Искусственный интеллект может повысить эффективность цепочек поставок, но для этого необходимо пересмотреть процессы, а не просто автоматизировать существующие задачи, согласно моделированию компании The Hackett Group. Эта трансформация, представленная 12 октября 2026 года в исследовании «AI World Class Supply Chain», может снизить затраты, запасы и логистические сроки.
ИИ в supply chain вступает в новую фазу. После первых проектов по автоматизации задач или улучшению прогнозирования, теперь задача заключается в сквозной трансформации операций. Исследование выявляет потенциальный разрыв в эффективности между организациями, которые перестраивают свои процессы вокруг ИИ, и теми, кто ограничивается добавлением инструментов к существующему функционированию.
Выгоды на каждом этапе
Прогнозы компании иллюстрируют масштаб возможных улучшений. Переосмыслив свои процессы планирования и доставки вокруг ИИ, наиболее продвинутые организации могли бы сократить ошибки прогнозирования на 52%, а срочные заказы — на 59%. Затраты на содержание запасов снизились бы до 41%, а сроки между комплектацией заказа и его отгрузкой могли бы сократиться на 38%.
Более надежные прогнозы позволили бы лучше корректировать уровни запасов и их распределение в сети. Тогда у складов было бы меньше ограничений для поглощения, что облегчило бы комплектацию заказов и ограничило бы ускоренные отгрузки, предназначенные для компенсации задержек.
Модель также оценивает, что затраты на процесс «Plan-to-Deliver», охватывающий планирование до доставки, могут снизиться на 12–17%, а потребность в ресурсах — на 15–24%. Задача, в частности, состоит в том, чтобы освободить команды от задач сверки данных, отслеживания исключений и управления срочными ситуациями, перенаправив их на деятельность с более высокой добавленной стоимостью. Эти цифры описывают целевой сценарий эффективности, реализация которого зависит от существующих процессов, уровня цифровой зрелости и масштаба предпринимаемых преобразований.
Пересмотр операций
По мнению The Hackett Group, накопление специализированных решений недостаточно для устойчивого преобразования эффективности. Специализированные инструменты могут улучшить точность прогноза или облегчить разовое решение, не меняя значительно общую эффективность цепочки.
Исследование иллюстрирует эту эволюцию на примере мирового производителя энергетических технологий, эксплуатирующего более 100 заводов и работающего с 20 000 поставщиков. Эта компания развернула агентов ИИ, программы, способные выполнять действия полуавтономно, на процессах входящей доставки и подтверждения заказов. Согласно документу, системы ежегодно обрабатывали бы около двух миллионов строк поставок и три миллиона строк заказов на покупку, и каждый из этих двух процессов достиг бы окупаемости инвестиций за четыре месяца или менее.
Трансформация, которую нужно измерять
Чтобы использовать этот потенциал, группа рекомендует начать с установления эталона эффективности, а затем расставить приоритеты вариантов использования в соответствии с ожидаемой выгодой, стоимостью и сложностью. Затем пересмотр процессов и операционной модели должен предшествовать масштабному развертыванию. Результаты необходимо отслеживать с помощью конкретных показателей, таких как иммобилизация средств в запасах, надежность поставок, логистические затраты и сроки обработки, чтобы связать инвестиции с измеримыми выгодами, а не только с количеством развернутых инструментов.
Исследование основано на сравнительном моделировании, которое сопоставляет наблюдаемые медианные уровни среди коллег с целевыми сценариями, называемыми «AI World Class». The Hackett Group указывает, что опирается на 30-летние данные бенчмаркинга, анализа процессов и опыта трансформации. Таким образом, это оценки потенциальных выгод, а не исследование, измеряющее фактические результаты, достигнутые репрезентативной выборкой компаний. Компания не уточняет размер выборки, использованной для каждого показателя.
