מהי בינה מלאכותית ברכש?

במונחים פשוטים, בינה מלאכותית מתייחסת ליכולת של מכונות או תוכנות מחשב לחקות היבטים מסוימים של הבינה האנושית ולבצע משימות. מערכות בינה מלאכותית יכולות ללמוד, לפתור בעיות, להבין שפה אנושית, סיבה ואפילו "לראות" סביבה משלהם. בינה מלאכותית ברכש היא השימוש בטכנולוגיה מתקדמת זו לאוטומציה והרחבה של תהליכי רכש מרכזיים בארגון - כגון ניהול חוזים ומיקור אסטרטגי . צוותי רכש משתמשים יותר ויותר בבינה מלאכותית כדי להגביר יעילות, להפחית עלויות, להפחית סיכונים ולשפר קבלת החלטות כשהם מנווטים בין ביקושים עסקיים חדשים ואתגרי שוק.

סוגי בינה מלאכותית של רכש

קיימים חמישה סוגים עיקריים של בינה מלאכותית שבשימוש ברכש היום:

1. בינה מלאכותית (AI): מונח שמיכה עבור כל תוכנה או אלגוריתם שניתן להחשיב כ"חכם"
2. למידת מכונה (ML): סט משנה של בינה מלאכותית, אלגוריתמים של למידת מכונה יכולים לזהות דפוסים בסטים של נתונים ולהשתמש בהם לקבלת החלטות, תחזיות או תחזיות
3. אוטומציית תהליך רובוטי (RPA): אלגוריתמים המחקים פעולות אנושיות לביצוע משימות שחוזרות על עצמן. RPA אינו נחשב טכנית לסוג של בינה מלאכותית אך ניתן להפעיל אותו באמצעותו.
4. עיבוד שפה טבעית (NLP): אלגוריתמים שיכולים להבין, לפרש וליצור שפה אנושית - כגון צ'אטבוטים, קופילטוטים ועוזרים וירטואליים
5. זיהוי תווים אופטי (OCR): אלגוריתמים שיכולים לזהות ולחלץ טקסט מתמונות ומסמכים סרוקים, כגון חשבוניות מבוססות נייר

בינה מלאכותית יצרנית ברכש

מאז שצ'אטGPT עלתה לאוויר בסוף 2022, בינה מלאכותית יצרנית היא הנושא החם בחדרי ישיבות ברחבי העולם. עם היכולת שלה ליצור תוכן חדש באמצעות ממשק משתמש פשוט, בינה מלאכותית יצרנית שואפת להפריע לעסקים ואפילו לתעשיות שלמות. כמה צוותי רכש שחושבים קדימה מתחילים להשתמש בו כדי ליצור מסמכי RFP, ליצור תהליכים חדשים לחלוטין ולהכניס ספקים לרשימה מצומצמת באופן אוטונומי. בינה מלאכותית גנרטיבית ברכש נמצאת בחיתוליה, אך הפוטנציאל שלה עצום.

בינה מלאכותית במקרי שימוש של רכש

הרכש נמצא תחת לחץ עז לספק חיסכון בעלויות, להפחית סיכונים, לשפר קיימות ולמלא תפקיד אסטרטגי יותר בעסק. כדי לעמוד במטרות האלה, ולהתמיד בקצב השינוי המהיר, הצוותים צריכים להיות זריזים להפליא - ולהפוך לפרואקטיביים יותר, ופחות תגובתיים, בכל מה שהם עושים. בינה מלאכותית מסייעת בחלק מתחומי הרכש העיקריים:

• סיווג וניתוח הוצאות: אלגוריתמים של סיווג הוצאות יכולים לחפש במהירות בשורות ולהדגיש מילות מפתח כדי לקשר בין קטגוריות הוצאה בדיוק כמעט מושלם. ניתוח הוצאות המופעל על-ידי AI יכול גם לסייע לצוותים לזהות הזדמנויות עבור חיסכון בעלויות וליצור את הבסיס לאסטרטגיות ניהול הוצאות, קטגוריות ומיקור טובות יותר.
• אסטרטגיית מיקור גלובלית: על-ידי ניתוח סטי נתונים גלובליים גדולים, אלגוריתמים של למידת מכונה יכולים לזהות משמרות במגמות אספקה, לחזות פיתוחים עתידיים ולסייע ביידוע אסטרטגיות מיקור גלובליות.
• קנייה מונחית: המלצות פריט בסיוע בינה מלאכותית מפשטות את מדיניות הרכש כדי שהמשתמשים יוכלו למצוא את מה שהם מחפשים, לעודד הוצאות בתוך הקטלוג של החברה כדי להימנע מעלויות מיותרות, ולתת למחלקת הרכש להציע עזרה מותאמת. הוא גם מספק גישה מהירה לספקים מועדפים תוך שילוב מעקות בטיחות מועילים.
• מיקור חכם וניהול ספקים: תוכנה המונעת על-ידי AI יכולה לנתח בסיסי נתונים של ספקים, מגמות שוק, נתונים היסטוריים, דוחות ESG וגורמים אחרים כדי להמליץ על הספקים הטובים ביותר עבור צרכים ספציפיים. הוא יכול גם לספק תובנה מקיפה לבסיס האספקה של החברה, לעזור לשפר את ביצועי הספקים ולקדם עדיפויות אסטרטגיות.
• יצירת מכרז: בינה מלאכותית יכולה ליצור אוטומטית בקשה להצעות, (RFPs), בקשה להצעות מחיר (RFQs) ומסמכי RF אחרים - מפיתוח רשימות ספקים ועד יצירת שאלות מפתח.
• ניהול סיכון ספק: אלגוריתמים של בינה מלאכותית יכולים לאתר במהירות שינויים פתאומיים עם ספק או ספק ולהעריך כיצד שינוי זה ישפיע על הסיכון. הם יכולים גם לכרות מיליוני מקורות נתונים שונים כדי להתריע בפני חברות לסיכון פוטנציאלי בכל שרשרת האספקה.
• תאימות: על-ידי שימוש ב-AI כדי לבנות נתונים של חוזה, חשבונית והזמנת רכש, חברות יכולות להשוות אוטומטית תנאי תשלום, לבטל שכפול ולזהות אי-תאימות.
• שליפת נתונים: עיבוד שפה טבעית יכול לשלוף נתונים מחשבוניות וחוזים לזיהוי סיכונים והונאות, לספק תובנה רבה יותר להוצאה עסקית ולהאיץ תהליכים מקצה לקצה. NLP יכול גם ללכוד נתונים ממקורות חיצוניים כגון מדדי שוק, דירוגי אשראי של חברה, מדיה חברתית ומידע זמין לציבור על ספקים כדי לאתר הזדמנויות וסיכונים.
• ניהול מחזור חיים של חוזה: כלים המופעלים על-ידי AI יכולים ליצור אוטומטית טיוטות ראשונות של חוזים, לתמוך במשא ומתן ולסמן סיכונים פוטנציאליים בשפת חוזה. הם יכולים גם לעקוב אחר תנאים והתניות וכן מועדים אחרונים כדי להבטיח תאימות.
• אוטומציית AP: מערכת RPA חכמה יכולה להסיר משימות ידניות בתהליכי חשבונות זכאים, להאיץ עיבוד חשבוניות ואישורים, לשפר את הדיוק ולהבטיח תאימות. זיהוי תווים אופטי יכול לקרוא מידע עיקרי מחוץ לחשבוניות מבוססות נייר כדי לשפר את התהליך ולהפוך מסמכים לדיגיטליים.

יתרונות בינה מלאכותית במיקור ורכישה

השילוב של AI בתהליכי מיקור ותהליכים הקשורים לרכש מציע יתרונות רבים, כולל:

• קבלת החלטות חכמה יותר: בינה מלאכותית יכולה לנתח נפחים גדולים של נתונים במהירות ובדייקנות. גישה מונחית-נתונים זו מספקת למומחי רכש תובנות שניתן לפעול לגביהן לגבי דפוסי הוצאות, ביצועי ספקים ומגמות שוק. ניתוח תרחיש וניתוח חיזוי המופעל על-ידי AI יכולים גם לסייע לצוותים להעריך אפשרויות, להפחית סיכונים ולקבל החלטות מיקור והוצאות טובות יותר.
• יעילות ואוטומציה: אוטומציה המופעלת על-ידי AI של משימות שחוזרות על עצמן וצורכות זמן רב - כגון הזנת נתונים ועיבוד חשבוניות - משפרת את היעילות ומשחררת את מומחי הרכש להתמקד בעבודה אסטרטגית יותר.
• חיסכון בעלויות: באמצעות AI, ארגונים יכולים לשפר את בחירת הספקים, לנהל משא ומתן על עסקאות טובות יותר ולחזות ביקוש באופן מדויק יותר—לחיסכון משמעותי בעלויות. הם יכולים גם לנתח דפוסי הוצאות כדי לזהות ולפעול על פי הזדמנויות נוספות לקצץ בעלויות.
• מיתון סיכונים: כלי AI יכולים לזהות ולהעריך באופן יזום סיכונים המשויכים לספקים, תנאי שוק ושינויים רגולטוריים—כך שצוותי רכש יוכלו לצמצם הפרעה בשרשרת האספקה לפני שהיא מתרחשת.
• קשרים טובים יותר עם ספקים: על-ידי ציון ברור של דרישות וציפיות בבקשות להצעות, ועל-ידי ניטור והערכה של ביצועי ספקים, בינה מלאכותית יכולה לתרום לפיתוח של קשרי ספקים חזקים ואמינים יותר.

אתגרים של יישום AI ברכש

בעוד שהיישום של בינה מלאכותית בתהליכי רכש מציע יתרונות משמעותיים, הוא יכול להוות גם כמה אתגרים.

• בינה מלאכותית צריכה נפחים גדולים מאוד של נתונים באיכות גבוהה כדי להכשיר במדויק אלגוריתמים ולהדריך קבלת החלטות - כך שחברות צריכות להשקיע ביוזמות של אחזקת ואיכות נתונים כדי להימנע מביצועי פר-משנה.
• יש לשלב פתרונות AI גם עם תוכנות רכש אחרות ומערכות ERP, הדורשות לעתים קרובות תוכנת ביניים, ממשקי API והתאמה אישית.
• בנוסף, הכישורים והמומחיות הנכונים נחוצים ליישום, ניהול והפעלת בינה מלאכותית, ואלה נמצאים לעתים בביקוש קצר.
• ולאחרונה, מערכות בינה מלאכותית נשענות לעתים קרובות על נתונים רגישים, ולכן אבטחת סייבר, הצפנה ופרטיות נתונים חסינים הם חיוניים.

ניווט באתגרים אלה דורש גישה מחשבתית, אבל ארגונים שעושים זאת נכון יכולים לבטל את היתרונות העצומים של בינה מלאכותית ברכש.

כיצד להשתמש בבינה מלאכותית ברכש: תהליכים מייעלי עבודה

להלן מספר תהליכים מייעלי עבודה לשילוב מוצלח של בינה מלאכותית בתהליכי הרכש שלך:

שלב 1: הגדרת יעדים ברורים

החל מחיסכון בעלויות וכלה ביעילות רבה יותר וקבלת החלטות טובה יותר, קיום מטרות ברורות יעזור לך להנחות את אסטרטגיית היישום שלך.

שלב 2: התחל בפרויקט פיילוט קטן

ניסיון לשנות את כל תהליכי הרכש שלך בבת אחת הוא מתכון לאסון. מצא מקרה שימוש פשוט וישיר - כגון אוטומציה של תהליך אירוע המיקור הקיים שלך - כדי להתחיל. כך תוכלו להעריך את האפקטיביות של פתרונות הבינה המלאכותית שלכם בסביבה מבוקרת, לזהות אתגרים כלשהם ולבצע התאמות לפני הדירוג.

שלב 3: ודא איכות ונפח נתונים

ללכוד נתונים רלוונטיים ככל האפשר - ולנקות ולהכין אותם כדי לוודא שהם איכותיים, עקביים ומלאים - לפני הכנסתם למודלים של בינה מלאכותית. טיפול בבעיות נתונים מראש הוא המפתח להצלחה של בינה מלאכותית. זבל פנימה, זבל בחוץ, כמו שאומרים.

שלב 4: הבא בעלי עניין מרכזיים

שתף פעולה עם אנשי רכש עמיתים וכן עם צוותי IT וכספים בתחילת התהליך והקצה מממן מנהלים כבעל עניין. צעד זה הוא חיוני לבניית הבנה של צרכים מרכזיים, הבטחת התאמה ליעדים עסקיים והבטחת קנייה ב.

שלב 5: שלב עם מערכות קיימות

כדי למזער שיבושים ולמקסם את היתרונות של בינה מלאכותית, זה קריטי לשלב פתרונות AI עם מערכות רכש קיימות, ERP ויישומים ארגוניים אחרים.

שלב 6: ספק הכשרה וניהול שינויים

עזור לאנשי רכש להכיר את כלי הבינה המלאכותית - ולעודד אימוץ משתמשים - על-ידי מתן הכשרה והדגמה של האופן שבו בינה מלאכותית יכולה לסייע במשימות היומיומיות שלהם. יישמו אסטרטגיית ניהול שינויים איתנה והציגו כיצד ניתן להרחיב את המומחיות של צוות הרכש שלך - ולא להחליף אותם - בטכנולוגיית AI.

שלב 7: שמור אותו מוסרי ומאובטח

בקר באופן קבוע מודלים של בינה מלאכותית ונטר עם פיקוח אנושי על הגינות, תאימות לתקנות פרטיות נתונים ושיקולים אתיים - במיוחד הטיה באלגוריתמים. יישם שיטות אבטחת סייבר חזקות כדי להגן על נתונים רגישים ולבנות אמון בין משתמשים.

מידע נוסף