucznej inteligencji. Pierwsze fabryki korzystały z centralnego napędu parowego. Jeden duży silnik przekazywał energię przez układ wałów, kół i pasów do wielu maszyn. Rozmieszczenie stanowisk wynikało więc z konstrukcji napędu, a nie z najlepszego przepływu materiału.

Kiedy pojawiły się silniki elektryczne, część zakładów zrobiła rzecz pozornie rozsądną. Wymieniła centralny silnik parowy na elektryczny i zostawiła cały układ fabryki bez większych zmian. Nadal działały długie wały. Nadal kręciły się pasy. Maszyny pozostawały tam, gdzie wymagał tego dawny sposób przenoszenia energii. Zakład był czystszy, obsługa stała się trochę prostsza i poprawiło się bezpieczeństwo. Wielkiego skoku produktywności jednak nie było.

Pełne korzyści pojawiły się później, gdy małe silniki elektryczne zaczęły napędzać poszczególne maszyny. Wtedy można było usunąć wspólne wały, zmienić układ stanowisk i projektować fabrykę według przepływu materiału. Zmieniła się również organizacja pracy, utrzymanie ruchu i możliwość sterowania poszczególnymi etapami produkcji. Elektryczność dawała swobodę, której wcześniej nie było. Fabryka musiała zostać przeprojektowana, żeby tę swobodę wykorzystać.

Współczesnym odpowiednikiem wymiany centralnego silnika jest dołożenie asystenta opartego na sztucznej inteligencji do starego procesu. Pracownik szybciej przygotowuje wiadomość, ofertę, opis reklamacji albo analizę. Potem efekt jego pracy wpada w ten sam obieg, z tymi samymi akceptacjami, spotkaniami i kolejkami. Jedna czynność przyspiesza. Czas całego procesu prawie się nie zmienia. Firma mierzy czas napisania dokumentu i ogłasza poprawę. Klient nadal czeka tyle samo, ponieważ wąskie gardło siedzi w decyzji, a nie w pisaniu.

W magazynie podobny efekt daje przyspieszenie kompletacji bez sprawdzenia pakowania i wysyłki. Kompletujący kończą wcześniej, lecz gotowe zamówienia tworzą kolejkę przed stanowiskami pakowania. Wskaźnik jednego zespołu rośnie. Czas realizacji zamówienia pozostaje bez zmian, a powierzchnia zaczyna się zatykać. Nikt, kto zna operację, nie nazwie tego poprawą całego procesu. Zmierzyliśmy lokalny wynik i przenieśliśmy wąskie gardło kilka metrów dalej.

Ze sztuczną inteligencją firmy robią to samo, tylko zamiast palet i pojemników przesuwają dokumenty. Asystent szybciej tworzy treść. Człowiek musi ją sprawdzić. Potem ktoś porównuje dane z systemem. Następna osoba akceptuje wyjątek. Na końcu wynik zostaje ręcznie wpisany do systemu transakcyjnego. Czas generowania spada, ale rośnie czas kontroli. Pojawiają się nowe wersje dokumentu. Nikt nie ustalił, kto odpowiada za błąd. Proces zaczyna produkować więcej pracy, ponieważ szybciej wytwarza materiały do sprawdzenia.

Najgorszy wariant pojawia się wtedy, gdy firma kupuje licencje dla całej organizacji i zostawia ludzi samych z pytaniem, do czego mają ich używać. Jedni piszą wiadomości. Inni robią podsumowania spotkań. Część pracowników w ogóle nie uruchamia narzędzia. Każdy pracuje inaczej, a zarząd po kilku miesiącach próbuje policzyć wspólny wynik. Nie da się policzyć zwrotu z inwestycji dla zbioru luźnych zachowań.

Co naprawdę znaczy przeprojektować proces

Potrzebny jest określony proces, punkt początkowy, koszt bazowy, docelowa zmiana i zasada kontroli jakości. Jeżeli firma chce automatyzować reklamację, powinna rozłożyć ją na etapy: przyjęcie zgłoszenia, odczyt dokumentów, klasyfikacja problemu, pobranie danych o zamówieniu, ocena zasadności, wybór decyzji, odpowiedź i aktualizacja systemu. Każdy etap ma inny poziom ryzyka i inną granicę dopuszczalnego błędu.

Model może bardzo dobrze rozpoznawać temat wiadomości i nadal nie powinien samodzielnie zatwierdzać wysokiej rekompensaty. Może przygotować odpowiedź, ale decyzja finansowa wymaga danych z systemu i jasno opisanych reguł. Można więc automatyzować dużą część przepływu bez oddawania modelowi odpowiedzialności, której nie potrafi wiarygodnie unieść.

Przeprojektowanie zaczyna się od usunięcia zbędnych kroków. Jeżeli dokument powstaje szybciej, sprawdźmy, dlaczego potrzebuje czterech akceptacji. Jeżeli trzy osoby kontrolują tę samą treść, trzeba ustalić, jakie ryzyko kontroluje każda z nich. Jeżeli nikt nie potrafi tego powiedzieć, prawdopodobnie mamy rytuał odziedziczony po dawnym błędzie albo dawnym kierowniku. Sztuczna inteligencja może pomóc ujawnić taki absurd, ale sama go nie usunie. Usunięcie wymaga decyzji organizacyjnej: ktoś musi zmienić zakres odpowiedzialności, procedurę, uprawnienia i sposób pomiaru. To ta sama robota, którą wykonujemy w projektach optymalizacji procesów i w lean logistics - najpierw mapa przepływu i eliminacja marnotrawstwa, potem narzędzie.

Właśnie tutaj wiele wdrożeń zatrzymuje się na poziomie elektrycznego silnika podłączonego do starych wałów. Narzędzie jest nowe. Układ pracy pozostaje historyczny. Potencjału sztucznej inteligencji nie da się uczciwie ocenić na podstawie wyników firm, które przykleiły ją do starych procesów. Takie wdrożenia badają głównie zdolność organizacji do kupowania licencji.

Pytanie kontrolne dla zarządu jest bardzo konkretne: który etap procesu zniknie po wdrożeniu, a nie tylko wykona się trochę szybciej? Jeżeli odpowiedź brzmi, że żaden, projekt prawdopodobnie przyniesie lokalne ułatwienie. To może być wystarczające przy małym koszcie. Nie należy jednak nazywać tego przebudową działalności ani oczekiwać skoku wyniku całej firmy.

Prawdziwa zmiana zaczyna się wtedy, gdy system sam pobiera właściwe dane, przygotowuje decyzję, oznacza ryzyko, kieruje wyjątek do odpowiedniej osoby i zapisuje zatwierdzony wynik. Człowiek nie przenosi już informacji między oknami. Kontroluje przypadki, w których reguły i model nie dają wystarczającej pewności. W takim układzie sztuczna inteligencja staje się fragmentem procesu, nie osobnym oknem do rozmowy. Miarą przestaje być liczba użytkowników, a staje się nią koszt obsłużonej sprawy, czas przejścia, liczba błędów i udział wyjątków wymagających pracy człowieka. Jak zbudować taki zestaw mierników, opisuję szerzej przy okazji pracy nad wskaźnikami logistycznymi.

To samo dotyczy planowania popytu. Wygenerowanie prognozy trwa krótko. Wartość powstaje dopiero wtedy, gdy prognoza zmienia zamówienia, zapas bezpieczeństwa, harmonogram produkcji i decyzje zakupowe. Jeżeli wynik modelu trafia do arkusza, a planista i tak zamawia według własnego wyczucia, firma kupiła ciekawą analizę bez wpływu na proces.

Przeprojektowanie fabryki pod elektryczność trwało długo, ponieważ wymagało zmiany układu maszyn, kwalifikacji ludzi i sposobu zarządzania. Ze sztuczną inteligencją będzie podobnie. Model można uruchomić szybko. Organizacja potrzebuje więcej czasu, żeby zmienić odpowiedzialność, dane, procedury i systemy. To opóźnienie nie dowodzi porażki technologii. Pokazuje, gdzie naprawdę znajduje się praca wdrożeniowa.

Problem czwarty: infrastruktura, która tanieje

Światłowody z końca lat dziewięćdziesiątych dobrze pokazują, kto może ostatecznie zebrać korzyści. Operatorzy budowali wtedy sieci, zakładając gwałtowny wzrost transmisji danych. Gdy ulica była już rozkopana, dołożenie kolejnych włókien kosztowało stosunkowo niewiele. W niektórych miastach powstało kilkanaście równoległych sieci. Każdy właściciel zakładał, że przejmie dużą część przyszłego popytu.

Popyt rzeczywiście wzrósł. Problem polegał na tym, że podaż rosła jeszcze szybciej. Ceny transmisji spadły. Część operatorów nie była w stanie obsłużyć zadłużenia. Infrastruktura przez pewien czas pozostawała niewykorzystana albo zmieniała właściciela po znacznie niższej cenie. Światłowody nie przegrały. Przegrali niektórzy inwestorzy, którzy zapłacili za nie za dużo i założyli zbyt wysokie marże. Beneficjentami zostali później użytkownicy taniej transmisji: usługi chmurowe, handel internetowy, transmisja filmów i aplikacje mobilne mogły rosnąć, ponieważ infrastruktura była dostępna i coraz tańsza. Wartość przeniosła się z właściciela przewodu do firm, które zbudowały na nim użyteczne usługi.

Na rynku sztucznej inteligencji może nastąpić podobne przesunięcie. Najwięksi wygrani nie muszą budować modeli bazowych. Mogą nimi zostać przedsiębiorstwa, które za kilka lat kupią znacznie lepsze modele za ułamek dzisiejszej ceny i połączą je z własnymi danymi, procesami oraz relacjami z klientami. Dostawca modelu ponosi ogromny koszt treningu. Klient płaci jedynie za użycie potrzebne do wykonania zadania.

Nowy chiński model wywołał w lipcu tak silną reakcję rynku właśnie dlatego, że przypomniał o prostym mechanizmie: przewaga jakościowa może być krótsza niż okres zwrotu z infrastruktury. Model wystarczająco dobry i dużo tańszy potrafi zmienić ekonomikę całego rynku, nawet gdy nie jest najlepszy w każdym teście.

W operacji rzadko potrzebujemy modelu najlepszego na świecie. Potrzebujemy rozwiązania, które poprawnie obsłuży określone zadanie, zmieści się w czasie procesu i spełni wymagania jakościowe. Dodatkowa jakość ponad ten poziom ma wartość tylko wtedy, gdy zmienia wynik biznesowy. Model droższy może lepiej odpowiadać na pytania ogólne, ale tańszy może wystarczyć do klasyfikacji dokumentów transportowych. Największy model może tworzyć ładniejsze podsumowanie, lecz mniejszy może równie skutecznie wykrywać brak numeru zamówienia.

Tu powstaje presja na producentów. Klienci zaczynają kierować proste zadania do tanich modeli, a droższe uruchamiają tylko dla trudnych przypadków. Dostawca traci część najbardziej przewidywalnego wolumenu. Zostają mu zadania wymagające większych zasobów i bardziej kosztownej obsługi. Rynek może więc szybko rosnąć pod względem liczby zastosowań, a marża pojedynczego dostawcy może spadać. Rosnący popyt nie gwarantuje rosnącej rentowności. Czasem wyścig dostawców przekazuje większość wartości klientom.

Dla polskich firm to dobry powód, żeby nie wiązać procesu z jednym modelem bez potrzeby. Dane wejściowe, reguły kontroli i historia decyzji powinny pozostać po stronie przedsiębiorstwa. Model ma być wymiennym elementem tam, gdzie jest to technicznie i ekonomicznie możliwe. Pytanie kontrolne: co stanie się z naszym wdrożeniem, gdy za kilka lat podobną jakość dostaniemy znacznie taniej od innego dostawcy? Dobrze zaprojektowany proces pozwoli zmienić model, przeprowadzić test porównawczy i wykorzystać niższą cenę. Źle zaprojektowany będzie wymagał przebudowy integracji, ponownego opisania wiedzy i ręcznego odtwarzania reguł ukrytych w rozwiązaniu dostawcy.

W światłowodach zwyciężyli między innymi ci, którzy potrafili wykorzystać tanią nadwyżkę infrastruktury. W sztucznej inteligencji podobną pozycję mogą zająć firmy posiadające dobre dane operacyjne, własny kanał sprzedaży i jasno opisane procesy. One nie muszą trenować największego modelu. Muszą wiedzieć, gdzie jego użycie zmienia koszt, czas albo jakość.

Firma nie musi obstawiać, który producent modelu wygra. Powinna zbudować zdolność do korzystania z coraz tańszej inteligencji dostarczanej przez rynek. Tak samo przedsiębiorstwo nie buduje własnej elektrowni, żeby korzystać z energii. Projektuje maszyny i procesy tak, aby energia tworzyła wynik. Dostawca, taryfa i źródło mogą się zmieniać. Wartość przedsiębiorstwa powstaje w sposobie wykorzystania zasobu. Nazwa dostawcy może mieć znaczenie techniczne i zakupowe, ale nie zastąpi wiedzy o procesie, danych oraz koszcie błędu.

Problem piąty: poszarpana granica kompetencji

Tutaj kończą się historyczne analogie, a zaczyna codzienna robota dyrektora operacyjnego. Mamy już dowody, że modele poprawiają wykonanie wybranych zadań. W obsłudze klienta średnia produktywność rosła o około czternaście procent, a największe korzyści osiągali mniej doświadczeni pracownicy. Model pomagał im szybciej korzystać z wiedzy, którą wcześniej zdobywali przez miesiące pracy. W profesjonalnych zadaniach pisemnych ludzie wykonywali pracę przeciętnie około czterdzieści procent szybciej, przy rosnącej jakości, ale z korzyścią zależną od rodzaju zadania.

To są realne efekty. Nadal dotyczą zadań, nie całych przedsiębiorstw. Firma nie sprzedaje szybszego napisania akapitu. Sprzedaje produkt, realizuje zamówienie, rozpatruje reklamację, planuje produkcję albo utrzymuje maszynę. Wynik pojedynczego zadania trzeba przeprowadzić przez cały proces, połączyć z systemami i przekształcić w decyzję.

Tutaj pojawia się poszarpana granica kompetencji modelu. W jednym zadaniu model działa świetnie. W następnym, wyglądającym bardzo podobnie, popełnia błąd. Nie sygnalizuje przy tym wyraźnie, że właśnie przekroczył zakres swoich możliwości. Nadal odpowiada płynnie i pewnie. Dla człowieka to niebezpieczne, ponieważ forma odpowiedzi nie pokazuje jakości rozumowania. Poprawna i błędna decyzja mogą wyglądać równie profesjonalnie. Ładny język obniża czujność, szczególnie gdy użytkownik ma małe doświadczenie w danym obszarze.

W magazynie łatwo znaleźć podobną sytuację. System może poprawnie zasugerować rozmieszczenie towaru na podstawie rotacji, a jednocześnie pominąć ograniczenie nośności, gabaryt albo wymaganie bezpieczeństwa. Wynik wygląda logicznie, dopóki ktoś nie spróbuje umieścić produktu w konkretnej lokalizacji. Model może dobrze sklasyfikować typ reklamacji, lecz pomylić przyczynę odpowiedzialności. Może poprawnie odczytać większość dokumentu transportowego, ale źle zinterpretować jeden zapis wpływający na koszt. Może przygotować sensowne podsumowanie danych, a następnie dopisać uzasadnienie, którego w danych nie ma.

Granica nie przebiega równo między prostymi i trudnymi zadaniami. Czasem model radzi sobie z analizą długiego dokumentu, a potyka się na krótkim wyjątku. Zależy to od danych, sposobu sformułowania polecenia, dostępnego kontekstu i podobieństwa przypadku do materiału, na którym model się uczył. Dyrektor operacyjny nie musi rozumieć całej matematyki modelu. Musi wiedzieć, gdzie w jego procesie błąd jest prawdopodobny, wykrywalny i kosztowny.

Pytanie kontrolne: w którym miejscu model przestaje być kompetentny i jaka kontrola przejmuje wtedy decyzję? Odpowiedź powinna być zapisana w procesie. Nie w głowie jednego specjalisty ani w prezentacji dostawcy. Firma potrzebuje kryteriów przekazania sprawy człowiekowi, testów jakości, rejestru błędów i jasnej odpowiedzialności za zatwierdzenie wyniku.

Kontrola nie musi oznaczać ręcznego sprawdzania wszystkiego. Taki układ często zabija oszczędność. Można automatycznie kontrolować kompletność danych, zgodność kwot, obecność wymaganych pól i zgodność decyzji z regułami. Człowiek powinien zajmować się wyjątkami, a nie ponownie wykonywać całą pracę modelu. Jeżeli pracownik czyta każdą odpowiedź od początku do końca, porównuje ją z dokumentami i samodzielnie odtwarza tok decyzji, automatyzacja może tworzyć jedynie dodatkową warstwę pracy.

Dlatego koszt nadzoru człowieka musi znaleźć się w rachunku projektu. Firma płaci nie tylko za model. Płaci również za przygotowanie danych, integrację, testy, obsługę wyjątków, korekty, audyt decyzji i utrzymanie reguł. Koszt błędu również nie jest stały. Zła klasyfikacja wiadomości może oznaczać kilka minut opóźnienia. Zła decyzja zakupowa może zamrozić kapitał w zapasie. Błędna instrukcja dla operatora może stworzyć ryzyko bezpieczeństwa. Każdy z tych przypadków wymaga innego poziomu kontroli.

Wdrożenie sztucznej inteligencji, które nie ma wyniku

Firmy deklarują dziś szerokie używanie sztucznej inteligencji, lecz większość pozostaje na etapie prób i pilotaży. Zaledwie część przechodzi do szerszego zastosowania. Jeszcze mniejsza grupa zbiera większość korzyści. Różnica nie polega głównie na dostępie do lepszego modelu. Firmy osiągające najlepsze wyniki częściej przeprojektowują sposób pracy. Łączą model z danymi, zmieniają kolejność kroków, usuwają zbędne akceptacje i określają, kto odpowiada za wynik.

Reszta instaluje narzędzie obok procesu, a później mierzy liczbę użytkowników, wysłanych zapytań i przygotowanych podsumowań. Te mierniki mówią o aktywności. Nie mówią, czy spadł koszt, skrócił się czas albo zmniejszyła liczba błędów.

W przedsiębiorstwie produkcyjnym można uruchomić pilotaż przewidywania awarii i po kilku miesiącach nadal nie wiedzieć, czy przyniósł korzyść. Model generuje ostrzeżenia. Utrzymanie ruchu sprawdza część z nich. Brakuje jednak porównania z wcześniejszą liczbą przestojów, kosztami napraw i odsetkiem fałszywych alarmów. Technicznie coś działa. Biznesowo projekt nie ma jeszcze wyniku.

Podobnie wygląda prognozowanie popytu. Można wykazać, że prognoza modelu jest dokładniejsza. Jeżeli dział zakupów nie zmienia zamówień, zapas pozostaje taki sam. Lepsza prognoza nie tworzy wartości, dopóki nie wpływa na decyzję. Wdrożenie musi więc objąć cały łańcuch od danych do działania: dane wchodzą, model przygotowuje wynik, reguła określa decyzję, system wykonuje zmianę, człowiek obsługuje wyjątek i wskaźnik pokazuje efekt. Brak jednego z tych elementów często zamienia projekt w pokaz technologiczny.

Z własnego podwórka znam ten mechanizm aż za dobrze. Źle wdrożony system magazynowy wygląda bardzo podobnie. Budżet zostaje przekroczony. Dane podstawowe są nieuporządkowane. Procesy mają kilku właścicieli albo nie mają żadnego. Funkcje powstają, ale pracownicy omijają je po uruchomieniu. System zarządzania firmą również może skończyć w ten sposób: firma kupuje rozbudowane rozwiązanie, przenosi stare błędy do nowego środowiska i zachowuje ręczne arkusze jako równoległy obieg. Po roku ma droższy system oraz te same problemy, tylko trudniejsze do znalezienia. Nikt rozsądny nie wyciąga z tego wniosku, że systemowe zarządzanie magazynem jest błędną koncepcją. Analizuje się zakres, dane, projekt, odpowiedzialność, szkolenie i sposób uruchomienia - dokładnie tak, jak przy wdrożeniu WMS. Porażka jednego projektu nie unieważnia całej klasy technologii.

Ze sztuczną inteligencją obowiązuje dokładnie ten sam standard oceny. Tymczasem wiele projektów dostaje wyjątkowo łagodne warunki startu. Nie ma bazowego pomiaru, nie ma określonego problemu i nie ma docelowej wartości wskaźnika. Jest narzędzie i ogólna nadzieja, że ludzie znajdą zastosowanie.

Dziewięć braków, które zabijają pilotaż

To lista, którą warto przejść przed podpisaniem jakiejkolwiek umowy na wdrożenie sztucznej inteligencji w operacjach.

Koszt bazowy procesu. Jeżeli firma nie wie, ile dziś kosztuje obsługa reklamacji, nie policzy oszczędności po wdrożeniu. Liczba wiadomości nie wystarczy. Potrzebny jest czas pracy, udział ponownych kontaktów, koszt rekompensat, liczba błędnych decyzji i czas oczekiwania klienta.
Zdefiniowany problem. Hasło o wykorzystaniu sztucznej inteligencji w logistyce nie opisuje żadnej decyzji. Problemem może być ręczne przepisywanie dokumentów, błędna klasyfikacja zgłoszeń, czas przygotowania prognozy albo duża liczba wyjątków w planowaniu transportu. Każdy ma inne dane, ryzyko i sposób pomiaru. Łączenie ich w jeden program zaciera odpowiedzialność.
Wartość docelowa. Zespół mówi, że chce skrócić czas procesu, lecz nie ustala, jaki wynik uzna za wystarczający. Bez tego pilotaż może trwać miesiącami. Każda poprawa wygląda obiecująco, a żadna nie uruchamia decyzji.
Właściciel procesu. Dział technologiczny prowadzi projekt, ale nie odpowiada za koszt reklamacji, poziom zapasu ani terminowość wysyłki. Dział operacyjny czeka na gotowe narzędzie. Dostawca wykonuje zakres umowy. Nikt nie odpowiada za zmianę sposobu działania firmy. Właściciel procesu musi mieć prawo zmienić procedurę, role i mierniki. Bez tego ludzie wracają do starej metody przy pierwszym trudniejszym przypadku, ponieważ stary proces nadal jest oficjalnym procesem.
Plan przejścia z pilotażu do normalnej pracy. Pilotaż korzysta z małej próbki danych i wsparcia najlepszych specjalistów. Normalna operacja przynosi błędne dokumenty, niepełne dane, szczyt wolumenu, urlopy, awarie integracji i użytkowników o różnym doświadczeniu. Rozwiązanie, które działa podczas prezentacji na przygotowanych przypadkach, może nie wytrzymać zwykłego poniedziałku.
Kontrola jakości. Firma testuje, czy model udziela sensownych odpowiedzi, ale nie tworzy stałego zestawu przypadków kontrolnych. Po zmianie modelu albo polecenia jakość może się poprawić w jednym obszarze i pogorszyć w innym. Bez powtarzalnego testu nikt tego nie zauważy.
Policzony koszt nadzoru człowieka. Dostawca pokazuje czas wygenerowania odpowiedzi. Firma nie liczy czasu potrzebnego na sprawdzenie, poprawienie i zatwierdzenie. W skrajnym przypadku pracownik poświęca więcej czasu na ocenę cudzej propozycji niż wcześniej na samodzielne wykonanie zadania.
Koszt błędu. Średnia jakość może wyglądać dobrze, ale kilka drogich pomyłek zjada oszczędność z tysięcy poprawnych przypadków. Trzeba rozdzielić błędy drobne, wykrywalne i odwracalne od tych, które prowadzą do straty finansowej, naruszenia umowy albo zatrzymania operacji.
Integracja z systemem transakcyjnym. Model przygotowuje wynik, który człowiek przepisuje do systemu. Wtedy nadal płacimy za ręczną pracę, zwiększamy ryzyko pomyłki i utrudniamy śledzenie decyzji. Integracja jest mniej efektowna niż pokaz modelu, ale bez niej projekt często nie wychodzi poza demonstrację.

Pilotaże pozbawione tych elementów będą zamykane. I bardzo dobrze. Firma powinna zamykać projekty, które nie mają wyniku albo nie spełniają wymagań jakościowych. Trzeba tylko poprawnie nazwać przyczynę. Zamknięcie źle przygotowanego pilotażu jest porażką projektu, nie dowodem, że cała technologia jest nieważna. Tak samo zamknięcie nietrafionej linii kolejowej nie zatrzymało kolei, a bankructwo operatora światłowodowego nie zatrzymało internetu.

W audytach efekty operacyjne pojawiają się zwykle wcześniej niż nowe przychody. To normalna kolejność: najpierw skraca się czas pracy, później spada liczba błędów i zespół odzyskuje przepustowość. Dopiero potem firma decyduje, czy wykorzysta tę przepustowość do obsługi większego wolumenu, poprawy poziomu obsługi albo redukcji kosztu. Oczekiwanie natychmiastowego wzrostu przychodów po wdrożeniu narzędzia wewnętrznego bywa zwyczajnie źle postawionym celem.

Jeżeli firma nie ma planu wykorzystania odzyskanej przepustowości, oszczędzony czas może rozpłynąć się w dodatkowych zadaniach. Pracownicy będą mniej obciążeni, ale wynik finansowy nie zmieni się automatycznie. Zarząd musi zdecydować, co zrobi z uwolnionym zasobem. Model może skrócić czas zadania, a liczba etatów pozostaje taka sama. Wtedy korzyścią może być większy wolumen, krótszy czas reakcji, mniej nadgodzin albo możliwość uniknięcia przyszłych rekrutacji. Trzeba wybrać i zmierzyć właściwy efekt - i tu pomaga porządny kontroling logistyczny, który pokaże, gdzie oszczędność faktycznie wchodzi do rachunku.

Co może się realnie zawalić

Najbardziej narażeni są producenci modeli bez trwałej przewagi. Trenują drogie rozwiązania, a konkurenci szybko zbliżają się jakością. Jeżeli klient może przenieść pracę do tańszego modelu, marża znika szybciej niż popyt.

Druga grupa to generyczne nakładki, które nie mają własnych danych, własnej dystrybucji ani miejsca w procesie klienta. Ich funkcję może przejąć producent modelu, system transakcyjny albo kolejny dostawca oferujący podobne rozwiązanie taniej. Ładny interfejs nie tworzy obrony przed konkurencją.

Trzecia grupa to przewymiarowane centra danych. Popyt może rosnąć, ale nie każde miejsce i nie każdy profil sprzętu znajdzie odpowiednie wykorzystanie. Szczególnie zagrożone są projekty o drogim zasilaniu, słabej elastyczności i długim okresie spłaty.

Czwarta grupa to pilotaże bez właściciela biznesowego. Będą działały na prezentacjach, zbierały pozytywne komentarze i powoli traciły użytkowników. Po zmianie budżetu albo kierownika zostaną zamknięte, ponieważ nikt nie potrafi wskazać wyniku, którego bronią.

Piąta grupa to wyceny zakładające trwałe, niemal monopolistyczne marże. Jeżeli modele staną się podobne jakościowo, klienci zaczną porównywać ceny. Dostawcy będą obniżać koszt, dodawać limity bez opłat i walczyć o dystrybucję. Ogromne wykorzystanie może wtedy współistnieć z dużo niższą rentownością.

Mechanizm wspólny dla tych segmentów jest prosty. Rynek może poprawnie przewidywać ogromny popyt i mylić się co do tego, kto na nim zarobi. Koleje przyciągnęły kapitał, ponieważ ludzie trafnie przewidzieli zmianę transportu, ale nie potrafili poprawnie wycenić każdej linii. Światłowody powstawały, ponieważ transmisja danych miała rosnąć - rosła, a nadmiar infrastruktury i spadek cen zniszczyły część pierwszych właścicieli.

Mój scenariusz bazowy

Nie zakładam ani spokojnego marszu wszystkich spółek w górę, ani końca sztucznej inteligencji. Spodziewam się kilku zjawisk zachodzących równolegle.

Użycie będzie rosło. Firmy znajdą więcej zadań, w których model daje wystarczającą jakość. Integracja z systemami stanie się łatwiejsza. Pracownicy nauczą się lepiej rozpoznawać sytuacje, w których wynik wymaga kontroli.

Ceny będą spadały. Konkurenci będą oferowali podobną jakość taniej. Mniejsze modele przejmą proste zadania. Najdroższe rozwiązania zostaną tam, gdzie dodatkowa jakość rzeczywiście uzasadnia koszt.

Część infrastruktury okaże się przewymiarowana. Zmieni właściciela, zostanie odpisana albo będzie przez pewien czas pracowała poniżej założeń. Nowy nabywca może później wykorzystać ją z powodzeniem, ponieważ kupi aktywo taniej i zacznie z innym kosztem kapitału.

Rynek dostawców będzie się konsolidował. Firmy bez własnych danych, dystrybucji i miejsca w procesie klienta znikną lub zostaną przejęte. Pozostaną producenci modeli, dostawcy infrastruktury oraz przedsiębiorstwa kontrolujące konkretną relację z odbiorcą.

Sztuczna inteligencja stanie się bardziej banalna. I właśnie to będzie oznaką jej sukcesu. Dzisiaj firmy mówią, że wdrażają sztuczną inteligencję. Za kilka lat będą mówiły, że automatycznie klasyfikują reklamacje, prognozują popyt, sprawdzają dokumenty i planują zadania. Technologia zniknie z nazwy projektu, ponieważ stanie się zwykłym elementem systemu. Nikt nie mówi dziś z dumą, że jego firma wdraża bazę danych. Baza ma działać, przechowywać informacje i nie przeszkadzać. Nikt nie tworzy strategii korzystania z elektryczności - energia zasila określone procesy, a zarząd interesuje koszt, dostępność oraz wpływ na produkcję.

Trzy rzeczy do sprawdzenia w poniedziałek

W tym miejscu pojawia się odpowiedź dla prezesa, który pyta, czy warto teraz cokolwiek wdrażać. Warto wdrażać procesy, w których problem jest policzony, dane są dostępne, a koszt błędu można kontrolować. Nie trzeba czekać na rozstrzygnięcie giełdowego sporu. Firma nie kupuje indeksu producentów układów obliczeniowych. Kupuje określony efekt operacyjny.

Nie warto natomiast kupować ogólnej obietnicy. Licencja dla całej organizacji bez wybranych procesów, właścicieli i mierników będzie kosztownym programem edukacyjnym. Czasem firma świadomie potrzebuje takiego programu - powinna go jednak uczciwie nazwać i nie oczekiwać natychmiastowego zwrotu.

Dobry projekt może zacząć się mało widowiskowo. Klasyfikacja dokumentów, wykrywanie brakujących danych, przygotowanie projektu odpowiedzi, porównanie zgłoszenia z historią zamówienia. To nie wygląda jak rewolucja na konferencji. Może za to oszczędzać czas każdego dnia. Warunek jest jeden: wynik modelu musi prowadzić do działania. Sama odpowiedź w oknie rozmowy nie wystarczy.

W poniedziałek nie trzeba przewidywać przyszłości całej branży. Trzeba sprawdzić trzy rzeczy we własnej firmie.

Pierwsza: dokładny koszt procesu. Nie nazwa działu i nie ogólny budżet. Konkretny koszt jednej reklamacji, jednego dokumentu, jednej korekty zamówienia albo jednej decyzji planistycznej. Wraz z czasem pracy, ponownymi kontaktami, błędami i obsługą wyjątków.

Druga: właściciel decyzji. Osoba, która może zmienić przebieg procesu, usunąć akceptację, określić regułę i przyjąć odpowiedzialność za wynik. Bez takiej osoby zespół technologiczny zbuduje narzędzie, a operacja zachowa dawny sposób pracy.

Trzecia: koszt jednego błędu. Nie średnia dokładność prezentowana przez dostawcę. Konsekwencja błędnej decyzji w tym konkretnym procesie. Drobna pomyłka może wymagać poprawki. Poważna może zatrzymać wysyłkę, stworzyć nadmierny zapas albo naruszyć warunki umowy.

Te trzy informacje pozwalają dobrać poziom automatyzacji, kontrolę człowieka i cenę, którą warto zapłacić. Bez nich firma dyskutuje o możliwościach modelu. Z nimi zaczyna zarządzać inwestycją. Jeżeli chcesz przejść tę diagnozę na własnych procesach, od tego zwykle zaczynamy w ramach doradztwa logistycznego, a zespoły operacyjne przygotowujemy na szkoleniach i warsztatach.

Podsumowanie

Wdrożenie sztucznej inteligencji nie wymaga dziś rozstrzygnięcia, czy mamy bańkę czy rewolucję. Wymaga porządku w rachunkach i w procesie. Kluczowe wnioski:

Rozdziel pięć rachunków. Użyteczność modelu, zwrot u odbiorcy, rentowność producenta, wykorzystanie infrastruktury i wycena spółek to pięć różnych pytań. Strata dostawcy nie unieważnia oszczędności w twoim procesie.
Dobra technologia może trafić do złej inwestycji. Koleje i światłowody powstały słusznie, a część pierwszych właścicieli straciła kapitał. Pytaj o wykorzystanie, nie o modę.
Nowy silnik w starej fabryce nie daje skoku. Jeżeli po wdrożeniu żaden etap procesu nie znika, masz lokalne ułatwienie, a nie przebudowę działalności.
Nie zamykaj procesu u jednego dostawcy. Dane, reguły i historia decyzji zostają po stronie firmy. Model ma być wymienny, bo ceny będą spadać, a jakość się wyrównywać.
Granica kompetencji modelu jest poszarpana. Zapisz w procesie, gdzie model traci kompetencję i kto wtedy decyduje. Kontroluj wyjątki, nie całą pracę modelu, bo inaczej zabijesz oszczędność.
Pilotaż bez kosztu bazowego, właściciela i integracji nie ma wyniku. Przejdź przez dziewięć braków przed podpisaniem umowy, a nie po roku od uruchomienia.
Zdecyduj, co zrobisz z odzyskaną przepustowością. Sam oszczędzony czas nie zmienia rachunku wyników. Musi zamienić się w większy wolumen, krótszy czas reakcji albo mniej nadgodzin.

Historia kolei pokazuje, że infrastruktura może przeżyć inwestorów. Historia elektryfikacji pokazuje, że największy efekt przychodzi po zmianie organizacji pracy. Historia światłowodów pokazuje, że nadmiar inwestycji może obniżyć ceny i przekazać wartość kolejnym użytkownikom. Sztuczna inteligencja prawdopodobnie przejdzie przez wszystkie te etapy naraz. Technologia nie musi uzasadnić dzisiejszych wycen, żeby uzasadnić swoje zastosowanie w twoim magazynie i twojej obsłudze klienta.

Firma nie ma wpływu na wyceny rynku. Ma wpływ na wybór procesu, jakość danych, odpowiedzialność i koszt błędu. Tam powstaje wartość, którą da się zmierzyć. Rynek może się pomylić co do ceny. Dostawca może się pomylić co do marży. Zarząd nie powinien pomylić demonstracji z wdrożeniem.

Więcej analiz z tego obszaru publikuję na kanale YouTube LOCURA, a bieżące komentarze do sytuacji rynkowej znajdziesz na moim profilu LinkedIn. Jeżeli chcesz zestawić własne procesy z tym, co widzę w projektach, napisz przez stronę pomocy w logistyce.