Hvad er kunstig intelligens i indkøb?

I enkle vendinger refererer kunstig intelligens til maskiners eller computerprogrammers evne til at efterligne visse aspekter af menneskelig intelligens og udføre opgaver. AI-systemer kan lære, løse problemer, forstå menneskesprog, fornuft og endda "se" deres eget miljø. AI i anskaffelse er brugen af denne avancerede teknologi til at automatisere og forbedre vigtige anskaffelsesprocesser i en organisation - fx kontraktstyring og strategisk sourcing . Indkøbsteams bruger i stigende grad AI til at øge effektiviteten, reducere omkostningerne, reducere risici og forbedre beslutningstagningen, når de navigerer rundt i nye forretningskrav og markedsudfordringer.

Typer af indkøb AI

Der er fem hovedtyper AI, der bruges i indkøb i dag:

1. Kunstig intelligens (AI): rammebetegnelse for software eller algoritme, der kan betragtes som "smart"
2. Maskinindlæring (ML): En delmængde af AI, maskinindlæringsalgoritmer kan genkende mønstre i datasæt og bruge dem til at træffe beslutninger, prognoser eller prognoser
3. Robotprocesautomatisering (RPA): algoritmer, der efterligner menneskelige handlinger for at udføre gentagne opgaver. RPA anses ikke teknisk for at være en type AI, men kan drives af den.
4. Naturlig sprogbehandling (NLP): algoritmer, der kan forstå, fortolke og generere menneskeligt sprog – såsom chatbots, copilots og virtuelle assistenter
5. Optisk tegngenkendelse (OCR): algoritmer, der kan genkende og udtrække tekst fra billeder og scannede dokumenter, såsom papirbaserede fakturaer

Generativ AI i anskaffelse

Siden ChatGPT gik i luften i slutningen af 2022, har generativ AI været det varme emne i bestyrelseslokaler rundt om i verden. Med sin evne til at skabe nyt indhold via en enkel brugergrænseflade er generativ AI klar til at forstyrre virksomheder og endda hele brancher. Nogle fremadskuende indkøbsteams begynder at bruge det til at generere RFP-dokumenter, oprette helt nye processer og autonome slutlisteleverandører. Generativ AI i indkøb er i sin vorden, men dens potentiale er enormt.

AI i anskaffelsesanvendelseseksempler

Indkøb er under stærkt pres for at opnå omkostningsbesparelser, mindske risici, forbedre bæredygtigheden og spille en mere strategisk rolle i forretningen. For at opfylde disse mål og holde trit med det hurtige tempo i forandringerne skal holdene være utroligt agile – og blive mere proaktive og mindre reaktive i alt, hvad de gør. AI hjælper på nogle nøgleområder inden for indkøb:

• Udgiftsklassificering og -analyse: Udgiftsklassificeringsalgoritmer kan hurtigt søge gennem varelinjer og fremhæve nøgleord for at binde til udgiftskategorier med næsten perfekt nøjagtighed. AI-drevet udgiftsanalyse kan også hjælpe teams med proaktivt at identificere muligheder for omkostningsbesparelser og danne grundlag for bedre indkøbs-, kategori- og udgiftsstyringsstrategier.
• Global indkøbsstrategi: Ved at analysere store globale datasæt kan maskinindlæringsalgoritmer identificere ændringer i forsyningstendenser, forudsige fremtidige udviklinger og hjælpe med at informere om globale indkøbsstrategier.
• Guidet indkøb: AI-assisterede artikelanbefalinger samler indkøbspolitikker for at gøre det nemt for brugere at finde det, de leder efter, tilskynde til udgifter i virksomhedens katalog for at undgå unødvendige omkostninger og lade indkøbsafdelingen tilbyde skræddersyet hjælp. Det giver også hurtig adgang til foretrukne leverandører, samtidig med at nyttige rækværk inkorporeres.
• Intelligent sourcing og leverandørstyring: AI-drevet software kan analysere leverandørdatabaser, markedstendenser, historiske data, ESG-rapporter og andre faktorer for at anbefale de bedste leverandører til specifikke behov. Det kan også give omfattende indsigt i en virksomheds leverandørbase, hvilket hjælper med at forbedre leverandørens performance og fremme strategiske prioriteter.
• RFX-oprettelse: AI kan automatisk generere anmodninger om forslag, (RFP'er), tilbudsforespørgsler (RFQ'er) og andre RF-dokumenter – fra udvikling af leverandørlister til udarbejdelse af nøglespørgsmål.
• Leverandørrisikostyring: AI-algoritmer kan hurtigt registrere pludselige ændringer hos en leverandør eller leverandør og vurdere, hvordan denne ændring vil påvirke risikoen. De kan også udvinde millioner af forskellige datakilder for at advare virksomhederne om potentielle risici i hele forsyningskæden.
• Overholdelse: Ved at bruge AI til at strukturere kontrakt-, faktura- og indkøbsordredata kan virksomheder automatisk sammenligne betalingsbetingelser, eliminere duplikering og identificere manglende overholdelse.
• Dataudtræk: Behandling af naturligt sprog kan udtrække data fra fakturaer og kontrakter for at identificere risici og svindel, give større indsigt i virksomhedens udgifter og fremskynde processer ende-til-ende. NLP kan også indsamle data fra eksterne kilder såsom markedsindekser, virksomhedskreditvurderinger, sociale medier og offentligt tilgængelige oplysninger om leverandører for at spotte muligheder og risici.
• Kontraktlivscyklusstyring: AI-drevne værktøjer kan automatisk generere første udkast af kontrakter, understøtte forhandling og markere potentielle risici på kontraktsprog. De kan også overvåge vilkår og betingelser samt frister for at sikre overholdelse.
• Kreditorautomatisering: Intelligent RPA kan eliminere manuelle opgaver i kreditorregnskabsprocesser, fremskynde fakturabehandling og -godkendelser, forbedre nøjagtigheden og sikre overholdelse. Optisk tegngenkendelse kan aflæse vigtige oplysninger fra papirbaserede fakturaer for at forbedre processen og digitalisere dokumenter.

Fordele ved AI i indkøb og indkøb

Integrationen af AI i indkøbs- og indkøbsrelaterede processer giver mange fordele, herunder:

• Smartere beslutningstagning: AI kan analysere store mængder data hurtigt og præcist. Denne datadrevne tilgang giver indkøbseksperter handlingsorienteret indsigt i forbrugsmønstre, leverandørpræstationer og markedstendenser. AI-drevne prognoser og scenarieanalyser kan også hjælpe teams med at vurdere muligheder, reducere risici og træffe bedre indkøbs- og udgiftsbeslutninger.
• Effektivitet og automatisering: AI-drevet automatisering af gentagne og tidskrævende opgaver – såsom dataindtastning og fakturabehandling – forbedrer effektiviteten og frigør indkøbsmedarbejdere til at fokusere på mere strategisk arbejde.
• Omkostningsbesparelser: Med AI kan organisationer forbedre leverandørudvælgelsen, forhandle bedre aftaler og mere præcist forudsige efterspørgslen – for at opnå betydelige omkostningsbesparelser. De kan også analysere udgiftsmønstre for at identificere og handle ud fra yderligere muligheder for at reducere omkostningerne.
• Risikoreduktion: AI-værktøjer kan proaktivt identificere og vurdere risici forbundet med leverandører, markedsbetingelser og lovgivningsmæssige ændringer – så indkøbsteams kan reducere afbrydelser i forsyningskæden, før det sker.
• Bedre relationer med leverandører: Ved klart at angive krav og forventninger i anmodninger om forslag og ved at overvåge og evaluere leverandørpræstationer kan AI bidrage til udviklingen af stærkere og mere pålidelige leverandørrelationer.

Udfordringer ved at implementere AI i indkøb

Selv om implementeringen af AI i indkøbsprocesser giver betydelige fordele, kan det også give nogle udfordringer.

• AI har brug for meget store mængder data af høj kvalitet for præcist at træne algoritmer og styre beslutningstagningen – så virksomheder skal investere i datakvalitet og vedligeholdelsesinitiativer for at undgå ydeevne under par.
• AI-løsninger skal også integreres med anden indkøbssoftware og ERP-systemer, som ofte kræver middleware, API'er og tilpasning.
• Derudover er de rigtige færdigheder og ekspertise nødvendige for at implementere, administrere og køre AI, og disse er nogle gange i kort efterspørgsel.
• Og endelig er AI-systemer ofte afhængige af følsomme data, så robust cybersikkerhed, kryptering og databeskyttelse er afgørende.

At navigere i disse udfordringer kræver en tankevækkende tilgang, men organisationer, der gør det rigtigt, kan låse op for de enorme fordele ved AI i indkøb.

Sådan bruger du AI i indkøb: Bedste praksis

Her er nogle bedste fremgangsmåder for integration af AI i dine anskaffelsesprocesser:

Trin 1: Definer klare mål

Fra omkostningsbesparelser til større effektivitet og bedre beslutningstagning, vil det at have klare mål hjælpe dig med at styre din implementeringsstrategi.

Trin 2: Start med et lille pilotprojekt

Forsøg på at transformere alle dine indkøbsprocesser på én gang er en opskrift på katastrofe. Find et simpelt og ligetil anvendelseseksempel – f.eks. automatisering af din eksisterende indkøbshændelsesproces – til at starte. På denne måde kan du vurdere effektiviteten af dine AI-løsninger i et kontrolleret miljø, identificere eventuelle udfordringer og foretage justeringer, før du opskalerer.

Trin 3: Sikre datakvalitet og volumen

Registrer så mange relevante data, som du kan – og rengør og forbered dem for at sikre, at de er af høj kvalitet, konsistente og komplette – før du føjer dem til AI-modeller. At løse dataproblemer på forhånd er nøglen til succes for AI. Skrald ind, skrald ud, som de siger.

Trin 4: Inddragelse af vigtige interessenter

Samarbejd med andre indkøbsmedarbejdere samt økonomi- og it-teams tidligt i processen, og tildel en ledende sponsor som interessent. Dette trin er afgørende for at opbygge en forståelse af centrale behov, sikre tilpasning til forretningsmål og sikre køb i.

Trin 5: Integrer med eksisterende systemer

For at minimere afbrydelser og maksimere fordelene ved AI er det vigtigt at integrere AI-løsninger med eksisterende indkøbssystemer, ERP og andre virksomhedsapplikationer.

Trin 6: Træning og forandringsledelse

Hjælp indkøbsmedarbejdere med at blive fortrolige med AI-værktøjer – og opmuntre til brugertilpasning – ved at tilbyde uddannelse og demonstrere, hvordan AI kan hjælpe med deres daglige opgaver. Implementer en robust strategi for forandringsledelse, og vis, hvordan dit indkøbsteams ekspertise kan udvides – og ikke erstattes – af AI-teknologi.

Trin 7: Hold det etisk og sikkert

Revider regelmæssigt AI-modeller og overvåg med menneskelig overvågning for retfærdighed, overholdelse af regler om databeskyttelse og etiske overvejelser – især skævheder i algoritmer. Implementer robuste cybersikkerhedsmetoder for at beskytte følsomme data og opbygge tillid blandt brugerne.

Læs mere